周耀鉴 袁晨迅

（中北大学软件学院 山西省太原市 030051）

1 背景

时间序列分析作为金融市场分析的核心任务，由于其固有的非平稳性、噪声性和混沌性，越来越受到人们的重视，大量文献表明，利用ARIMA[1]、GARCH[2]、Markov模型[3]、SVM模型[4]、灰色模型[5]、神经网络[6]等单一模型对金融时间序列进行预测是可行的。考虑到单一模型的局限性，很多学者利用混合模型对金融时间序列进行预测，一般认为其包括：非线性和线性组合模型、基于参数优化的预测模型、基于分解组合的预测模型以及上述模型的组合模型[7]。

在上述不同类型的组合模型中，基于分解-组合的预测模型已经被人们广泛接受，分解的基本思路是采用分解技术将原始时间序列分解为一系列子序列，再采用预测技术对各个子序列预测后相加即得预测结果。典型分解技术包括EMD分解，EEMD分解，CEEMD分解，DWT分解等，各子序列的典型预测技术包括前述各种单一预测模型。

上述基于分解-组合模型的方法均全部基于一次性分解，即事先一次性分解全部数据（包含训练数据和待预测数据）。这意味着事先假设未来数据是已知的，显然这违背了预测的目的。针对这一问题，本文对一次性分解和实时分解进行了详细的分析和探讨。首先本文介绍了EMD和LSSVM的相关原理；接着利用上证指数进行了具体的实证分析；最后，将一次性分解方法、实时分解方法以及单一模型进行进行比较，并分析了结果出现的原因。

2 相关工作

2.1 经验模态分解（EMD）

经验模态分解法是对时间序列进行平稳化处理，从而将一个信号中不同尺度的变化或趋势逐步分解成一系列不同特征尺度的数据序列。……