EMD分解下基于SVR的股票价格集成预测
发布时间：2021-12-22 13:26
为实现对非平稳、非线性股票价格时间序列的高精度预测,提出经验模态分解下基于支持向量回归的股票价格集成预测方法EMD-SVRF（EMD and SVR based stock price integrated forecasting）。首先,运用经验模态分解方法获得股票对数收益率时间序列的本征模函数及趋势序列,然后,利用ε不敏感支持向量回归为各本征模函数及趋势序列分别建立预测模型,并计算各本征模函数及趋势项的预测值,最后,集成得到股票收益率序列预测值。实验表明,相对现有的EMD-Elman网络和ARMA-GARCH等主流股价预测方法,EMD-SVRF具有更小的拟合误差和预测误差,是一种高精度的股票价格预测方法。
【文章来源】：西北大学学报(自然科学版). 2019,49(03)北大核心CSCD
【文章页数】：8 页
【部分图文】：
EMD-SVＲF方法的处理流程Fig．1TheprocessingflowofEMD-SVＲFEMD-SVＲF方法具体的处理过程如下:
时，初始的股票对数收益率序列S(t)被迭代分解为n个彼此正交的本征模函数ci(t)与趋势余项Ｒn(t)，i=1，2，…，n，如式(3)所示，其中，ci(t)依次取Step3得到的本征模函数d(t)。S(t)=∑ni=1ci(t)+Ｒn(t)。(3)2．2股票指数收益率序列的EMD分解本文利用Ｒ软件从雅虎财经在线提取上证综合指数2013-7-1至2018-4-30共1178个交易日的调整后收盘价，作为本文研究的原始时序数据，如图2所示。选取该时间区间指数数据的两方面原因为:①上证综指反映了上交所所有股票价格的变动情况，比较充分地代表了股票市场动向，是股票价格预测研究中最具代表性的对象;②上证综指在该时间区间内先后经历了横盘震荡、上涨和下跌3个趋势阶段，构成一个完整的涨跌周期，以便验证本研究结果的有效性。图2上证综指时间序列Fig．2ThetimeseriesofShanghaicompositeindex利用公式rt=lnPt－lnPt－1，将原始上证综指序列数据转化为图3所示的对数收益率序列，其中Pt为t时刻股票价格，rt为从t－1时刻到t时刻持有期间的对数收益率。运用EMD分解算法对上证综指收益率序列{rt}进行分解，得到8个本征模函数分量和1个趋势分量。如图4所示，从上往下依次为分解产生的图3上证综指收益率序列Fig．3ThereturnrateseriesofShanghaicompositeindex本征模函数ci(t)，i=1，2，…，8和趋势序列r8(t)，其中，横轴代表时间，可以观察到各本征模函数包含的频率成分不同，并且纵轴收益率幅值也
调整后收盘价，作为本文研究的原始时序数据，如图2所示。选取该时间区间指数数据的两方面原因为:①上证综指反映了上交所所有股票价格的变动情况，比较充分地代表了股票市场动向，是股票价格预测研究中最具代表性的对象;②上证综指在该时间区间内先后经历了横盘震荡、上涨和下跌3个趋势阶段，构成一个完整的涨跌周期，以便验证本研究结果的有效性。图2上证综指时间序列Fig．2ThetimeseriesofShanghaicompositeindex利用公式rt=lnPt－lnPt－1，将原始上证综指序列数据转化为图3所示的对数收益率序列，其中Pt为t时刻股票价格，rt为从t－1时刻到t时刻持有期间的对数收益率。运用EMD分解算法对上证综指收益率序列{rt}进行分解，得到8个本征模函数分量和1个趋势分量。如图4所示，从上往下依次为分解产生的图3上证综指收益率序列Fig．3ThereturnrateseriesofShanghaicompositeindex本征模函数ci(t)，i=1，2，…，8和趋势序列r8(t)，其中，横轴代表时间，可以观察到各本征模函数包含的频率成分不同，并且纵轴收益率幅值也不尽相同。图4收益率序列的EMD分解结果Fig．4TheEMDresultofthereturnrateseries3IMF和趋势项的SVＲ预测建模3．1IMF序列预测建模针对收益率序列{rt}经EMD分解而得到的IMF子序列ci(t)，i=1，2，…，8，将其中2013-07-01至2017-06-30作为建模训练期，并以最近30天的收益率为输入变量来预测下一天的收益率［4，19］，构造SVＲ预测建模所需的训练集中的976个个案，进而运用ε-?
【参考文献】：
期刊论文
[1]基于主成分分析与广义回归神经网络的股票价格预测[J]. 于卓熙,秦璐,赵志文,温馨. 统计与决策. 2018(18)
[2]基于经验模态分解-自回归组合模型的网络舆情预测[J]. 莫赞,赵冰,黄艳莹. 计算机应用. 2018(03)
[3]基于EMD阈值算法的脉冲涡流信号消噪[J]. 杨博楠,张智军,肖冰松,江良英. 计算机工程与应用. 2017(02)
[4]基于动态交易量预测的VWAP算法交易卖出策略[J]. 姚海博,茹少峰,张文明. 运筹与管理. 2015(02)
[5]基于EEMD的投资者情绪与股指波动的关系研究[J]. 李合龙,冯春娥. 系统工程理论与实践. 2014(10)
[6]基于误差校正的ARMA-GARCH股票价格预测[J]. 张超. 南京航空航天大学学报(社会科学版). 2014(03)
[7]基于EMD技术的非平稳非线性时间序列预测[J]. 王德青,王斐斐,朱万闯. 系统工程. 2014(05)
[8]基于EMD与STSA混合方法的金融收益信息提取与预测[J]. 李祥飞,张再生,黄超,高杨. 系统工程. 2014(02)
[9]基于EMD方法的股票价格预测与实证研究[J]. 刘海飞,李心丹. 统计与决策. 2010(23)
[10]基于EMD和Elman网络的人民币汇率时间序列预测[J]. 谢赤,郑林林,孙柏,张在美. 湖南大学学报(自然科学版). 2009(06)
硕士论文
[1]基于支持向量机的股票价格预测及投资策略研究[D]. 徐茜茜.西北大学 2018
[2]基于经验模态分解方法的房地产价格重大影响因素及短期预测分析[D]. 李媛.东北财经大学 2017
[3]基于ARMA-GARCH模型族的上证指数收益率波动的实证分析[D]. 张东旭.清华大学 2016
本文编号：3546464
【文章来源】：西北大学学报(自然科学版). 2019,49(03)北大核心CSCD
【文章页数】：8 页
【部分图文】：
EMD-SVＲF方法的处理流程Fig．1TheprocessingflowofEMD-SVＲFEMD-SVＲF方法具体的处理过程如下:
时，初始的股票对数收益率序列S(t)被迭代分解为n个彼此正交的本征模函数ci(t)与趋势余项Ｒn(t)，i=1，2，…，n，如式(3)所示，其中，ci(t)依次取Step3得到的本征模函数d(t)。S(t)=∑ni=1ci(t)+Ｒn(t)。(3)2．2股票指数收益率序列的EMD分解本文利用Ｒ软件从雅虎财经在线提取上证综合指数2013-7-1至2018-4-30共1178个交易日的调整后收盘价，作为本文研究的原始时序数据，如图2所示。选取该时间区间指数数据的两方面原因为:①上证综指反映了上交所所有股票价格的变动情况，比较充分地代表了股票市场动向，是股票价格预测研究中最具代表性的对象;②上证综指在该时间区间内先后经历了横盘震荡、上涨和下跌3个趋势阶段，构成一个完整的涨跌周期，以便验证本研究结果的有效性。图2上证综指时间序列Fig．2ThetimeseriesofShanghaicompositeindex利用公式rt=lnPt－lnPt－1，将原始上证综指序列数据转化为图3所示的对数收益率序列，其中Pt为t时刻股票价格，rt为从t－1时刻到t时刻持有期间的对数收益率。运用EMD分解算法对上证综指收益率序列{rt}进行分解，得到8个本征模函数分量和1个趋势分量。如图4所示，从上往下依次为分解产生的图3上证综指收益率序列Fig．3ThereturnrateseriesofShanghaicompositeindex本征模函数ci(t)，i=1，2，…，8和趋势序列r8(t)，其中，横轴代表时间，可以观察到各本征模函数包含的频率成分不同，并且纵轴收益率幅值也
调整后收盘价，作为本文研究的原始时序数据，如图2所示。选取该时间区间指数数据的两方面原因为:①上证综指反映了上交所所有股票价格的变动情况，比较充分地代表了股票市场动向，是股票价格预测研究中最具代表性的对象;②上证综指在该时间区间内先后经历了横盘震荡、上涨和下跌3个趋势阶段，构成一个完整的涨跌周期，以便验证本研究结果的有效性。图2上证综指时间序列Fig．2ThetimeseriesofShanghaicompositeindex利用公式rt=lnPt－lnPt－1，将原始上证综指序列数据转化为图3所示的对数收益率序列，其中Pt为t时刻股票价格，rt为从t－1时刻到t时刻持有期间的对数收益率。运用EMD分解算法对上证综指收益率序列{rt}进行分解，得到8个本征模函数分量和1个趋势分量。如图4所示，从上往下依次为分解产生的图3上证综指收益率序列Fig．3ThereturnrateseriesofShanghaicompositeindex本征模函数ci(t)，i=1，2，…，8和趋势序列r8(t)，其中，横轴代表时间，可以观察到各本征模函数包含的频率成分不同，并且纵轴收益率幅值也不尽相同。图4收益率序列的EMD分解结果Fig．4TheEMDresultofthereturnrateseries3IMF和趋势项的SVＲ预测建模3．1IMF序列预测建模针对收益率序列{rt}经EMD分解而得到的IMF子序列ci(t)，i=1，2，…，8，将其中2013-07-01至2017-06-30作为建模训练期，并以最近30天的收益率为输入变量来预测下一天的收益率［4，19］，构造SVＲ预测建模所需的训练集中的976个个案，进而运用ε-?
【参考文献】：
期刊论文
[1]基于主成分分析与广义回归神经网络的股票价格预测[J]. 于卓熙,秦璐,赵志文,温馨. 统计与决策. 2018(18)
[2]基于经验模态分解-自回归组合模型的网络舆情预测[J]. 莫赞,赵冰,黄艳莹. 计算机应用. 2018(03)
[3]基于EMD阈值算法的脉冲涡流信号消噪[J]. 杨博楠,张智军,肖冰松,江良英. 计算机工程与应用. 2017(02)
[4]基于动态交易量预测的VWAP算法交易卖出策略[J]. 姚海博,茹少峰,张文明. 运筹与管理. 2015(02)
[5]基于EEMD的投资者情绪与股指波动的关系研究[J]. 李合龙,冯春娥. 系统工程理论与实践. 2014(10)
[6]基于误差校正的ARMA-GARCH股票价格预测[J]. 张超. 南京航空航天大学学报(社会科学版). 2014(03)
[7]基于EMD技术的非平稳非线性时间序列预测[J]. 王德青,王斐斐,朱万闯. 系统工程. 2014(05)
[8]基于EMD与STSA混合方法的金融收益信息提取与预测[J]. 李祥飞,张再生,黄超,高杨. 系统工程. 2014(02)
[9]基于EMD方法的股票价格预测与实证研究[J]. 刘海飞,李心丹. 统计与决策. 2010(23)
[10]基于EMD和Elman网络的人民币汇率时间序列预测[J]. 谢赤,郑林林,孙柏,张在美. 湖南大学学报(自然科学版). 2009(06)
硕士论文
[1]基于支持向量机的股票价格预测及投资策略研究[D]. 徐茜茜.西北大学 2018
[2]基于经验模态分解方法的房地产价格重大影响因素及短期预测分析[D]. 李媛.东北财经大学 2017
[3]基于ARMA-GARCH模型族的上证指数收益率波动的实证分析[D]. 张东旭.清华大学 2016
本文编号：3546464
本文链接：https://www.wllwen.com/guanlilunwen/zhqtouz/3546464.html
