EMD结合RBF神经网络新混合模型及股指期货价格预测

评价准则

为了检验预测效果， 对测量误差进行测量， 选用平均绝对误差MAE（Mean Absolute Error）、均方根误差RMSE（Rootmeansquare Error）两个指标衡量预测误差的大小； 方向对称（Directional Symmetry ，DS）显示正确预测目标值方向的次数与预测样本容量的百分比， 因此可以作为各模型对股指期货方向走势预测性能的评价准则. 设Pi为模型预测值， Ri为实际值， 则MAE、MSE和DS的表达式分别为

4.3EMDRBF神经网络模型预测

首先用多项式拟合算法对原数据端点做处理，防止原序列极值端点发生发散现象并“污染”整个结果； 然后采用EMD分解方法， 把股指期货序列分解为具有不同时频特征的本征模函数IMF， 分解结果为图4所示的6个IMF分量和一个剩余分量； 使用时间序列过去3天历史结算价格预测未来一天结算价格， 对各个IMF分量及剩余分量先处理得到各自的训练样本和训练目标， 其中训练样本为一个3行500列的矩阵， 训练目标为一个1行500列的向量， 将这两类训练样本归一化为0～1之间来提高收敛速度； 再对各IMF分量建立相应的RBF神经网络预测模型进行预测，得到不同频带未来60天的预测值， 将各频带的预测值等权叠加， 在反归一化得到股指期货未来60天最终的预测值， 如图5所示. 图6为预测值与实际值的误差波动.

为了检测EMDRBF新模型的预测能力， 运用了GARCH、ARIMA和RBF神经网络模型对沪深300股指期货的日交易结算价格进行了训练与预测，与本模型的预测结果进行比较， 如表1所示.

5结论

如何提高非平稳、非线性信号的预测精度一直是研究以来的重要课题. 沪深300股指期货序列是典型的非平稳、非线性时间序列. 而传统的预测方法并没有充分考虑到序列的随机性、周期性和趋势性的特点， 只是针对整个时间序列进行预测， 预测精度不高. 本文提出的模型将原长相关序列转化为若干个便于预测的短相关时间序列进行预测， 提高了预测精度. 首先对原始价格序列进行EMD分解，再对其分量进行RBF预测， 最后将各预测结果等权求和得到最终预测结果， 对沪深300股指期货日结算价格进行实证分析， 预测结果如下

1）对原数据端点用多项式拟合算法做了处理，防止原序列极值端点出现发散现象并“污染”整个结果.

2）将EMD方法引入到金融预测上来， 建立了EMDRBF神经网络预测模型， 使原始序列信号中的信息通过各本征模函数IMF得以充分体现，将原本具有长相关性质的原始序列分解为若干个短相关性质的不同频带， 解决了原始序列随机性强，以及因相邻频带的干扰而造成的系统动力信息反映不足的缺陷， 丰富了预测数值的经济含义.

3）对沪深300股指期货日交易结算价格进行实证分析， 结果表明EMDRBF神经网络新预测模型充分考虑了股指期货价格波动的周期性、趋势性和随机性特征， 并与常用的金融领域的预测方法进行比较， 提高了金融市场预测方法的预测精度.

对于中国来讲， 股指期货市场是一个涉及社会、经济、科学技术、政治等众多因素的复杂金融系统. 近四年引入的股指期货， 不仅为股票现货市场提供了风险对冲的方法， 更能帮助机构投资者回避股市系统风险. 因此， 对股指期货价格的预测分析是一项非常重要的任务， 提高对股票市场的风险防范能力有着重要的意义. 本文研究提出的EMDRBF神经网络新预测模型针对目前股指期货市场的属性和特征， 可以为我国未来股指期货市场的价格预测提供新的思路和方法.

参考文献

[1]C FLOROS， R KIZYS， C PIERDZIOCH. Financial crises， the decouplingrecoupling hypothesis， and the risk premium on the Greek stock index futures[J]. International Review of Financial Analysis， 2013， 28（c）： 166-173.

[2]王志坚， 王斌会. ARMA模型的稳健识别及实证分析[J]. 统计与决策， 2014，405（9）： 168-171.

[3]罗永恒. 基于ARMA 模型的中国农产品价格的分析与预警[J]. 经济数学， 2013，30（1）： 96-99.

[3]陈珂， 邹权. 融入时间关联因子曲线拟合的交通流异常挖掘方法[J]. 计算机工程与设计， 2013， 34（7）： 2561-2565.

[4]窦玉丹， 袁永博， 张明媛. 基于粗糙遗传BP网络的震害损失评估模型研究[J]. 工程管理学报. 2010， 24（01）： 29-32.

[5]洪月华. 一种基于蚁群算法与粗糙集的混合BP神经网络[J]. 微电子学与计算机， 2014， 31（4）： 156-159.

[6]姚潇， 余乐安. 模糊近似支持向量机模型及其在信用风险评估中的应用[J]. 系统工程理论与实践， 2012， 32（3）： 549-554.

[7]贠晓哲， 赵松. 原油期货价格预测方法的研究基于多分辨分析小波神经网络理论[J]. 价格理论与实践， 2013，346（4）： 79-80.

[8]N E HUANG， Z SHEN， S R LONG， et al. The empirical mode decomposition and the hilbert spectrum for nonlinear and nonstationary time series analysis[J]. Proceedings of the Royal Society A： Mathematical， Physical and Engineering Sciences， 1998（1971）： 903-995.

[9]谢晓阳， 乔新勇， 刘健敏. 柴油机工作不均匀性的振动检测方法[J]. 噪声与振动控制， 2013， 33（3）： 79-83.

[10]G RILLING， P FLANDRIN， P GONCALVES. On empirical mode decomposition and its algorithms[C]// IEEE-Eurasip Workshop on Nonlinear Signal and Image processing NSIp-03， Grado（I）， 2003.

[11]陆宁， 周建中， 何耀耀. 粒子群优化的神经网络模型在短期负荷预测中的应用[J].电力系统保护与控制， 2010， 38（12）： 65-68.

[12]卓金武， 魏永生， 秦健， 李必文. MATLAB在数学建模中的应用[M]. 北京：北京航空航天大学出版社， 2011.

[13]刘慧婷， 倪志伟， 李建洋. 经验模态分解方法及其实现[J]. 计算机工程与应用，2006，42（32）： 44-47.

[14]Qian GAO， Guangxia LI， Xiang TIAN， et al. A novel traffic prediction method based on IMF[J]. Advanced Materials Research， 2012，（490）：1421-1425.

[15]C C CHUANG， S F SU， C C HSIAO. Robust support vector regression networks for function approximation with outliers[J]. IEEE Transactions on Neural Networks， 2002， 13（6）： 1322-1330.

[16]Wei WANG， Hong ZHAO. A novel hybrid intelligent model for financial time series forecasting and its application[C]// Proceedings of the 2nd International Conference on Business Intelligence and Financial Engineering， 2009： 279-282.

推荐访问:神经网络 股指 期货价格 混合 模型

---