基于最优小波包变换ARIMA与SVR股票价格预测研究.docVIP

基于最优小波包变换ARIMA与SVR股票价格预测研究 　　摘 要： 　　股票价格序列的变化往往具有高度的非平稳性和异方差性，使得单一的预测方法难以准确预测。利用最优小波包变换，将股票价格序列分解为一系列特征规律较明显的小波包系数，对其中的趋势部分采用ARIMA进行预测，对细节部分采用SVR进行预测，最后将预测结果进行重构得到股价预测序列。实证研究结果表明：该预测方法结构明确，计算高效，能够以较高的精度对股价变化进行预测。 　　关键词： 　　最优小波包变换； ARIMA； SVR；股票价格；预测 　　文章编号：2095-5960（2015）06-0057-13；中图分类号：F830.91；文献标识码：A 　　一、引言 　　股票价格序列的变化由于受到整个外在经济环境、政策法规和公司经营状况和其他不可预知因素的影响，往往具有高度的非平稳性和异方差性，这使得股票价格序列这种复杂的金融时间序列难以通过一些直观的方法进行预测。在这种情况下，学术界尝试使用各种非线性的技术来对股票价格序列进行建模。目前用来预测股票价格的方法主要有ARMA、ARIMA、GARCH等时间序列回归方法[1] [2] [3]和人工神经网络、支持向量机等智能算法[4] [5] [6]。但是对于股票价格这种复杂的金融时间序列简单地采用一种方法来预测很难得到满意的结果，究其原因主要是股价序列波动过于剧烈，趋势性不够明显。 　　针对这个问题，一些文献中提出使用混合模型来进行股价预测，比如使用ARIMA和RBF神经网络[7]、ARIMA和SVM相结合[8]。但这些方法只是对预测方法进行改进，并没有对数据本身进行处理，依然没有解决股价序列的高度非线性问题。有的文献提出使用小波变换对股价序列先进行分解，然后再使用各种方法进行预测[9] [10] [11]，小波分析有数学显微镜之称，它对于复杂信号的分解非常有效，这些研究提高了对于股价预测的精度，但是在进行小波变换时仅对趋势部分进行了分解，对由此产生的细节部分则没有有效的分析。有的文献提出使用小波包基对股价序列趋势和细节部分同时进行分解[12]，然而与不同的股价序列特性对应的小波包基并不一样，而且分解细节部分过多使得在分解层数高时计算量非常大且会降级预测精度。因此本文提出了一种基于最优小波包变换、ARIMA和SVR的预测方法，该方法首先对股价序列进行多层分解，其次使用信息熵代价函数寻找到对应于股价序列的最优小波包基，再次对分解得到的趋势系数使用ARIMA进行回归预测，对细节系数进行白噪声检验，通过检验的细节系数使用SVR进行回归预测，最后将预测得到的各部分系数通过小波包重构合成最终的预测结果。 　　二、基于最优小波包变换、ARIMA与SVR的股票价格预测模型 　　股票价格由于受到政治经济社会心理等各方面因素的影响，往往具有高度的非平稳性和异方差性，直接使用上述各种预测方法往往效果很差，特别是容易产生“平移现象”（由于股价波动太剧烈，使得预测模型对某时点的预测仅仅是单纯复制上个时点的观察值，从图形上看起来就像序列滞后一期平移一样）和“放弃预测”（同样由于股价波动的高度非平稳性和异方差性，使得某些单一方法“跟不上”股价的变动，从而使得这些方法的预测值往往在一个值附近小幅波动，看起来就好像没有预测一样，如图1所示），因此需要对股价时序进行特征提取。使用差分的方法是一种趋势提取的选择，但是股价的变动含有许多无法预测的白噪声，并且波动非常频繁，使得直接使用差分的方法效果并不好，因此需要对股价时间序列进行预处理，提取股价线性特征和非线性特征，分别对线性特征和非线性特征采用最合适的预测方法。 　　本文首先使用最优小波包变换，将股价序列分解成一个低频趋势部分和若干个高频细节部分。由于信息熵代价函数的引入，使得最优小波包变换相比于小波包变换方法分解出的各部分在信息熵意义下包含最多的有效信息，能够提升预测的精度。其中趋势部分体现了股价的整体变动趋势，由于将低频部分和高频部分进行分解，使得低频趋势部分不再具有高度的波动性，在这种情况下考虑使用ARIMA这种成熟的时间序列预测方法对低频趋势部分进行预测，可得到股价变动总体变动方向。高频细节部分由于受到各方面短期影响因素的影响，其中一部分由于高度的波动性和异方差性，分解后仍然无法从中提取有效的预测信息，因此考虑将其剔除。在本文中使用LBQ随机白噪声检验进行筛选，对没有通过LBQ检验而被认定为白噪声的细节系数剔除出预测范围，剩下的高频细节系数集直接使用传统的时间序列分析方法效果很差，因此考虑使用能够有效处理高度非线性和小样本容量特性问题的统计学习方法来进行高频细节部分的预测。在本文中使用支持向量回归机（Support Vector Mechine for Regression，下称SVR