论文部分内容阅读
金融时间序列是金融市场中一种重要的数据类型。金融市场的价格波动就是一种金融时间序列,尤其是股票价格,它综合反映了经济发展的运行状况和企业的经营状况,是备受投资者关注的经济晴雨表。投资者根据金融市场价格的波动,来调整自己的投资组合策略,以达到规避风险和提高收益的目的。因此,对股票价格时间序列建模的研究显得尤为重要。自金融市场产生以来,学者们一直在对证券市场上的价格变化(如股票、基金、汇率等)进行研究。他们认为股票价格时间序列具有高噪声、非平稳性和长期不可预测性等特点。很多经济学家根据金融时间序列预测的以上几个特点,从统计学角度提出了一些对金融时间序列进行预测的数学模型。从理论上来说,这些模型对真实的金融市场具有一定的参考意义,但是往往存在限制性的统计学假设前提,如正态性,稳定性等。而且,金融时间序列是一个复杂的、随机的、不确定的和非线性的系统,以带有诸多假设条件的传统方法来预测股票价格的波动显然是不准确、不客观的。同时,股票价格的波动受到多种因素的影响,并且以不同阶数的时间序列来预测,结果也不尽相同,且预测精度难以保证。近年来,计算机、数据科学(数据挖掘、数据分析、机器学习)和人工智能技术飞速发展,其中的群智能算法受到学者们的日益关注。群智能算法不需要对数据进行统计学假设限制,大多使用元数据,从而保证了数据的客观性。很多学者也尝试将这些理论方法与金融时间序列预测模型相结合,从结果来看,确实显著地提升了预测效果。同时,模糊理论的提出,也为具有随机性和不确定性特点的金融时间序列建模提供了新的角度。基于以上问题,本文将群智能算法与两类模糊时间序列模型相结合,提出两类改进型的金融模糊时间序列模型,以实现股票价格的波动的预测。本文重点研究的两类金融模糊时间序列的多元-高阶模型包括Type-1模糊时间序列预测模型和Type-2模糊时间序列预测模型。当数据不充分情况下,选用Type-1模糊时间序列预测模型,当数据充分情况下,选用Type-2模糊时间序列预测模型。为了解决两类模型如何划分区间的问题和Type-2模糊时间序列如何优化阶数的问题,本文采用群智能算法进行优化和比较,力求为以上问题的解决提供一种可行的方法。本文的创新点如下:(1)提出了一种基于遗传-模糊聚类和多元BP神经网络的一阶-多元Type-1金融模糊时间序列模型,这一模型较适应于股票信息较少情况。传统的Type-1金融模糊时间序列的划分区间方法基本为平均划分、模糊聚类等,本文将遗传算法与模糊C均值(Fuzzy C-means)聚类算法相结合以解决金融时间序列的论域划分以及模糊化问题,利用遗传算法具有全局搜索能力的优点来缓解模糊聚类易陷入局部最优的问题,提高划分区间的合理性;并且结合Type-1模糊时间序列的特点,提出了一阶-多因子的BP神经网络,以实现Type-1模糊时间序列的模糊关系的建立和预测。(2)提出了一种基于布谷鸟搜索算法和改进型自适应和声搜索算法的高阶-多因子的Type-2金融模糊时间序列模型,这一模型较适应于股票信息较多情况。传统的Type-2模糊时间序列模型为三因子预测模型,本文在此基础上提出改进型的四因子预测模型,应用了布谷鸟搜索算法代替传统的平均方法来划分论域,并且提出了一种改进型自适应和声搜索算法优化Type-2模糊时间序列的阶数。(3)根据本文提出的两种类型的金融模糊时间序列模型,以上海证券交易综合指数数据进行实证分析,分别与多个对比实验(基准模型)进行对比分析。实验结果表明,这两类不同数据情况下的金融模糊时间序列预测模型的预测精度均高于基准模型,验证了本文提出的两类模型对于一阶-多因子和多阶-多因子的股票价格短期预测问题具有较强实用性和有效性,满足了数据信息不充分和充分情况下的预测模型选择要求。本文的研究结合了群智能算法和模糊理论构建并改进了两类模糊时间序列模型,来解决不同阶数、不同因子相混合的股票价格预测问题,分别为此类问题提供了两种新的解决方法,为投资者规避风险、提高收益提供了额外的模型选择。