金融时间序列建模

股票时间序列(xùliè)建模与预测上海交通大学安泰(āntài)经院金融系徐信喆共十一页理论框架(kuànɡjià)简介离散时间随机序列独立的(Independence)

–点与点之间独立相互(xiānghù)联系的(Context-dependence)

–马可夫时间序列(Markov-basedModels)连续时间随机序列线性组合(LinearCombination)

–类傅里叶变化(FourierTransformation)非线性分析(Un-linearedAnalysis) –随机微分方程(StochasticDifferentialEquation)

共十一页基于(jīyú)K线模糊序列比对的股市时间序列建模假设：股票价格的变化是由多空双方博弈所形成的结果，其中，K线图模式往往真实的反映了市场的行为和人们的心理活动；在漫长的演化与发展中，必定存在(cúnzài)反复出现的模式（recurrentpattern）。普遍认为，股票的走势是有规律的。目的：寻找K线图中反复出现的模式，用计量方法加以统计和归类，试图预测股价的拐点。方法：利用现代智能计算方法，使用非线性的建模方式，对股市K线走势加以模糊化变换、比对与分类，从统计意义上来寻找规律。输入变量：n天价格：开盘价、收盘价、最高价、最低价n天成交量：量比输出：后m天的价格的涨跌幅共十一页基于(jīyú)K线模糊序列比对的股市时间序列建模有关金融时间序列的计算机智能算法的相关文献基于非线性拟合方法：

其主要思想是将若干历史变量作为输入，然后输出一个预测结果，通过和实际结果进行比较来修正模型内部的参数从而达到训练的目的，最后达到近似最优解。具有代表性的模型有：人工神经网络（ANN）、模糊神经系统（FNN）等，以及在此基础上发展的一些更加复杂的模型，如：FCMAC-BYY（FuzzyCerebellarModelArticulationController–BayesianYingYang）等。基于规则的学习方法：

其主要思想是将历史信息转化为历史规则，然后对历史规则进行聚类、分类等学习，从而达到预测未来股价的目的。其主要方法有：支持向量机（SVM）、自组织映射（SOM）、K均值（K-Means）等。近10年发展起来的模糊时间序列理论。最早提出将模糊逻辑理论应用于时间序列预测的是Song和Chissom，随后Chen简化了Song和Chissom的模型中的最大-最小运算，并且提高了预测精度，其预测的对象都是阿拉巴马州大学的招生情况（Enrollment）。随后，出现了大量的将模糊逻辑应用于金融时间序列的研究工作。基于进化、选择的搜索方法：

其主要思想是模拟达尔文生物进化论的自然选择(zìránxuǎnzé)和遗传学机理的生物进化过程来解决非线性函数优化和组合优化问题。主要方法有：遗传算法（GA）、进化算法（EA）等。共十一页基于K线模糊序列比对的股市(ɡǔshì)时间序列建模模式使用的主要方法：模糊(móhu)逻辑（FL）–构建论域、模糊(móhu)集合、隶属度函数、模糊(móhu)化、去模糊(móhu)化过程序列比对(SA)–局部法（找到局部最优解）聚类分析(CL)–K-临近、自组织映射、模糊聚类等等共十一页基于K线模糊序列比对的股市(ɡǔshì)时间序列建模股市短期走势分析与预测1–正向查询输入某个股票的时间序列xi={xi0,xi1,…,xit}使用(shǐyòng)模糊逻辑将它转化为K线模糊时间序列xi’={xi0’,xi1’,…,xit’}使用模糊逻辑将历史上所有的股票序列都转化为K线模糊时间序列集X={x1’,x2’,…,xn’}比对2和X中的所有序列，从3中找到与2相似形态的K线模糊时间序列集A对A的今后趋势作统计，预测xi今后的趋势。共十一页股市短期(duǎnqī)走势分析与预测1–正向查询模糊逻辑（FL）输入序列比对（SA）模糊时间序列历史相似形态集查询预测历史数据库基于K线模糊序列(xùliè)比对的股市时间序列(xùliè)建模共十一页基于K线模糊(móhu)序列比对的股市时间序列建模股市短期走势分析与预测2–反向搜索利用经验式的规则来启发式地选取具有震荡行情与趋势行情中的转折点（拐点）的K线子序列，试图帮助投资者进行股市行情的拐点判断。选取具有牛势K线子序列的方法为：搜索历史股指，寻找前10天的累积(lěijī)涨幅不超过p%，而后十天的累积(lěijī)涨幅超过q%的所有子序列。(可将p设置为10%，q设置为35%，对沪深1602只股票自1990年上市以来所有历史数据进行搜索，共找到了15038条具有牛势形态的K线子序列）使用反向搜索，来统计这些牛势形态序列在历史上出现相似形态的次数，并统计相似形态的之后趋势，将涨跌幅统计不显著的序列剔除，得到具有统计显著意义的牛熊势形态数据库通过比对该数据库来寻找现有股票走势中，形态相似的股票，从而帮助投资者选股。共十一页模型(móxíng)测试准确性测试以07年之前的数据作为训练样本，以07年之后的数据作为测试样本测试预测涨跌幅与实际涨跌幅之间的距离截取一个阈值作为买入（卖出）信号，测试将该模型转化为自动交易软件后，与买入-持有下的情况进行比较基于3的工作，分析个股股价的行为模式，通过Β系统来对个股进行参数的修正其他实用性测试运行(yùnxíng)时间测试共十一页谢谢(xièxie)！共十一页内容(nèiróng)总结股票时间序列建模与预测。在漫长(màncháng)的演化与发展中，必定存在反