基于日涨跌率推动的股指序列建模和实证分析

为了更好地拟合原始股指序列,以信息流的驱使推进股指序列,在以交易时间或日历时间为推进进程的原始股指序列的基础上,重新构造基于日涨跌率的新的序列,并通过对其进行误差自回归分析来建立AR-GARCH模型。实证分析表明,相对于原始股指序列,用新序列预测的误差明显缩小,因此通过日涨跌率这一信息流维度变化思想重构股指序列的方法是可行、有效的。

基于标度理论的股指时间序列相似性分析

股指时间序列的相似性分析是当前金融学研究的热点之一。为了提高股指时间序列相似性分析的准确度,从标度不变性、多重分形及波动聚集性三个层面定义了标度理论的度量指标,并基于此对股指序列进行表示。将分割后的每一序列子区间看作时间点,则分割、表示后的不同股指序列构成一个多指标的面板数据。基于面板数据特征及指标相对重要性,提出了一种新型的多指标面板数据相似性度量函数——复合距离函数,用以度量股指时间序列的相似性。聚类结果表明,相较于其他两种方法,基于标度理论和复合距离函数的相似性度量方法能够显著提高相似性度量的准确度,同时具有较强的稳健性。

股指时间序列的分形分析及预测

以沪深300指数作为股指时间序列的研究对象,首先运用分形插值法对股指序列的运行规律及波动特征进行分析和预测,并使用分形维数与Hurst指数定量刻画股指序列的波动复杂性及长程相关性。然后运用MF-DFA以及多重分形谱分析法,对股指序列的收益率作进一步的分析,结果表明,股指收益率序列具有多重分形性,并呈现出状态持续性或反持续性等特征。

沪深两市股指时间序列突变点贝叶斯检测模型研究

股指时间序列突变点的检测是股指波动规律研究领域中的一个重要问题。依据贝叶斯原理提出的突变点检测分析模型,用Matlab工具软件对该模型进行了仿真,并且在实证分析中应用该模型分别对上证综合指数和深证成份指数月度时间序列数据进行了突变点检测分析,准确地确定了两市的突变点,和相应的后验概率分布,并解释了突变点形成的经济和政策背景。

股指时间序列的低维分形表示及相似性研究

针对复杂波动股指时间序列分形表示以及相似性问题,建立了以复杂波动趋势特征为基础的低维分形表示方式,提出了一种基于低维分形表示的相似性度量方法.定义了一种基于维数简约的趋势特征提取技术,以满足低维分形表示方式对波动趋势特征的需要.在此基础上,构造出一种综合考虑复杂波动趋势特性的相似性度量方法用以划分不同类别的股指时间序列.采用多组真实数据进行计算实验,并与其他三种相似性度量方法进行相比,实验结果表明本文方法优于对比方法.

股指时间序列的分形插值模型与R/S分析

运用分形插值模型和R/S分析法研究股指时间序列的变化规律和结构特征,通过建立分形插值模型刻画上证综合指数在一定时间内的变化规律,并预测其在短期内的指数走势。使用R/S分析法和Hurst指数,分析了上证综指的结构特征,指出市场具有状态持续性和分形分布等统计特征。

基于合作对策的股指时间序列智能组合预测研究

针对我国股市呈现出非线性、大幅度、频繁波动的特征,提出一种基于合作对策的股指时间序列智能组合预测方法,利用改进GRACH方法从时间关联性的角度辨识股指时间序列;同时利用神经网络方法从多种经济指标之间的相关性出发,建立股指时间序列预测模型,同时引入合作对策方法,对两种预测方法进行组合。实证分析结果表明,采用本算法能够有效地将预测精度控制在2.68%以内,同时在RMSE、MAPE和F三项指标上,较单一模型有极大提升。

基于合作对策的股指时间序列组合预测

针对我国股市呈现出非线性,大幅度、频繁波动的特征,提出一种股指时间序列智能组合预测方法。从多种经济指标之间的相关性出发利用神经网络方法,建立股指时间序列预测模型;同时从时间关联性的角度出发,利用改进ARIMA方法,建立辨识股指时间序列发展趋势和规律,通过引入合作对策方法,对两种预测方法进行组合。仿真结果表明,采用此算法能够有效的将预测精度控制在6.6%以内,与单一模型在RMSE、MAPE和F三项指标比较具有较大优势。

基于改进的分形插值与SVM的股指预测模型

为了更好地分析和预测股指时间序列的短期变化趋势,提出了一种确定分形插值自由参数的新方法,由此建立了一个改进的分形插值模型,并将该模型与支持向量机模型相结合构造混合预测模型.经R/S分析可知上海证券综合指数的日收盘数据具有长程相关性,于是将混合预测模型用于分析和预测上海证券综合指数时间序列,发现混合预测模型较其他方法具有更好的拟合效果,且在短期预测方面有更高的预测精度.

基于分形插值与机器学习模型的股指分析和预测

股票市场预测一直是金融市场分析中的热点和难点,一些传统的预测模型很难对股票市场做出有效的预测;针对这一问题,将分形插值方法与机器学习算法相结合,提出了分形插值与SVM以及分形插值与BP神经网络两种混合模型;所提的混合模型利用机器学习算法首先计算出分形插值所需要的插值点,然后建立分形插值外推模型对所需其他值进行预测;实证结果发现两个混合模型的预测效果均比单独使用分形插值模型预测效果更佳,预测精度更高;因此分形插值方法与机器学习算法相结合所得到的混合模型,能较好地预测诸如股票市场指数等非平稳金融时间序列。

一种基于趋势分形维数的股指时间序列相似性分析方法

为了提高股指时间序列相似性分析的准确性,提出趋势分形维数的概念,并基于此定义了相似性分析方法.趋势分形维数包含阳线维和阴线维.能更好地反映市场跌涨变化趋势.基于该维数的相似性度量方法能够提高相似性度量的准确性.通过与其他两种相似性度量方法对比.进一步说明该方法的优越性.

基于分位图方法的股票市场分析

复杂网络已被广泛应用于探究复杂系统的规律.文章使用分位图方法,分别将中国市场的上证指数、深证成指、中国香港恒生指数和美国市场的纳斯达克指数、道琼斯工业指数和标准普尔指数六支股指日收盘价序列映射到复杂网络,对股指分位图的特性进行分析,探究这两个的股票市场网络结构的变化.结果表明,首先同一市场的股指序列分位图网络特性较为接近,而不同市场之间的差别较大;其次,中国的上证指数和深证成指具有长程相关性,中国香港恒生指数较为随机,而美国市场的三支股指序列偏反长程相关;最后,两个市场的分位图网络存在不同的社团结构.该方法从宏观的角度揭示不同地区股票市场的性质和潜在动力学行为,并且可以为股指趋势预测提供丰富的信息.