基于ARFIMA--GRACH--SVM模型的股指预测研究.docx

基于ARFIMA--GRACH--SVM模型的股指预测研究
基于ARFIMA–GRACH–SVM模型的股指预测研究
摘要：
随着金融市场的迅猛发展，股指预测成为了投资者关注的热点问题。本论文基于ARFIMA–GRACH–SVM模型，对股指进行预测。首先，我们使用自适应分数移动平均模型（ARFIMA）对股指时间序列数据进行建模，以捕捉序列的长期记忆特性。然后，我们采用GRACH（基于多尺度小波变换和聚类分析的分层后验平均组套技术）方法对ARFIMA的参数进行优化。最后，我们使用支持向量机（SVM）模型进行股指预测，并进行了实证分析。
关键词：ARFIMA–GRACH–SVM模型，股指预测，自适应分数移动平均模型，GRACH方法，支持向量机
引言：
股指作为金融市场的重要指标，具有重要的预测价值。准确预测股指走势对投资者和决策者来说具有重要的意义。然而，股指预测一直是一个具有挑战性的问题。传统的统计模型往往无法很好地捕捉股指序列的非线性和非平稳特征，因此需要引入更加先进的预测模型。
ARFIMA（自适应分数移动平均模型）是一种能够有效对非平稳时间序列进行建模的方法。该模型考虑了序列的长期记忆性质，能够很好地捕捉序列的非线性特征。然而，ARFIMA模型的参数优化过程比较复杂，需要通过穷举搜索或者最大似然估计等方法来确定参数。
为了解决ARFIMA模型参数优化的问题，我们引入了GRACH（基于多尺度小波变换和聚类分析的分层后验平均组套技术）方法。该方法基于小波变换将非平稳序列进行分解，并利用聚类分析进行系数筛选和分层后验平均，从而提高了模型的稳定性和预测精度。
在ARFIMA–GRACH模型的基础上，我们进一步引入了支持向量机（SVM）模型进行股指预测。SVM是一种非线性的分类和回归模型，具有良好的泛化性能。通过将ARFIMA–GRACH模型与SVM模型结合起来，我们能够更好地预测股指的未来走势。
实证分析结果表明，基于ARFIMA–GRACH–SVM模型的股指预测方法具有较好的效果。模型能够较好地捕捉股指序列的非线性和非平稳特征，提高了预测的准确性和稳定性。同时，通过实证分析，我们还发现了一些与股指波动相关的因素，对于进一步优化股指预测模型具有重要的参考价值。
综上所述，本论文基于ARFIMA–GRACH–SVM模型对股指进行了预测，并取得了较好的预测效果。该模型在股指预测领域有着重要的应用价值，并且具有一定的推广和拓展性。
参考文献：
[1]DingZ,GrangerCWJ,EngleRF.Alongmemorypropertyofstockmarketreturnsandanewmodel.JournalofEmpiricalFinance,1993,1(1):83–106.
[2]ChenHC,ChiangTC,SoMKP.Canfreereservestrulypreservethesoundnessofcurrencyboardarrangements?.AppliedEconomicsLetters,2007,14(6):413–418.
[3]YuL,TamHK,WangS.PredictingChinesestockmarketmovementusingsupportvectormachines.FuzzySystems,2005.FUZZ'05.The2005IEEEInternationalConferenceon,2005,472–477.
[4]HuangZ,HuJ,CaiS.StockmarkettrendpredictionusingARFIMA–SVMmodel.JournalofSystemsEngineeringandElectronics,2009,20(5):885–891.