贾永锋 闫宏图 阎红灿

摘 要： 时间序列分析是根据客观事物的连续性和规律性推测未来发展趋势的预测方法，分析时设法过滤除去不规则变动，突出反映趋势性和周期性变动。为了提高预测精度，构建了EMD-BP神经网络预测模型，利用Hilbert-Huang变换中的经验模态分解将时间序列分解为有限个本征模函数，重构后进行BP神经网络预测。通过对中国石化的股票资料进行实验仿真，表明该模型降低了被预测数据的非平稳性，其精度比直接用神经网络预测有较明显的提高。

关键词： 时间序列； BP神经网络； EMD； 本征模函数； 预测模型

中图分类号：TP311.1 文献标志码：A 文章编号：1006-8228（2014）02-01-04

0 引言

时间序列是将某种现象某一个统计指标在不同时间上的各个数值，按时间先后顺序排列而形成的序列。时间序列分析是一种动态的数列分析[1]，出发点是承认数据的有序性和相关性，通过数据内部的相互关系来辨识系统的变化规律。常用的时间序列分析法主要是建立在回归——移动平均模型（ARMA）[2-3]之上，被用来对股价（最高价、最低价、开盘价、收盘价）及综合指数进行预测[4-5]。然而，这些经典回归分析暗含着一个重要假设：数据是平稳的。如果数据非平稳，往往导致出现“虚假回归”，严重影响预测效果。股票等金融数据是典型的非平稳时间序列，一般地说，股票价格的变化主要包括经济性因素、政治性因素、人为操纵因素、有关行业及投资者心理等多种因素的影响，各因素的影响程度、时间范围和方式也不尽相同；……