金融時(shí)間序列建模

股票時(shí)間序列(xùliè)建模與預(yù)測(cè)上海交通大學(xué)安泰(āntài)經(jīng)院金融系徐信喆共十一頁(yè)理論框架(kuànɡjià)簡(jiǎn)介離散時(shí)間隨機(jī)序列獨(dú)立的(Independence)

–點(diǎn)與點(diǎn)之間獨(dú)立相互(xiānghù)聯(lián)系的(Context-dependence)

–馬可夫時(shí)間序列(Markov-basedModels)連續(xù)時(shí)間隨機(jī)序列線性組合(LinearCombination)

–類傅里葉變化(FourierTransformation)非線性分析(Un-linearedAnalysis) –隨機(jī)微分方程(StochasticDifferentialEquation)

共十一頁(yè)基于(jīyú)K線模糊序列比對(duì)的股市時(shí)間序列建模假設(shè)：股票價(jià)格的變化是由多空雙方博弈所形成的結(jié)果，其中，K線圖模式往往真實(shí)的反映了市場(chǎng)的行為和人們的心理活動(dòng)；在漫長(zhǎng)的演化與發(fā)展中，必定存在(cúnzài)反復(fù)出現(xiàn)的模式（recurrentpattern）。普遍認(rèn)為，股票的走勢(shì)是有規(guī)律的。目的：尋找K線圖中反復(fù)出現(xiàn)的模式，用計(jì)量方法加以統(tǒng)計(jì)和歸類，試圖預(yù)測(cè)股價(jià)的拐點(diǎn)。方法：利用現(xiàn)代智能計(jì)算方法，使用非線性的建模方式，對(duì)股市K線走勢(shì)加以模糊化變換、比對(duì)與分類，從統(tǒng)計(jì)意義上來(lái)尋找規(guī)律。輸入變量：n天價(jià)格：開(kāi)盤(pán)價(jià)、收盤(pán)價(jià)、最高價(jià)、最低價(jià)n天成交量：量比輸出：后m天的價(jià)格的漲跌幅共十一頁(yè)基于(jīyú)K線模糊序列比對(duì)的股市時(shí)間序列建模有關(guān)金融時(shí)間序列的計(jì)算機(jī)智能算法的相關(guān)文獻(xiàn)基于非線性擬合方法：

其主要思想是將若干歷史變量作為輸入，然后輸出一個(gè)預(yù)測(cè)結(jié)果，通過(guò)和實(shí)際結(jié)果進(jìn)行比較來(lái)修正模型內(nèi)部的參數(shù)從而達(dá)到訓(xùn)練的目的，最后達(dá)到近似最優(yōu)解。具有代表性的模型有：人工神經(jīng)網(wǎng)絡(luò)（ANN）、模糊神經(jīng)系統(tǒng)（FNN）等，以及在此基礎(chǔ)上發(fā)展的一些更加復(fù)雜的模型，如：FCMAC-BYY（FuzzyCerebellarModelArticulationController–BayesianYingYang）等?；谝?guī)則的學(xué)習(xí)方法：

其主要思想是將歷史信息轉(zhuǎn)化為歷史規(guī)則，然后對(duì)歷史規(guī)則進(jìn)行聚類、分類等學(xué)習(xí)，從而達(dá)到預(yù)測(cè)未來(lái)股價(jià)的目的。其主要方法有：支持向量機(jī)（SVM）、自組織映射（SOM）、K均值（K-Means）等。近10年發(fā)展起來(lái)的模糊時(shí)間序列理論。最早提出將模糊邏輯理論應(yīng)用于時(shí)間序列預(yù)測(cè)的是Song和Chissom，隨后Chen簡(jiǎn)化了Song和Chissom的模型中的最大-最小運(yùn)算，并且提高了預(yù)測(cè)精度，其預(yù)測(cè)的對(duì)象都是阿拉巴馬州大學(xué)的招生情況（Enrollment）。隨后，出現(xiàn)了大量的將模糊邏輯應(yīng)用于金融時(shí)間序列的研究工作?；谶M(jìn)化、選擇的搜索方法：

其主要思想是模擬達(dá)爾文生物進(jìn)化論的自然選擇(zìránxuǎnzé)和遺傳學(xué)機(jī)理的生物進(jìn)化過(guò)程來(lái)解決非線性函數(shù)優(yōu)化和組合優(yōu)化問(wèn)題。主要方法有：遺傳算法（GA）、進(jìn)化算法（EA）等。共十一頁(yè)基于K線模糊序列比對(duì)的股市(ɡǔshì)時(shí)間序列建模模式使用的主要方法：模糊(móhu)邏輯（FL）–構(gòu)建論域、模糊(móhu)集合、隸屬度函數(shù)、模糊(móhu)化、去模糊(móhu)化過(guò)程序列比對(duì)(SA)–局部法（找到局部最優(yōu)解）聚類分析(CL)–K-臨近、自組織映射、模糊聚類等等共十一頁(yè)基于K線模糊序列比對(duì)的股市(ɡǔshì)時(shí)間序列建模股市短期走勢(shì)分析與預(yù)測(cè)1–正向查詢輸入某個(gè)股票的時(shí)間序列xi={xi0,xi1,…,xit}使用(shǐyòng)模糊邏輯將它轉(zhuǎn)化為K線模糊時(shí)間序列xi’={xi0’,xi1’,…,xit’}使用模糊邏輯將歷史上所有的股票序列都轉(zhuǎn)化為K線模糊時(shí)間序列集X={x1’,x2’,…,xn’}比對(duì)2和X中的所有序列，從3中找到與2相似形態(tài)的K線模糊時(shí)間序列集A對(duì)A的今后趨勢(shì)作統(tǒng)計(jì)，預(yù)測(cè)xi今后的趨勢(shì)。共十一頁(yè)股市短期(duǎnqī)走勢(shì)分析與預(yù)測(cè)1–正向查詢模糊邏輯（FL）輸入序列比對(duì)（SA）模糊時(shí)間序列歷史相似形態(tài)集查詢預(yù)測(cè)歷史數(shù)據(jù)庫(kù)基于K線模糊序列(xùliè)比對(duì)的股市時(shí)間序列(xùliè)建模共十一頁(yè)基于K線模糊(móhu)序列比對(duì)的股市時(shí)間序列建模股市短期走勢(shì)分析與預(yù)測(cè)2–反向搜索利用經(jīng)驗(yàn)式的規(guī)則來(lái)啟發(fā)式地選取具有震蕩行情與趨勢(shì)行情中的轉(zhuǎn)折點(diǎn)（拐點(diǎn)）的K線子序列，試圖幫助投資者進(jìn)行股市行情的拐點(diǎn)判斷。選取具有牛勢(shì)K線子序列的方法為：搜索歷史股指，尋找前10天的累積(lěijī)漲幅不超過(guò)p%，而后十天的累積(lěijī)漲幅超過(guò)q%的所有子序列。(可將p設(shè)置為10%，q設(shè)置為35%，對(duì)滬深1602只股票自1990年上市以來(lái)所有歷史數(shù)據(jù)進(jìn)行搜索，共找到了15038條具有牛勢(shì)形態(tài)的K線子序列）使用反向搜索，來(lái)統(tǒng)計(jì)這些牛勢(shì)形態(tài)序列在歷史上出現(xiàn)相似形態(tài)的次數(shù)，并統(tǒng)計(jì)相似形態(tài)的之后趨勢(shì)，將漲跌幅統(tǒng)計(jì)不顯著的序列剔除，得到具有統(tǒng)計(jì)顯著意義的牛熊勢(shì)形態(tài)數(shù)據(jù)庫(kù)通過(guò)比對(duì)該數(shù)據(jù)庫(kù)來(lái)尋找現(xiàn)有股票走勢(shì)中，形態(tài)相似的股票，從而幫助投資者選股。共十一頁(yè)模型(móxíng)測(cè)試準(zhǔn)確性測(cè)試以07年之前的數(shù)據(jù)作為訓(xùn)練樣本，以07年之后的數(shù)據(jù)作為測(cè)試樣本測(cè)試預(yù)測(cè)漲跌幅與實(shí)際漲跌幅之間的距離截取一個(gè)閾值作為買入（賣出）信號(hào)，測(cè)試將該模型轉(zhuǎn)化為自動(dòng)交易軟件后，與買入-持有下的情況進(jìn)行比較基于3的工作，分析個(gè)股股價(jià)的行為模式，通過(guò)Β系統(tǒng)來(lái)對(duì)個(gè)股進(jìn)行參數(shù)的修正其他實(shí)用性測(cè)試運(yùn)行(yùnxíng)時(shí)間測(cè)試共十一頁(yè)謝謝(xièxie)！共十一頁(yè)內(nèi)容(nèiróng)總結(jié)股票時(shí)間序列建模與預(yù)測(cè)。在漫長(zhǎng)(màncháng)的演化與發(fā)展中，必定存在反