论文部分内容阅读
随着计算机技术的快速发展,投资者可以越来越方便及时地获取证券市场的各种交易数据,通过对各种交易数据的深入研究,逐分钟交易数据、甚至逐笔交易数据逐渐引起了投资者的关注。这些高频交易数据形成了高频金融时间序列,人们将各种数据分析方法应用于高频金融时间序列,试图揭示出证券的内在特征以及预测价格走势。经典的时间序列分析方法常常假设变量之间存在线性关系,试图通过多元线性回归来揭示自变量和因变量之间的关系,从而预测因变量的变化趋势。或者对数据进行时域、频域分析,进而通过端点延拓的方法来预测下一时刻序列的值,这些经典的时频分析方法,比如傅立叶变换,通常要求时间序列是平稳序列,而现实生活中,投资组合和股指期货价格所形成的时间序列,往往是非线性、非平稳的,因此传统的数据分析方法往往不能很好地挖掘金融时间序列特征,进而进行深入的数据分析。随着现代信号处理技术的发展,Hilbert-Huang变换越来越多的应用于各种非线性非平稳数据的分析中,并在多个领域取得了良好的效果。本文在以下几个方面展开研究:第一,本文将Hilbert-Huang变换应用于高频金融时间序列的特征分析和预测上。基于沪深300股指期货5分钟数据,应用HilbertHuang变换对该高频时间序列进行本征模态分解。第二,基于沪深300股指期货分钟数据的本征模态函数,使用Elman神经网络对高频特征分量和低频特征分量分别进行预测,最终形成对沪深300分钟线序列的分析和预测模型,并对该模型进行样本内和样本外测试。第三,基于预测模型,提出了沪深300股指期货5分钟数据的高频交易策略,并对该策略进行历史回测,验证该交易策略。实证表明,基于Hilbert-Huang变换和神经网络的分析和预测模型能够较好地刻画沪深300股指期货分钟序列的特征,基于该模型,能够对非线性时间序列进行预测。