汤胤　毛景慧

摘 要：基于拐点集合判别的TBUD方法主要思路是分析拐点集合间的关系，并在高维空间进行划分，从而搭建判别模型，并将分析框架应用在特质波动率等若干指标上，利用实证数据得到结论。应用TBUD判别框架可以发现，特质波动率等指标无法对拐点集合进行清晰划分，因而并不具有预测能力。

关键词： 特质波动率；支持向量机；贝叶斯判别；趋势预测

中图分类号：F830.9 文献标识码： A 文章编号：1003-7217（2016）03-0035-05

一、引言

金融工程学科采用经典的资产组合方法，事实上是通过按规则不断重新组合资产获得某指标与滞后一期的收益率关系的显著性，方法本身受数据影响很大，从而导致不同的结果。而众所周知，即使存在预测性，指标也并不仅仅作用于滞后一期，而很可能是不定多期，这使得资产组合方法存在一定的限制。此外，股价时间序列的混沌性也使得采用线性回归方法得到结论的信度不高。很典型的，近年学术界对于特质波动率的预测能力，得出了完全对立的研究结论，究其原因正是基于高度数据敏感的资产组合分析方法。

对时间序列进行聚类/分类和预测更是众多科学领域感兴趣的问题。时间序列聚类的算法包括基于相似性（距离）[1]、基于特征[2]和模型[3]等聚类分析方法，而分类的算法主要包括了决策树、神经网络、贝叶斯分类以及支持向量机等；时间序列的预测大体可分为线性和非线性两类，其中，非线性时间序列的预测主要采用嵌入空间法或神经网络等方法，如陶小创等（2011）的基于神经网络的时间序列预测[4]和尹华等（2011）的混沌时间序列预测[5，6]。……