EMD组合预测模型IMF分量选取的改进

摘要

金融物理学是应用物理学的理论及研究方法来理解和解决金融学中问题的交叉学科.1998年，美国工程院院士N.E.Huang及其合作者创新地提出了EMD方法，通过该方法任何复杂信号都可以分解为有限的且具有一定物理意义的几个IMF分量.本文在N.E.Huang等人前期研究的基础上，针对EMD方法与ARMA模型拟合重构的组合预测模型在选择最优IMF分量时存在的问题，给出了通过计算交叉验证CVscore值来选取组合预测模型中最优的IMF分量，并从模型评价的角度解决了EMD中IMF分量的筛选问题和预测模型多个误差项累加的问题，为拓展EMD算法在金融领域新的理论和应用提供了有益的探索.
　　本文围绕着EMD方法主要完成了四个方面的研究工作，具体如下：
　　（1）综述ARMA模型、小波分解和EMD时间序列预测方法的特性以及EMD方法与ARMA模型拟合重构结合形成组合预测模型的优越性.
　　（2）针对在应用EMD组合预测方法中存在的如何选择对于原始信号来说最优的IMF分量的问题，并介绍了诸多学者已做的研究工作.
　　（3）给出了基于交叉验证的模型评价指标CVscore值的计算，实证分析得出，该评价指标可以确定IMF分量的阶数N选得最优拟合模型阶数.
　　（4）提出了通过计算CVscore值来选取组合预测模型中最优的IMF分量，解决了EMD方法中IMF分量的筛选和多个误差项累加的问题.实证结果表明，该改进方法是有效可靠的.

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1 研究背景和研究意义

1.2 国内外的研究现状

1.3 本文研究思路及内容

第二章 EMD方法和金融时间序列模型预测

2.1 金融时间序列预测模型

2.1.1 ARMA预测模型

2.1.2 小波分析预测方法

2.2 EMD方法简介

2.3 组合预测与模型评估

2.3.1 组合预测方法

2.3.2 模型评估

第三章 EMD组合预测方法的改进

3.1 EMD方法存在的问题和影响

3.2 目前的解决方案

3.2.1 基于相关系数的改进算法

3.2.2 引入筛选系数的广义EMD算法

3.3 基于交叉验证的IMF成分选取

第四章 上证指数的实证分析

4.1 时间序列的预分析

4.2 EMD方法与ARMA模型的组合预测

4.3 基于交叉验证的模型改进

第五章 结论与展望

5.1 结论

5.2 展望

参考文献

致谢

攻读学位期间发表的学术论文