文档介绍：硕士学位论文
基于神经网络的多模型融合
金融时间序列分析方法
WORK BASED
MULTI-MODEL FUSION METHOD FOR
FINANCIAL TIME SERIES ANALYSIS
刘英爽
哈尔滨工业大学
2011 年 12 月
国内图书分类号:TP 学校代码:10213
国际图书分类号: 密级:公开
硕士学位论文
基于神经网络的多模型融合
金融时间序列分析方法
硕士研究生: 刘英爽
导师: 陈清财副教授
副导师: 王晓龙教授
申请学位: 工学硕士
学科: 计算机科学与技术
所在单位: 深圳研究生院
答辩日期: 2011 年 12 月
授予学位单位: 哈尔滨工业大学
Classified Index: TP
:
Thesis for the Master Degree in Engineering
WORK BASED
MULTI-MODEL FUSION METHOD FOR
FINANCIAL TIME SERIES ANALYSIS
Candidate: Yingshuang Liu
Supervisor: Associate Prof. Qingcai Chen
Associate Supervisor: Prof. Xiaolong Wang
Academic Degree Applied for: Master of Engineering
Specialty: Computer Science & Technology
Affiliation: Shenzhen Graduate School
Date of Defense: December, 2011
Degree-Conferring-Institution: Harbin Institute of Technology
哈尔滨工业大学工学硕士学位论文
摘要
时间序列是按时间先后顺序将某指标时间点上的数值排列而成的数列,时间
序列分析是一种动态数据处理的统计方法,它根据历史数据来判断下一个时间点
的数值,从而估计时间序列变化情况。金融时间序列是与时间顺序相关的一系列
金融数据序列,具有很强的非线性和随机性,而神经网络有良好的非线性映射能
力及自适应、自学习和良好的泛化能力,在处理金融时间序列方面具有良好表现。
金融时间序列分析在现实生活中一个很好的应用就是基金净值估值。随着我
国经济天翻地覆的变化,基金已经成为人们投资理财的一种重要工具,而基金净
值是基金投资中重要的参考数据。本文主要研究基金中的封闭基金,其净值只在
每周五被公布一次,所以及时的提供给投资者准确的净值估值可有效提高其投资
成功率。因此,对这类数据进行分析有着重要的应用研究价值和意义。
本文提出结合金融市场基本分析法和计算机技术分析法,并采用 BP 神经网络
作为多模型融合技术,建立了基于神经网络的多模型融合方法来分析金融时间序
列。首先利用基本分析法搜集到影响基金净值的特征;再采用文本分析法抽取基
金公司季报和财经网站数据,使用最大熵理论、统计回归等方法建立适合的单模
型来估计在不同特征影响下的基金净值估值结果;最后应用神经网络将多模型计
算的结果融合,自适应的调节各模型结果的影响权重并加以调整,训练出最佳的
金融时间序列分析模型,然后根据系统评测指标对结果进行分析。本文主要研究
内容包括以下几个方面:
(1)将基金净值估值问题抽象为金融时间序列分析问题,对影响基金净值变
化的特征进行分析,并采用适合各自特征的模型对基金净值估值问题进行模拟。
(2)利用熵定价理论,建立基于最大熵及假设投资组合不变的层次分析模型;
根据金融市场基本分析法,建立通过基金指数模拟的趋势模型和通过基金价格模
拟的因果模型;使用支持向量回归机(SVR)训练基金净值历史数据,通过参数调节、
误差分析修正结果,建立基于基金净值历史数据的 SVR 模型。
(3)使用基于后向传播算法的多层前馈神经网络对特征数据结果做融合计算,
根据模型结果与实际结果的误差率,通过模型训练求得最佳估值模型。
(4)根据引入的评测标准,对以上估值模型的估值准确率进行全面的比较。
本文在多个数据输入上应用不同估值模型进行对比实验。实验结果表明,基
于神经网络的多模型融合