基于EMDGARCH的余额宝收益率预测研究.pdfVIP

口 白 洁1林礼连2 (1．东南大学 经济管理学院，江苏 南京211100；2．江西财经大学信息管理学院，江西 南昌 330032) [摘要]研究了余额宝收益率的主要影响因素并对其进行了预测。首先用EMD方法将余额宝收益率原始数据分解重 组，再分别建立预测模型。结果表明：(1)余额宝收益率是由国内市场资金面决定的长期趋势、金融行业重大事件带来 的低频振动，以及正常市场波动导致的高频振动三方面构成的；(2)EMD—GARCH预测效果比GARCH模型好。 [关键词]EMD—GARCH模型；余额宝；余额宝收益率预测 [中图分类号]聃30．95[文献标识码]A[文章编号]1003-1154(2014)06-0117-03 2013匀z夏天，阿里巴巴联合天弘基金借助支付 m，-【e～(￡)+e～(￡)l／2 (1) 宝平台推出了余额宝。截至2014年4月底，用户已超 2．将时间序列菇(t)减去m，可得到一个去掉低频 过8100万，累计申购的货币基金则超过5000亿元，成 的新数据序列^．，即 为我国规模最大的货币基金…。余额宝以较高的收益 h，≈(￡)-m， (2) 率在悄悄地影响着利率市场化的进程，受到了各领 3．验证h，是否满足IMF条件，即是否为一个平稳 域学者和专家们的广泛讨论。研究余额宝收益率的 影响因素，并对它进行准确的预测，有利于各个市场 序列。若是，则令c产^，；若不是，则作h，的上下包络线， 参与方做出正确的行动决策。 按式(1)求得其平均值，记为 Mode ，n，，，计算：，I，，=^，一m，， (3) 经验模态分解(EmpiricalDecomposition， 4．验证^，，是否满足IMF条件，若是则令c，-，l，，，否 EMD)是Huang等21提出的一种全新的多分辨率信号 分析方法，通过对非平稳信号处理，将信号逐级分解为 具有不同特征尺度的本征模函数(IMF)，从而更准确地 h，。即为信号戈(f)的第一个IMF分量，也是频率最高的 反映信号原有的特性。2003年，Huang等[31首次将该方法 分量，记为IMF，。 引入到金融时间序列的分析中。李祥飞等14l运用EMD对 5．用z(￡)减去c，得到一个去掉高频成分的新数据 不同种类的金融时间序列进行信号分解，发现分解后 的数据预测精准度更高。对于金融时间序列的预测， 个本征模函数分量r’如此重复直到最后一个数据序 GARCH模型是针对金融数据量体订做的回归模型， 列rn不能被分解(极值点个数小于2个)。此时，rn代表 特别适用于短期预测滔J。本文通过构建EMD—GARCH 模型对余额宝收益率进行更加准确的预测。 一c，，r2=r广c2，……，rn：rn_l--C。，由上式得 一、模型介绍 二 x(t)=艺ci+rn (4) 12， (一)经验模态分解 EMD方法能把非线性、非平稳信号分解成一组滑曲线，代表宏观趋势项。 稳定的和线性的数据序列集，即本征模函数(IMF)， (二)GARCH-预测 其算法如下。 1．找出时间序列并(t)的所有极大值点和极小值宝收益率进行预测，因为其形式简单且应用非常广 点，用三次样条函数分别插值拟合出原始数据序