基于张量模型的金融时间序列预测研究

扫码查看

原文链接

NETL

中文摘要：证券市场作为金融市场的主体，其证券的发行和交易对市场经济的发展起重要推动作用。若能合理把握证券的特征与变化趋势，能为政府相关部门的决策提供有效参考和依据，其可加大对证券市场的监管与调控力度，加强对金融风险的防范与规避。证券市场指数作为宏观经济的综合体现，反映一个国家的经济形势，其研究与预测对于宏观经济的健康发展有着重要的影响。因此，对证券市场指数时间序列进行预测研究具有十分重要的意义。由于基于张量特征提取的算法在特征提取过程中能够保持样本的时空特性，张量分析已成为模式识别与特征提取中的一个非常热门的研究领域。金融时间序列的张量表示更符合金融时间序列的特性，本文以张量模型为基础，就如何更好地提取特征来提高金融时间序列预测精度展开研究，主要研究工作如下：（1）针对(2D)2PCA算法提取特征维数仍过高的问题，结合(2D)2PCA和PCA算法，研究设计一种基于(2D)2PCA+PCA的特征提取算法。利用单个证券市场的多元时间序列构成二阶张量数据模型，采用二阶张量的特征提取算法进行处理，对张量模型利用(2D)2PCA算法进行特征提取后，结合PCA算法对特征矩阵进行二次特征提取以实现降维。对算法进行实验，与(2D)2PCA算法和PCA算法的特征提取进行对比分析。（2）针对基于向量的算法无法保留三维数据内部结构信息的问题，引入多线性主成分分析法（MPCA）进行特征提取。利用各证券市场间存在的关联性，采集多个证券市场的相关技术指标的时间序列数据构建三阶张量模型。为保留数据空间结构信息，引入MPCA算法，直接在张量模型的所有模式方向上进行特征提取，通过实验将MPCA算法与基于向量的算法进行对比分析。（3）针对MPCA算法无法区分不同特征向量对金融时间序列预测贡献程度的问题，设计并实现一种改进的多线性主成分分析法（Eigenvalue Normalization Weighted Multilinear Principal Component Analysis，ENW-MPCA）。对由MPCA算法得到的构成投影矩阵的特征向量，采用归一化后的特征值作为相应特征向量的权值进行加权。通过实验将ENW-MPCA算法与MPCA算法进行对比分析，验证ENW-MPCA算法的有效性。

作者：

曾亚丽

展开 >

关键词：

金融时间序列张量模型预测精度 ENW-MPCA算法

授予学位：

硕士

学科专业：

信息与通信工程

导师：

郭志强

学位年度：

2017

学位授予单位：

武汉理工大学

语种：

中文

中图分类号：