上证指数基于SVD的组合预测模型
2012-03-29刘常明张德生李金凤任世远
刘常明,张德生,李金凤,任世远
(西安理工大学 理学院, 陕西 西安 710054)
0 引 言
对于股票投资者来说,获得高额的投资收益一直是他们追求的目标,如果能对股价进行准确的预测,就可以避开市场风险,同时,政府部门也可以对股票市场进行有效的监管.因此,对股票市场进行建模预测研究,对于经济和金融市场的发展具有非常重要的意义.然而,股票市场受到诸如国家政策、国际环境、经济形势、政局形势以及投资者心理等许多因素的影响[1],具有高度的不确定性和高噪声等特点.因此,在对股价进行建模预测分析时,有必要将噪声部分从原始序列中分离出来进行研究,对趋势部分建立BP神经网络模型;对随机部分建立ARMA-GARCH模型,这样可以充分发挥各自的优点.
1 奇异值分解(SVD)滤波算法[2]
对于零均值化的序列S={S1,S2,…,Sn},奇异值分解(SVD)滤波的步骤如下:
(1) 构造矩阵
(1)
其中,h=[(n+1)/2],[·] 表示取整数,N=n-h+1.
(2) 对∏进行奇异值分解
∏=UΓVT
(2)
其中,U、V分别是N×N和h×h正交矩阵.
(3)
其中,Δq×q=diag(δ1,δ2,…,δq),δi(i=1,2,…,q),称∏为矩阵的奇异值,且δ1≥δ2≥…≥δq,q≤min(N,h) ,是矩阵∏的秩,若∏列满秩,则h=q.
(3) 门限控制
设定门限值η(0<η<1),解关于r的方程:
(4)
得到正整数r,将其余q-r个奇异值置为0,得到:
(5)
其中,Δr×r=diag(δ1,δ2,…,δr) .
(4) 重构序列
重构矩阵:
(6)
对∏′中下标相同的元素求平均得到趋势序列S′={S1′,S2′,…,Sn′},噪声序列为S-S′.
2 BP神经网络与ARMA-GARCH模型
2.1 BP神经网络
BP神经网络是目前最成熟、应用最广泛的神经网络,它是多层非线性映射网络,采用最小误差学习方式[3].在学习的过程中实现输入模式与输出模式之间的非线性映射.BP神经网络是前馈神经网络,由输入层、隐层和输出层……
