基于双正交小波核支持向量机的长记忆汇率预测

对具有长记忆性的汇率数据进行准确预测具有重要的理论和现实意义。文章基于样条小波构造了一类新的双正交小波核函数并建立了相应的支持向量机模型。通过分数差分方法消除汇率数据的长记忆性,对欧元兑美元和欧元兑日元两个汇率数据进行了预测研究。结果表明双正交小波核支持向量机能够有效的避免过学习,其拟合优度和预测精度均优于正交小波核支持向量机和高斯核支持向量机。     

基于小波分析的基金净值预测模型

基于小波分析提出了一种基金净值预测模型。此模型利用小波分析理论用改进的小波阈值去噪方法对基金净值数据进行去噪处理,再对经过去噪处理后得到的较为平稳的数据,利用计量经济学中时间序列自回归模型进行短期预测。研究证明：该预测模型能较好地预测基金净值的短期趋势,预测结果优于传统的基金净值预测模型。     

基于小波分析的上证综指预测

小波分析是一种将数据从时域转换到不同层次的频域的数学方法.它的许多方法能够很好地应用于实证经济学和金融学.本文利用小波分析中的多尺度分析方法,通过分层预测的思想较准确地预测了上证综指日收盘指数.     

基于小波方差分解的沪深综指序列的特性分析

近年来小波理论已越来越被广泛应用于时间序列分析.应用小波方差依尺度分解的方法,对沪、深股市综合指数序列的长记忆性与相关性进行了实证分析,结果表明:沪、深股市波动序列实存在长记忆性,沪市波动序列所受历史信息的影响较大,但深市对各种信息的反应比上海股市更迅速,更易受外部信息的影响.在大尺度下沪、深股市波动序列的相关性比小尺度两波动序列之间的相关性更强,以小尺度为基准选择分散投资策略为好.     

基于小波分析的我国股票市场趋势探测

小波分析是一种将数据从时域转换到不同层次的频域的数学方法.它的很多方法能够很好地应用于实证经济学和金融学.本文利用小波分析的方法排除了上证指数中的大量噪声,成功地探测了其运动趋势.     

基于小波神经网络的经济预测研究

本文通过小波变换和神经网络的结合,建立了相应的小波神经网络经济预测模型.该模型克服了传统时间序列预测模型只能进行线性预测,避免了一些BP神经网络的固有缺陷.     

基于小波协方差的中国股市波动序列相关性的实证分析

在介绍概率变化协调的相关性度量方法的同时,证明了该方法是传统方法的推广。又依据小波协方差在不同尺度下的分解理论,提出了基于小波协方差的相关性度量方法,并对沪深股市波动序列之间的相关性进行了实证分析。结果表明：沪深股市波动序列在整体上具有正相关性,但在不同尺度下沪深股市波动序列之间的相关性不同,小尺度下相关性小。对投资者而言,最好以小尺度为基准选择分散投资策略。     

基于正交尺度网络的宏观经济预测研究

文章基于多分辨率理论,建立了一个用于宏观经济预测的正交尺度网络模型.该模型的优点在于:一方面因为网络一部分的权值与阈值在训练之前能够根据多分辨分析理论确定,减少了训练时需要调整的参数;另一方面正交性使得网络的结构得到尽可能的优化,因此改善了网络训练时阍和收敛速度,有效提高预测精度.通过对我国1998～2005年我国国内生产总值的学习,并对2006年、2007年国内生产总值的预测,与目前的BP模型和小波神经网络模型结果进行比较,验证了模型的有效性.     

基于小波变换的时间序列奇异性问题探析

文章讨论了基于小波变换模极大值的时间序列奇异性问题探测,突破了傅立叶分析在时域和频域方面的局部化能力。时间序列的局部奇异性可由其小波变换模随尺度参数的衰减特性来刻画,文章通过小波变换在小尺度下的局部模极大值来检测信号奇异性;并通过建立目标函数计算Lipschitz指数,简化了计算过程。     

奇异点检测的小波方法在证券市场中的应用

本文使用小波变换模极大值方法分析次贷危机中美国证券市场的突变。研究发现,小波模极大值方法准确定位了金融资产价格异常点的具体时刻;检测出了2类奇异点,其中峰值点检测比过零点检测更稳健;这些奇异点对应了美国次贷危机主要发展阶段的重大经济事件,反应出危机中美国经济系统异常对金融市场造成的影响。文章最后进行了稳健性检验。     

基于小波分解的汇率预测模型实证研究

基于人们的预期对汇率的影响及汇率变动中包含不同频率成分的原因,文章采用小波分解和人工神经网络(ANN)相结合的方法建立汇率预测模型,首先将原始汇率数据序列分解为不同频率序列,然后利用ANN方法针对分解后的序列分别建立模型,将每个模型预测的结果相加得到汇率的预测值.实证结果发现:(1)小波分解方法有助于提高汇率预测的精度,表明汇率变动是由不同频率成分组成并且人们预期对汇率变动具有一定的影响;(2)汇率预测中不同的神经网络模型具有不同的性能,在建立预测模型时应该慎重考虑选择的神经网络类型及其参数.     

LMSV模型波动的长记忆与相关性的小波分析

本文提出了LMSV模型的波动自相关函数的定义,将小波分析方法引入到LMSV模型的建模研究中,提出了基于最大重复小波变换(MODWT)的不同尺度下的LMSV模型,并进一步讨论了不同尺度下的波动自相关函数的性质,并用该方法对上海和深圳证券市场综合指数收益波动序列进行建模,对在同一尺度和不同尺度下的长记忆性与相关性进行了实证分析。     

金融时间序列预测模型——基于离散小波分解与支持向量回归的研究

建本研究结合小波转换与支持向量回归,提出一个二阶段时间序列预测模型。先以离散小波分解与重组对金融时间序列数据进行预处理,再以SVR建立预测模型。     

基于小波分析的AR-GREY预测模型及其应用

文章介绍了小渡分析、自回归模型和灰色预测模型,建立了基于Maliat小波分析的AR-GREY预测模型.将非平稳时间序列用小波分解到不同尺度上以减少原始序列的随机性.然后再利用灰色模型对低频信息(趋势)进行预测,对于高频信息(短期波动)则建立自回归模型,从而在充分拟合趋势的同时,避免了短期波动的过拟合:通过BDI预测算例验证了预测模型的实用性和精度.因利用了MATLAB软件和Eviews软件,模型构建、修改方便,可在实际中应用.     

基于小波分解自回归模型的CPI预测

文章利用小波分析与自回归模型相结合的方法来建模分析时间序列,这种方法主要是在尺度函数逼近和自回归模型的基础上建立的。小波分析提供了一种多尺度函数逼近的方法,而自回归模型能够预测时间序列。文章的对CPI序列进行了离散小波分解,并重构得到了尺度序列和每层的细节序列;然后分别对其建立自回归模型并预测每个序列的下一个值,将得到的预测值相加得到了CPI预测值,再用预测值,利用建立的模型进行预测;最后,用标准差来衡量估计量的好坏。     

基于改进型小波神经网络的油价预测

为了提高油价预测的精度,文章运用主成分分析(PCA)的方法对初始数据进行预处理,同时将小波分析与BP神经网络结合构建小波神经网络(WNN),由此得到PCA-WNN预测模型.数值实验的结果表明,相比于传统BP模型和PCA-BP模型,PCA-WNN模型的预测精度更高,稳定性更好,泛化能力更强,是一种更出众的油价预测方法.     

上海股票市场的基于小波去噪的混沌性检验

由于经济混沌需要大样本、低噪声的时间序列,所以文章首先利用小波变换对上证指数日收盘价序列进行去噪处理,然后由去噪后的日收盘价序列计算出日收益率序列,姑且称其为去噪后的日收益率序列,并把它同未经过去噪处理得到的日收益率序列进行比较,发现该方法较好地保留了序列自身固有的特性,只是剔除了由于日常细微波动产生的噪声,为有效地探测我国上海证券市场的混沌性打下了基础。最后分别计算去噪前后收益率的关联维数和Lyapunov指数,发现小波去噪并未改变上海证券市场的混沌性,但是去噪后的市场的复杂度要小于去噪前的市场的复杂度。所以进行混沌性探测的时候必须对数据进行去噪处理。     

区域经济差异警戒水平的小波分析

文章采用小波分析方法,在不同的时间尺度上考察了中国区域经济差异水平和经济增速的关系,对不同时间尺度的经济增速和区域经济差异进行回归拟合,建立函数模型,据此确定合理的区域经济差异警戒水平。     

基于小波分析的三维Copula密度估计及其应用

文章考虑三维变量相依结构的最佳量化问题,利用小波多尺度分析,提出三维Copula密度的小波线性估计量及其计算步骤,基于最小化均方积分误差准则,给出参数Copula的最优化筛选方法.对上证综合指数、日经225指数和标准普尔500指数等收益率的实证研究表明:(1)该估计量在不同时间尺度上展示了金融指数潜在相依结构的局部特征;(2)以此为基准经最优化筛选的混合参数Copula是展示金融相依结构的最佳模型.     

基于小波分析的中国股市高频长记忆研究

0引言根据有效市场假说的理论,如果一个资本市场是有效的,则市场收益率自身不具有序列相关性;但一些学者发现这种序列自相关性在股市中是存在的。文献[1]对美国股市进行了研究,发现长记忆性在指数收益率序列中不显著,但在某些个股中却显著存在;文献[2]利用对数周期图法对沪深股