5.1 EMD方法介绍及实证分析.pdfVIP

EMD 方法介绍及实证分析 目录 1.总体经验模式分解方法介绍 1 1.1 EMD 方法的引入 1 1.2 EMD 的基本理论和方法2 1.3 EEMD3 2.实证分析4 2.1 汇率算例分析4 2.2 基于EMD 和GARCH 模型的股价预测分析 10 2.2.1 研究对象与数据选取 10 2.2.2 EMD 分解及分析 10 2.2.3 自回归模型的拟合和预测 15 2.2.4 GARCH 模型的拟合和预测 18 2.2.5 预测数据重组 23 参考文献 24 1.总体经验模式分解方法介绍 1.1 EMD 方法的引入 近年来，小波变换（Wavelet Transformation , WT）理论在股票市场系统 变量的多时间尺度分析与建模中取得了丰富的成果。小波变换在时域和频域都 具有良好的多分辨率分析能力，被誉为数学显微镜。但小波变换实质上是一种 窗口可调的傅立叶变换，其小波窗内的信号必须是平稳的，因而没有从根本上 摆脱傅立叶分析的局限，小波变换虽然能够在频域和时域内同时得到较高的分 辨率，但仍然存在一定的限制，这种限制通常会造成很多虚假的谐波，且小波 基函数的选择对小波分解结果有显著的影响。针对小波变换的不足，1998 年， 1 Huang 等人提出来一种全新的多分辨率信号分析方法——经验模态分解 （Empirical Mode Decomposition , EMD）。EMD 是基于信号局部特征时间尺 度，从原信号中提取本征模态函数（Intrinsic Mode Function , IMF）。在 线性框架下基于 EMD 得到的 Hilbert 谱与小波谱具有相同的表现特性，而 Hilbert 谱在频域和时域内的分辨率都远高于小波谱，依此得到的分析结果可 以更准确地反映系统原有的物理特性。由于 EMD 方法比小波变换有更强的局部 表现力，所以在处理非线性、非平稳信号时，EMD 方法是一种更有效的方法， 而金融时间序列（如股价、股价指数、收益率等）就是一类典型的非线性、非 平稳时间序列。 1.2 EMD 的基本理论和方法 EMD 最突出的特征是不仅适用于线性和稳定的数据序列，还可以自适应地 分解非平稳非线性序列。EMD 方法中的本征模态函数（IMF） 要满足两个条件： （1）整个序列的极值点个数与过零点个数必须相等或最多相差一个； （2）在 任意时间点上，由局部极大值点形成的上包络线和局部极小值点形成的下包络 线的平均值始终为零。EMD 分解基于如下前提：（1）被分解的信号至少有两个 极值点：一个极大值点和一个极小值点；（2）局部特征时间尺度定义为信号中 两临近极大值点或极小值点的时间间隔；（3）若信号中没有极值点，但包含一 些拐点，可以先对信号进行若干次微分，使极值点显露出来，最后对分解得到 的分量进行积分得到最后结果。 EMD 是一种循环迭代算法，其分解过程主要包括以下四步。 步骤 1：确定时间序列 x(t)的局部极值点，用三次样条函数将所有的极大 值点或极小值点连接起来形成上、下包络线，形成平均包络线序列m1 (t) ，即： m1 t = emin t + emax t /2 （1） 步骤 2：将时间序列x(t)减去平局包络线m1 (t) ，得到一个除去低频的新数 据序列：h1 (t) ，即 h1 t = x t −m1 (t) （2） 步骤 3：检测h1 (t) 的特征：如果h1 (t)不满足 IMF 的两个条件，则把h1 (t)作 为待处理时间序列，重复上述操作；如果h1 (t)满足 IMF 的两个条件，则把h1 (t) 视为第1 个IMF，即c1 t = h1 (t) 。 步骤 4：将剩余时间序列r1 (t)作为新的原始时间序列重复以上步