基于融合估计的金融数据预测.pdfVIP

2013年2月 吉林师范大学学报(自然科学版) No．1 第 1期 JournalofJilinNormalUniversity(NaturalScienceEdition) Feb．2013 基于融合估计的金融数据预测 盛丹妹，王德辉 ，刘书丽 (吉林大学数学学院，吉林 长春 130012) 摘 要：本文提出了一个基于最小二乘预测和Kalman滤波预测的融合估计方法，并讨论了其性质．通过模拟 和实例分析，验证了方法的可行性和优越性 ． 关键词：融合估计；状诚空间模型；Kalman滤波 中图分类号：0211．61 文献标识码 ：A 文章编号：1674．3873一(2013)01-0038-04 O 引言 文献 指出 “时间序列分析在理论和经验方面都已成为金融市场研究不可分割的组成部分”．金融时 间序列变化的分析对于制定精确的定价和预测决策至关重要，因此金融时间序列的研究就尤为重要．20 世纪6O年代现代控制论的创始人之一Kalman提出了状态空间方法．其核心思想有三点：(1)状态变量概 念的引入；(2)建立描述状态变化的模型，即状态方程；(3)给出对状态进行观测的观i贝0方程．状态空间方 法是现代时间序列分析中一个重要的研究领域，这个研究领域的应用北京十分深刻．近几十年对于状态空 间模型出现了很多概率统计分析的结果，可参阅文献 ．3J．虽然对状态空间模型已有大量的研究，但是把 平稳线性最小二乘预测和Kalman滤波预测融合在一起还未见于文献． 大量实证研究表明，不同的股票价格之间具有明显的序列相关性．在金融市场中，不同交易 日股市交 易的活跃程度不同，但道琼斯指数的波动时刻影响着恒生指数．两列相依性很强的随机数据处理的一个重 要课题是按照某种最优准则建立起描述两组数据的模型．这就是所谓的最优估计问题．本文通过对道琼斯 指数和恒生指数数据的分析建立起描述二者相依关系的状态空间模型，而且把道琼斯指数看成状态空间 模型中的观测变量Y(t)，把恒生指数看成状态空间模型中的状态变量 (t)，并且取定道琼斯指数数据比 待估恒生指数提前一个时刻，即问题转化为在已知状态 (t=1，2，…，)和观测Y(t=1，2，…，+1)的情 况下求状态变量 (+1)的融合估计． 1 融合估计方法及其性质 本文主要研究两列相依性很强的数据 (t=1，2，…，)和Y(t=1，2，…，+1)之间的高度相关性，例 如，两个股票市场的指数：香港恒生指数 (或上证指数等)和美国道琼斯指数 ．我们所考虑的问题是怎样 利用观察的数据来预测 (+1)． 首先引入一经典模型 Ix(t+1)=4)(t)+Bu(t)+Fw()， ，，、 Y【()=Hx()+ ()， 其中t为离散时间，状态 (t)∈蕊 ，观测Y(t)∈匠 ，控制输入 “(t)∈羹 ，输入噪声w(t)∈显 ，观测 噪声 (t)∈爱 ，状态转移阵 是n×n的，观测阵 日是m×n的，控制转移阵B是 2／×p的，输入噪声转移 阵厂是2／×r的．第一个方程为状态方程，第二个方程为观测方程 ．当 “(t)=0时，则模型(1)简化为状态 空间模型 收稿 日期：2012—11 基金项 目：国家 自然科学基金项 目(J1030101 第一作者简介：盛丹姝(1992一)，女，吉林省农安县人，现为吉林大学数学学院硕士研究生．研究方向：数理统计 通讯作者：王德辉(1969．)，男，吉林省农安县人，教授 ，博士．研究方向：时间序列分析． · 38 · Y【(￡)：Hx()+(f≯)．。 对模型(1)作如下假设： 假设 1：W(t)和 (t)是零均值、方差各为Q和R的不相关白噪声； 假设 2：初始状态x(o)与W(t)和 (t)不相关； 假设3：M(t)是已知的确定性非随机控制量 ． 针对模型(1)在假设 l一3下应用射影方法和消息方法可导出Kalman滤波方程组 露(t+1ft+1)=霓(t+1