小波神经网络预测股票价格.ppt

时间序列研究的发展历史 1927年,英国统计学家G.U.Yule提出自回归(AR)模型 英国数学家、天文学家G.T.Walker在分析印度大气规律时使用了移动平均(MA)模型和自回归移动平均(ARMA)模型 1970年,美国统计学家Box和英国统计学家系统地阐述了对差分自回归移动平均ARIMA模型的识别、估计、检验及预测的原理及方法。 随着人们对各个领域时间序列的深入研究,发现经典模型在理论和应用上都还存在着许多局限性。 近20年来,统计学家纷纷转向适用于多变量、异方差和非线性的时间序列分析方法的研究,并取得了突破性的进展。 在异方差方面,美国统计学家，计量经济学家RobertEngle在1982年提出了自回归条件异方(ARCH) 1987年,英国统计学家!计量经济学家C.Granger提出了协整理论,进一步为多变量时间序列建模松绑，有了协整的概念之后,在多变量时间序列建模过程中,变量是平稳的不再是必须条件了,而只要求它们的某种线性组合平稳，协整观念的提出极大地促进了多变量时间序列分析方法的发展。 小波神经网络 目前,小波分析和神经网络的结合主要有松散型结合和紧凑型结合两种 松散型结合：把小波分析作为神经网络的前置处理手段,为神经网络提供输入特征向量。 紧凑型结合：把小波分析和神经网络直接融合,用小波函数或尺度函数直接作为神经元的激励函数。 神经网络 LOGO * * 基于神经网络和小波变换 的股票时间序列预测 制作：南南宝贝 Contents Page 目录页 * 第一章时间序列分析方法 第二章 数据挖掘 第三章 小波神经网络 金融时间序列 金融市场是一个受多种因素影响的、庞大的系统，具有非常复杂的运动规律,要深刻理解其内在结构是一件非常艰难的事情。仅仅从定性的角度进行分析很难达到深刻理解的目标。 金融时间序列数据作为金融市场综合的外在表现形式,“本质决定现象,现象反映本质”,因此金融时间序列中必定蕴含了金融系统的许多客观规律信息从中寻找出各种信息,更好地认识、掌握、并利用其规律无疑对金融投融资预测、决策与风险管理活动具有特别重要的意义。 金融时间序列是经济与金融领域中最重要的数据,包括债券、汇率、股票价格和金融期货价格等等,对这类数据进行分析、预测是整个经济和金融活动的重要工作。 第二章 传统的金融时间序列分析方法 3E原则 技术分析 基本分析 模型法 技术分析则通过对历史数据进行一些简单的计算,得到相关的 技术指标和图表,从而判断序列未来的变化趋势 模型法是目前对时间序列进行深层次分析和刻画的主要方法,一些经典的时间序列分析模型如ARMA，ARCH和 GARCH等已被广泛应用于自然和社会科学领域。 基本分析主要通过对影响证券市场供求关系的基本因素进行分析,从而判断股票价格的走势。 数据挖掘 数据挖掘 数据挖掘作为近年来飞速发展的一种重要的人工智能技术,广泛应用到了各个科学领域,其方法包括神经网络、支持向量机、模糊理论等。 数据挖掘是指寻找隐藏在数据中的信息(如趋势、特征及相关性)的过程,也就是从数据中发掘信息和知识。 它是一门涉及面很广的交叉学科,包括机器学习!数理统计!神经网络、数据库、模式识别、粗糙集、模糊数学等相关技术。 数据挖掘有非常广泛的应用。如: 针对生物医学和DNA数据分析的数据挖掘; 零售业的数据挖掘; 电信业的数据挖掘等 步骤二 岗位价值评估 评价果公开 模型法和数据挖掘法的比较 模型法 数据挖掘 1.有坚实的数学理论基础 2.建立在演绎推理基础上,具有较严密的逻辑性 3.一般以数学方程形式出现,能给出精确结果 4.研究较为深入,已得到广泛认可 1.只能刻画系统的整体特征和规律 2.模型构建需要很强的技巧性 3.对假设条件依赖性强,实际情况有时很难满足 优点 缺点 1.能发现反映系统局部特征和规律的模型 2.能发现新的知识常常可撇开一些苛刻的假设条件 3.比较容易获得很多规则,反映系统多方面的特征,并能及时更新 4.一般用户容易使用,可自助地寻找所需模型 1.规则的筛选比较困难,经验起着举足轻重的作用 2.建立在归纳推理基础上,逻辑性不强,得出的规则需验证 3.模型难以用数学方程表达,可理解性不强 4.模型具有时效性,需要动态更新 5.正处于研究探索阶段,普及认识还需假以时日 小波理论以及应用 1988年,Mallat提出多分辩分析的概念,使小波具有带通滤波的特性,因此可利用小波分解和重构的方法滤波降噪; 1992年Mallat又提出奇异性检测的理论,证明了信号和噪声在不同尺度上具有不同的统计特征,从而可利用其实现信噪分离 后来,Donoh等提出非线性小波变换闭值法去噪,并得到广泛的应用。 小波分析以