基于多重分形分析法与模糊神经网络的金融时序预测技术研究

发布时间：2021-08-01 15:49

　　针对金融时间序列的预测问题,提出了一种结合机器学习方法与统计学方法的综合预测评判模型。该模型通过使用多重分形消除波动趋势分析法（MF-DFA）,分析目标金融时序的多重分型性与记忆性,计算目标时序的Hurst指数,并在Hurst指数的指导下,采用自适应模糊推理神经网络对目标金融时序的趋势进行短期预测。使用上证指数、恒生指数、铜期货与黄金期货这四个具有代表性的金融时序验证了该模型。结果证实,该模型相较于单纯的专家系统或机器学习模型,能更好地对金融时序进行建模与短期趋势预测,并对预测结果给出合理解释。 

【文章来源】：江苏理工学院学报. 2020,26(02)

【文章页数】：6 页

【部分图文】：

试验流程

在Python环境中构建MF-DFA滤波计算Hurst指数，将四种一维金融时序数据输入MF-DFA模型，得到的Hurst指数如图2所示。分析图2中四种金融时序的Hurst指数序列可以得出，四种时间序列的Hurst指数均值均高于0.5，说明这四种不同的混沌动力学系统都具有一定程度的记忆性，即都具有可预测性。其中，黄金期货（GCG）与铜期货（HGH）的Hurst指数最低值下探到了0.42左右，均没有低于0.4；恒生指数与上证指数的Hurst指数波动均没有低于0.5。分别分析四种金融时序的波动最低值，可以得出相较于铜期货与黄金期货，恒生指数与上证指数的Hurst指数波动值较高，即两种指数时序的记忆性要高于两种期货时序。通过本阶段的试验可以得出以下结论。

从分形市场假说的角度出发，提出了一种结合MF-DFA分析法与ANFIS神经网络的综合预测评判模型，并使用上证指数、恒生指数、黄金期货与铜期货这四种具有代表性的金融时序，验证了该模型的有效性。在模型中首先通过计算并分析四种金融时序的广义Hurst指数，证实了这四种金融时序都具有不同程度上的记忆性特征，再分别对四种金融时序进行预测仿真。在仿真试验中，预测结果显示改进的ANFIS表现突出，最好预测精度在94.6%左右，同时，预测仿真的结果也体现出由不同时序所拥有的记忆性差异而导致的预测精度差异，即记忆性较高的两种指数类金融时序（恒生指数、上证指数）的预测评判指标显著优于记忆性较低的两种期货类金融时序（铜期货、黄金期货）。

【参考文献】：
期刊论文
[1]基于Bagging-SVM的股票趋势预测技术[J]. 陈亚男,薛雷.  电子测量技术. 2019(14)
[2]基于树结构长短期记忆神经网络的金融时间序列预测[J]. 姚小强,侯志森.  计算机应用. 2018(11)
[3]改进的ANFIS在房产评估中的应用[J]. 史东辉.  计算机工程与应用. 2014(12)



本文编号：3315803