基于的小波分析报告报告材料地金融时间序列预测.doc

实用标准文案 精彩文档 基于小波分析的金融时间序列预测 北京邮电大学 陶淼冰、唐子林、白杨 目录 TOC \o 1-3 \h \z \u HYPERLINK \l _Toc297211227摘要 PAGEREF _Toc297211227 \h 1 HYPERLINK \l _Toc2972112281 问题的提出 PAGEREF _Toc297211228 \h 2 HYPERLINK \l _Toc2972112292 传统方法及改进的方法 PAGEREF _Toc297211229 \h 2 HYPERLINK \l _Toc2972112303 模型构造前的准备 PAGEREF _Toc297211230 \h 3 HYPERLINK \l _Toc2972112313.1数据的来源 PAGEREF _Toc297211231 \h 3 HYPERLINK \l _Toc2972112323.2 对数据的处理 PAGEREF _Toc297211232 \h 3 HYPERLINK \l _Toc2972112333.2.1 标准化处理 PAGEREF _Toc297211233 \h 4 HYPERLINK \l _Toc2972112343.2.2 收益率的定义 PAGEREF _Toc297211234 \h 4 HYPERLINK \l _Toc2972112354 模型的建立（WBPAR模型） PAGEREF _Toc297211235 \h 4 HYPERLINK \l _Toc2972112364.1 建模思路 PAGEREF _Toc297211236 \h 4 HYPERLINK \l _Toc2972112374.2 对原始数据进行小波分解 PAGEREF _Toc297211237 \h 6 HYPERLINK \l _Toc2972112384.2.1 小波分析的基本理论 PAGEREF _Toc297211238 \h 6 HYPERLINK \l _Toc2972112394.2.2 小波分解 PAGEREF _Toc297211239 \h 9 HYPERLINK \l _Toc2972112404.3 时间子序列的预测 PAGEREF _Toc297211240 \h 13 HYPERLINK \l _Toc2972112414.3.1 小波空间变换序列的预测 PAGEREF _Toc297211241 \h 13 HYPERLINK \l _Toc2972112424.3.2 尺度空间变换序列的预测 PAGEREF _Toc297211242 \h 14 HYPERLINK \l _Toc2972112434.4 预测数据的重构及检验 PAGEREF _Toc297211243 \h 16 HYPERLINK \l _Toc2972112445 模型评价及改进方向 PAGEREF _Toc297211244 \h 19 HYPERLINK \l _Toc2972112455.1 优点： PAGEREF _Toc297211245 \h 20 HYPERLINK \l _Toc2972112465.2 缺点及改进方向： PAGEREF _Toc297211246 \h 20 HYPERLINK \l _Toc297211247参考文献 PAGEREF _Toc297211247 \h 21 精彩文档 摘要 本文以金融时间序列为研究对象，将小波分析应用于时间序列预测，并以美国SP500指数进行实证分析。首先，利用小波分析的时频分解特性，将时间序列分解到不同频率空间，得到具有不同稳定特性的空间映射。再分别利用神经网络自适应能力对时间序列的非线性分量进行模拟预测，与适用于平稳序列的自回归模型处理平稳分量的分析预测。具体来说，由Haar小波对序列进行分解得到了序列在各级小波空间与各级尺度空间的分量。其中，对于高频段的小波空间利用神经网络进行训练并对训练的系统进行预测；而在低频平稳的尺度空间先利用单位跟检验对数据的平稳性进行检验，由相关分析可以得到序列在尺度空间的分量具有很显著的平稳性，对回归分析的可行性提供了保证，然后利用Arma自回归模型对序列的尺度空间分量进行回归分析并利用已有数据对收益率进行预测。再将二者加以结合来对时间序列进行重构得到了收益率整体的发展趋势。最后将这种混合策略的预测结果与单个方法的预测结果与实际数据进行对比，从作出的曲线图可以看到混合策略较之单个预测方法有明显改善，即与实际数据更加符合。但从最终结果的分析，得到了该方法的缺陷，如小波空间中神经网络分析对于可能出现的突发事件无法做出及时反应以致可能产生预测