金融时间序列预测的信息融合与计算智能模型
发布时间：2024-01-29 21:56
金融市场是一个庞大的、具有复杂运动模式的系统,受到来自各方面的多重因素的影响。时间序列作为金融市场中最为主要的,数量最多的数据形式,是金融市场复杂内在的综合外在表现形式。通过对金融时间序列的分析及预测,可以发现市场潜在的规律及信息特征,为金融活动及决策提供重要依据,具有非常重要的现实意义。伴随着数据库、平行技术、人工智能等技术的融合发展,出现了一项由交叉学科产生的新兴技术-数据挖掘技术。它能够从大量的历史数据中通过数据集成、规约、清理、变换、挖掘、模式评估和知识表示来提取其中隐含的且有用的知识及规律,为我们分析海量的大规模的金融时间序列提供有效的理论与技术支持。因此,本文以金融时间序列预测的信息融合与计算智能模型为研究课题,采用数据挖掘技术,重点研究了金融时间序列预测的特征提取过程、基础预测模型以及信息融合预测等,创新地构建了一类金融信息融合与计算智能模型,面向金融市场价格时间序列的每日走势预测。论文主要研究内容及成果可分为以下几个部分:首先,本文将特征提取过程的构建作为金融时间序列预测计算智能模型建模的关键步骤,从金融时间序列的高噪声、混沌、非线性和非平稳性特征出发,充分考虑金融时间...
【文章页数】：130 页
【学位级别】：博士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 研究背景与意义
1.2 相关文献综述
1.2.1 金融时间序列分析
1.2.2 金融市场的概率可预测性
1.2.3 金融时间序列预测的特征提取
1.2.3.1 经验模态分解的相关文献综述
1.2.3.2 主成分分析的相关文献综述
1.2.4 金融时间序列的聚类与回归预测
1.2.4.1 仿射传播聚类的相关文献综述
1.2.4.2 K-最邻近元的相关文献综述
1.3 本文的主要工作
1.3.1 主要研究内容
1.3.2 采用的主要理论与技术实施
1.3.3 本文的结构安排
1.4 研究的创新及贡献
第二章 金融时间序列预测计算智能模型的结构框架与主要技术
2.1 金融时间序列的特点及时间尺度
2.1.1 金融时间序列的特点
2.1.2 金融时间序列的时间尺度
2.2 金融时间序列的特征提取
2.2.1 金融时间序列专门的经验模态分解
2.2.1.1 滑动窗口技术
2.2.1.2 EMD分解的基本原理
2.2.1.3 瞬时频率
2.2.1.4 本征模态函数
2.2.1.5 EMD分解过程
2.2.1.6 EMD的正交性与完备性
2.2.2 主成分分析降维及特征提取
2.2.2.1 PCA的基本原理
2.2.2.2 PCA降维的意义
2.2.2.3 PCA降维过程
2.2.2.4 PCA降维后的主成分提取
2.2.2.5 PCA特征提取的适应性
2.3 金融时间序列的聚类与非参数回归预测
2.3.1 仿射传播聚类
2.3.1.1 AP聚类的基本原理
2.3.1.2 AP聚类过程
2.3.2 自适应仿射传播聚类
2.3.2.1 自适应阻尼与自适应逃离
2.3.2.2 自适应扫描与最优聚类结果提取
2.3.3 基于自适应仿射传播聚类的嵌套式K-最邻近元回归
2.3.3.1 非参数回归
2.3.3.2 KNN的基本原理
2.3.3.3 KNN常用的相似性测度
2.3.3.4 KNN回归预测
2.3.3.5 嵌套式NKNN回归预测
2.4 金融时间序列预测的一般结构
2.5 金融时间序列预测计算智能模型的输入与输出
2.6 本章小结
第三章 PCA-KNN(PK)预测计算智能模型及实证分析
3.1 PK预测模型的基本原理
3.2 PK预测模型的一般结构
3.3 PK预测模型的算法流程
3.4 PK预测模型的结构参数
3.5 PK预测模型的实证分析
3.5.1 预测模型的效能测度
3.5.2 PK模型预测用友网络日线收益率的实证分析
3.5.2.1 数据及统计描述
3.5.2.2 用友网络日线收益率的PCA降维及特征提取
3.5.2.3 PKYONYOUD1模型预测用友网络t(10)1日线收益率
3.5.3 PK模型预测沪深300指数日线收益率的实证分析
3.5.3.1 数据及统计描述
3.5.3.2 沪深300指数日线收益率的PCA降维及特征提取
3.5.3.3 PKCSI300D1模型预测沪深300指数t(10)1日线收益率
3.5.4 PK模型与相关模型的实证比较
3.5.4.1 KNNYOUYOUD1模型预测用友网络t(10)1日线收益率
3.5.4.2 KNNCSI300D1模型预测沪深300指数t(10)1日线收益率
3.5.4.3 PK模型与相关模型的预测实证结果比较
3.6 本章小结
第四章 FTSEMD-PCA-KNN(FEPK)预测计算智能模型及实证分析
4.1 FEPK预测模型的基本原理
4.2 FEPK预测模型的一般结构
4.3 FEPK预测模型的算法流程
4.4 FEPK预测模型的结构参数
4.5 FEPK预测模型的实证分析
4.5.1 FEPK模型预测用友网络日线收益率的实证分析
4.5.1.1 用友网络日线收益率的FTSEMD分解及结果
4.5.1.2 用友网络日线收益率经过FTSEMD分解后的PCA降维
4.5.1.3 FEPKYONYOUD1模型预测用友网络t(10)1日线收益率
4.5.2 FEPK模型预测沪深300指数日线收益率的实证分析
4.5.2.1 沪深300指数日线收益率的FTSEMD分解及结果
4.5.2.2 沪深300指数日线收益率经过FTSEMD分解后的PCA降维
4.5.2.3 FEPKCSI300D1模型预测沪深300指数t(10)1日线收益率
4.5.3 FEPK模型与相关模型的实证比较
4.6 本章小结
第五章 PCA-AAP-NKNN(PANK)预测计算智能模型及实证分析
5.1 PANK预测模型的基本原理
5.2 PANK预测模型的一般结构
5.3 PANK预测模型的算法流程
5.4 PANK预测模型的结构参数
5.5 PANK预测模型的实证分析
5.5.1 PANK模型预测用友网络日线收益率的实证分析
5.5.1.1 用友网络日线收益率的PCA降维及特征提取
5.5.1.2 PANKYONYOUD1模型预测用友网络t(10)1日线收益率
5.5.2 PANK模型预测沪深300指数日线收益率的实证分析
5.5.2.1 沪深300指数日线收益率的PCA降维及特征提取
5.5.2.2 PANKCSI300d1模型预测沪深300指数t(10)1日线收益率
5.5.3 PANK模型与相关模型的实证比较
5.6 本章小结
第六章 FTSEMD-PCA-AAP-NKNN(EPAK)预测模型及实证分析
6.1 EPAK预测模型的基本原理
6.2 EPAK预测模型的一般结构
6.3 EPAK预测模型的算法流程
6.4 EPAK预测模型的结构参数
6.5 EPAK预测模型的实证分析
6.5.1 EPAK模型预测用友网络日线收益率的实证分析
6.5.1.1 用友网络日线收益率的FTSEMD分解及结果
6.5.1.2 用友网络日线收益率经过FTSEMD分解后的PCA降维
6.5.1.3 EPAKYONYOUD1模型预测用友网络t(10)1日线收益率
6.5.2 EPAK模型预测沪深300指数日线收益率的实证分析
6.5.2.1 沪深300指数日线收益率的FTSEMD分解及结果
6.5.2.2 沪深300指数日线收益率经过FTSEMD分解后的PCA降维
6.5.2.3 EPAKCSI300D1模型预测沪深300指数t(10)1日线收益率
6.5.3 EPAK模型与相关模型的实证比较
6.6 本章小结
第七章 股指预测的多变量信息融合预测模型及实证分析
7.1 股指预测的多变量信息融合预测的基本原理
7.2 股指预测的多变量信息融合预测模型建模
7.2.1 大盘指数的一般计算
7.2.2 行业股指的单变量预测
7.2.3 股指预测的多变量信息融合预测模型的一般结构
7.3 行业股指预测的信息融合预测沪深300指数的实证分析
7.3.1 EPAK模型预测行业股指的实证分析
7.3.2 行业股指预测的信息融合预测沪深300指数的实证与对比分析
7.4 本章小结
第八章 结论
8.1 本文总结
8.2 研究展望
致谢
参考文献
攻读博士学位期间取得的成果
本文编号：3888911
【文章页数】：130 页
【学位级别】：博士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 研究背景与意义
1.2 相关文献综述
1.2.1 金融时间序列分析
1.2.2 金融市场的概率可预测性
1.2.3 金融时间序列预测的特征提取
1.2.3.1 经验模态分解的相关文献综述
1.2.3.2 主成分分析的相关文献综述
1.2.4 金融时间序列的聚类与回归预测
1.2.4.1 仿射传播聚类的相关文献综述
1.2.4.2 K-最邻近元的相关文献综述
1.3 本文的主要工作
1.3.1 主要研究内容
1.3.2 采用的主要理论与技术实施
1.3.3 本文的结构安排
1.4 研究的创新及贡献
第二章 金融时间序列预测计算智能模型的结构框架与主要技术
2.1 金融时间序列的特点及时间尺度
2.1.1 金融时间序列的特点
2.1.2 金融时间序列的时间尺度
2.2 金融时间序列的特征提取
2.2.1 金融时间序列专门的经验模态分解
2.2.1.1 滑动窗口技术
2.2.1.2 EMD分解的基本原理
2.2.1.3 瞬时频率
2.2.1.4 本征模态函数
2.2.1.5 EMD分解过程
2.2.1.6 EMD的正交性与完备性
2.2.2 主成分分析降维及特征提取
2.2.2.1 PCA的基本原理
2.2.2.2 PCA降维的意义
2.2.2.3 PCA降维过程
2.2.2.4 PCA降维后的主成分提取
2.2.2.5 PCA特征提取的适应性
2.3 金融时间序列的聚类与非参数回归预测
2.3.1 仿射传播聚类
2.3.1.1 AP聚类的基本原理
2.3.1.2 AP聚类过程
2.3.2 自适应仿射传播聚类
2.3.2.1 自适应阻尼与自适应逃离
2.3.2.2 自适应扫描与最优聚类结果提取
2.3.3 基于自适应仿射传播聚类的嵌套式K-最邻近元回归
2.3.3.1 非参数回归
2.3.3.2 KNN的基本原理
2.3.3.3 KNN常用的相似性测度
2.3.3.4 KNN回归预测
2.3.3.5 嵌套式NKNN回归预测
2.4 金融时间序列预测的一般结构
2.5 金融时间序列预测计算智能模型的输入与输出
2.6 本章小结
第三章 PCA-KNN(PK)预测计算智能模型及实证分析
3.1 PK预测模型的基本原理
3.2 PK预测模型的一般结构
3.3 PK预测模型的算法流程
3.4 PK预测模型的结构参数
3.5 PK预测模型的实证分析
3.5.1 预测模型的效能测度
3.5.2 PK模型预测用友网络日线收益率的实证分析
3.5.2.1 数据及统计描述
3.5.2.2 用友网络日线收益率的PCA降维及特征提取
3.5.2.3 PKYONYOUD1模型预测用友网络t(10)1日线收益率
3.5.3 PK模型预测沪深300指数日线收益率的实证分析
3.5.3.1 数据及统计描述
3.5.3.2 沪深300指数日线收益率的PCA降维及特征提取
3.5.3.3 PKCSI300D1模型预测沪深300指数t(10)1日线收益率
3.5.4 PK模型与相关模型的实证比较
3.5.4.1 KNNYOUYOUD1模型预测用友网络t(10)1日线收益率
3.5.4.2 KNNCSI300D1模型预测沪深300指数t(10)1日线收益率
3.5.4.3 PK模型与相关模型的预测实证结果比较
3.6 本章小结
第四章 FTSEMD-PCA-KNN(FEPK)预测计算智能模型及实证分析
4.1 FEPK预测模型的基本原理
4.2 FEPK预测模型的一般结构
4.3 FEPK预测模型的算法流程
4.4 FEPK预测模型的结构参数
4.5 FEPK预测模型的实证分析
4.5.1 FEPK模型预测用友网络日线收益率的实证分析
4.5.1.1 用友网络日线收益率的FTSEMD分解及结果
4.5.1.2 用友网络日线收益率经过FTSEMD分解后的PCA降维
4.5.1.3 FEPKYONYOUD1模型预测用友网络t(10)1日线收益率
4.5.2 FEPK模型预测沪深300指数日线收益率的实证分析
4.5.2.1 沪深300指数日线收益率的FTSEMD分解及结果
4.5.2.2 沪深300指数日线收益率经过FTSEMD分解后的PCA降维
4.5.2.3 FEPKCSI300D1模型预测沪深300指数t(10)1日线收益率
4.5.3 FEPK模型与相关模型的实证比较
4.6 本章小结
第五章 PCA-AAP-NKNN(PANK)预测计算智能模型及实证分析
5.1 PANK预测模型的基本原理
5.2 PANK预测模型的一般结构
5.3 PANK预测模型的算法流程
5.4 PANK预测模型的结构参数
5.5 PANK预测模型的实证分析
5.5.1 PANK模型预测用友网络日线收益率的实证分析
5.5.1.1 用友网络日线收益率的PCA降维及特征提取
5.5.1.2 PANKYONYOUD1模型预测用友网络t(10)1日线收益率
5.5.2 PANK模型预测沪深300指数日线收益率的实证分析
5.5.2.1 沪深300指数日线收益率的PCA降维及特征提取
5.5.2.2 PANKCSI300d1模型预测沪深300指数t(10)1日线收益率
5.5.3 PANK模型与相关模型的实证比较
5.6 本章小结
第六章 FTSEMD-PCA-AAP-NKNN(EPAK)预测模型及实证分析
6.1 EPAK预测模型的基本原理
6.2 EPAK预测模型的一般结构
6.3 EPAK预测模型的算法流程
6.4 EPAK预测模型的结构参数
6.5 EPAK预测模型的实证分析
6.5.1 EPAK模型预测用友网络日线收益率的实证分析
6.5.1.1 用友网络日线收益率的FTSEMD分解及结果
6.5.1.2 用友网络日线收益率经过FTSEMD分解后的PCA降维
6.5.1.3 EPAKYONYOUD1模型预测用友网络t(10)1日线收益率
6.5.2 EPAK模型预测沪深300指数日线收益率的实证分析
6.5.2.1 沪深300指数日线收益率的FTSEMD分解及结果
6.5.2.2 沪深300指数日线收益率经过FTSEMD分解后的PCA降维
6.5.2.3 EPAKCSI300D1模型预测沪深300指数t(10)1日线收益率
6.5.3 EPAK模型与相关模型的实证比较
6.6 本章小结
第七章 股指预测的多变量信息融合预测模型及实证分析
7.1 股指预测的多变量信息融合预测的基本原理
7.2 股指预测的多变量信息融合预测模型建模
7.2.1 大盘指数的一般计算
7.2.2 行业股指的单变量预测
7.2.3 股指预测的多变量信息融合预测模型的一般结构
7.3 行业股指预测的信息融合预测沪深300指数的实证分析
7.3.1 EPAK模型预测行业股指的实证分析
7.3.2 行业股指预测的信息融合预测沪深300指数的实证与对比分析
7.4 本章小结
第八章 结论
8.1 本文总结
8.2 研究展望
致谢
参考文献
攻读博士学位期间取得的成果
本文编号：3888911
本文链接：https://www.wllwen.com/jingjilunwen/huobiyinxinglunwen/3888911.html