数据驱动的金融时间序列预测模型研究

1997年诺贝尔经济学奖获得者美国经济学家Robert Carhart Merton提出,现代金融理论的核心问题就是如何在不确定的环境下对资源进行跨期的最优配置。而按照非线性动力学的观点来看,现代金融理论中金融系统的不确定性恰恰源于其自身就是一个受多种因素综合影响的具有开放性质的复杂巨系统,相应地,作为系统观测值的金融时序数据则从形式上表现了该系统的复杂运动规律。相关金融时序可预测性的文献研究表明,无论是线性范式下的传统统计方法,还是非线性的计算智能方法,以及多种不同类型方法的组合模型都在一定范围内提升和改善了人们对于金融时序数据预测的精确性和稳定性,但大多缺乏对不同类型金融时序数据内部时间相关性知识、价格变化趋势信息以及不同市场间互信息等经验知识的有效融合,制约了其预测性能的进一步提高。基于此,本研究借鉴复杂系统视角建模的思想,针对各种不同类型的金融时序数据,结合智能计算、计算实验金融、数据挖掘以及控制论等相关领域的最新研究成果,“自底向上”地展开金融时序数据经验知识融合下的机器学习预测建模创新研究,以探索金融系统的复杂演化规律。主要研究成果和创新概括如下:1、针对单变量金融时序数据变化趋势信息和市场隔夜跳空开盘信息的重要性,在借助跟踪微分器提取数据近似微分的基础上,分别构造了基于微分信息和基于梯度信息的ARMA-GARCH单预测模型,旨在增强模型在高噪声扰动环境下对于时序数据变化趋势的判别能力;从分阶段混合模型构造的角度,提出了一种新的基于ARIMA和泰勒展开的预测模型,改进传统方法对于时序数据内部经验知识学习不够充分的问题。2、针对多变量金融时序数据所具有的高维复杂性,考虑到金融市场间日益显著的联动及传染效应,提出了一种基于近邻互信息的SVM-GARCH模型,旨在融合市场联动行为信息的基础上,提高传统单模型对于时序数据非线性成分的处理能力;从构造混合模型提高预测稳定性的角度,借助时间测地线距离的概念构造新的混合预测模型,改善模型对于时序数据内部时间相关性知识的学习和泛化能力,提高预测结果的精确性和有效性。数据驱动的“自底向上”的建模方法就是要通过对复杂系统的观测数据进行分析,来展开对金融系统的反向研究,有利于克服规范分析假设过于严格、实证分析难以进行灵敏度测试的弱点,是金融理论与实践的高度统一。本研究中无论是相关单变量金融时序数据的分析,还是针对于高维金融时序面板数据的研究,数据驱动的模型创新都体现了复杂系统视角建模思想在金融领域的应用,旨在从不同的角度充分挖掘并发现复杂金融现象背后的客观规律,降低金融系统的不确定性,提高金融市场效率,并为相关金融理论创新研究提供新的动力和方向。

数据驱动; 金融时间序列; 预测; 混合模型; GARCH; 支持向量机; 微分器;

张信东;

F224;F830

16601518711K
在线咨询 用户反馈