基于奇異譜分析的金融時間序列自適應(yīng)分解預(yù)測研究.pdf

1、金融時間序列作為經(jīng)濟(jì)、金融領(lǐng)域的一類重要數(shù)據(jù)，隨著經(jīng)濟(jì)、金融行業(yè)的發(fā)展顯得越發(fā)重要，對其進(jìn)行分析、預(yù)測非常有必要而且意義重大。金融時間序列作為一類特殊、較為復(fù)雜的時間序列數(shù)據(jù)、通常呈現(xiàn)出隨機(jī)性、非線性并伴有含噪聲等特點(diǎn)。針對金融時間序列復(fù)雜特性，人們先后提出了各種線性與非線性的建模預(yù)測方法，獲得了較好的預(yù)測效果，然而，卻也存在可解釋性差、參數(shù)設(shè)置復(fù)雜、依賴于模型等缺點(diǎn)。奇異譜分析（SingularSpectrumAnalysis，SSA

2、）作為序列成份分析的一種重要方法，具有成份可選擇性、較好解釋性、無參、獨(dú)立于模型的特點(diǎn)，可將序列數(shù)據(jù)分解成諸多可解釋的成份。因此，奇異譜分析技術(shù)往往被用作其它傳統(tǒng)預(yù)測模型預(yù)處理的手段，主要用于對序列數(shù)據(jù)的降噪處理。然而，在降噪過程中，由于人為確定非噪聲特征量，使得降噪后的序列要么過擬合要么能量丟失過多，不利于序列預(yù)測。在此，我們把對SSA降噪處理后的序列進(jìn)行預(yù)測的方法稱之為直接預(yù)測。由于直接預(yù)測降噪處理過程中涉及一定的主觀因素，使得其預(yù)

3、測結(jié)果并不理想?；诖耍疚奶岢隽艘环N基于奇異譜分析的分解預(yù)測方法，通過SSA技術(shù)將序列分解成高頻與低頻兩股成份，分別采用自回歸（AR）與求和自回歸移動平均（ARIMA）模型進(jìn)行預(yù)測，最后將這兩成份預(yù)測量疊加重構(gòu)便可得到整體預(yù)測結(jié)果。與此同時，為提高模型自適應(yīng)能力，實(shí)現(xiàn)對金融時序?qū)崟r跟蹤，本文引入了最小均方（LMS）算法。實(shí)驗(yàn)結(jié)果表明，與LMS直接預(yù)測相比，分解預(yù)測無任是在預(yù)測精度還是對序列局部的刻畫方面均存在明顯的優(yōu)勢。
　　另