股指数据受到多重因素的影响,呈现出非线性、非平稳、高复杂度、高波动的特点,因此单一模型很难完整刻画其数据特征.本文提出了一个基于分解-重构-集成框架的股指收益率复合预测模型,利用变分模态分解(VMD)将原始的高复杂度股指时间序...股指数据受到多重因素的影响,呈现出非线性、非平稳、高复杂度、高波动的特点,因此单一模型很难完整刻画其数据特征.本文提出了一个基于分解-重构-集成框架的股指收益率复合预测模型,利用变分模态分解(VMD)将原始的高复杂度股指时间序列进行分解,以复合多尺度熵(CMSE)作为重构指标,将股指数据分量重构为长期趋势项、中期影响项、短期扰动项,根据其数据特征分别利用ARIMA、BPNN、LSTM模型进行预测,最后将各频率项预测进行集成得到最终预测结果.本文将提出的方法应用于八个重要行业股指预测,并与以Fine to Coarse(FTC)、样本熵(SE)、模糊熵(FE)、多尺度排列熵(MSPE)作为重构方法的模型进行比较.随后,本文提出了两种行业轮动策略——等权投资与动态权重投资,从保守和激进两种角度验证所提出模型在实际交易中的性能.实证结果表明了在股指预测中,以复合多尺度熵作为重构指标优于其余重构指标.相较于基准模型,本文提出的复合模型能获得较低的预测误差及较高的方向精度,并且我们提出的行业轮动策略在风险及收益方面表现优异.展开更多
文摘股指数据受到多重因素的影响,呈现出非线性、非平稳、高复杂度、高波动的特点,因此单一模型很难完整刻画其数据特征.本文提出了一个基于分解-重构-集成框架的股指收益率复合预测模型,利用变分模态分解(VMD)将原始的高复杂度股指时间序列进行分解,以复合多尺度熵(CMSE)作为重构指标,将股指数据分量重构为长期趋势项、中期影响项、短期扰动项,根据其数据特征分别利用ARIMA、BPNN、LSTM模型进行预测,最后将各频率项预测进行集成得到最终预测结果.本文将提出的方法应用于八个重要行业股指预测,并与以Fine to Coarse(FTC)、样本熵(SE)、模糊熵(FE)、多尺度排列熵(MSPE)作为重构方法的模型进行比较.随后,本文提出了两种行业轮动策略——等权投资与动态权重投资,从保守和激进两种角度验证所提出模型在实际交易中的性能.实证结果表明了在股指预测中,以复合多尺度熵作为重构指标优于其余重构指标.相较于基准模型,本文提出的复合模型能获得较低的预测误差及较高的方向精度,并且我们提出的行业轮动策略在风险及收益方面表现优异.
