第一章 绪 论
1.1 研究背景与意义
随着社会经济的发展，金融已经成为了现代经济的核心，是国家竞争力的重要组成部分。金融的本质在于价值的流通[1]，在金融信息化发展的推动下，其流动性愈发强烈，更是如同整个社会经济的“血脉”一般，渗透到了各个方面。现代金融业的有效发展在推动整体经济的发展中起着举足轻重的作用，因此探索金融市场的本质特征、分析并掌握其潜在的发展规律，将有助于维持金融市场的稳健发展、为金融管理和金融投资活动提供有效的决策支持，这对金融业的发展来说有着非常重要的现实意义。信息技术的发展对金融业产生了重大影响，将信息技术应用于金融的管理决策、具体运营、业务及产品开发等各项流程，便形成了金融信息化。金融信息化有利于持续开发和深入分析经济及金融资源，能够适应金融现代化的需求，并推动社会经济的持续有效发展。这是持续不断的发展进程，是社会经济与金融业在信息技术应用上长期的相互作用、相互适应、螺旋上升的历史延续，深刻体现了与时俱进的特征。在金融现代化与信息化的发展过程中，有大量的数据产生，特别是在网络金融的产生后，更是形成了海量的金融数据。对这些海量的历史数据进行深入分析，挖掘其潜在的有价值的信息，能够为个人或者金融机构的各项金融活动，如投资决策、市场预测、风险管理、客户需求分析等提供科学的依据。因此，对大量历史金融数据进行深入分析与信息挖掘，发现市场潜在规律，成为了投资者与各个金融机构的必要手段与重要工作。金融市场是一个复杂且庞大的系统，受到社会、经济、政治、投资者心理、金融活动等因素的综合作用。金融数据则是金融市场复杂内在的一种综合表现形式。在大量的金融数据中，主要以金融时间序列为主，因此，金融市场分析常常被称为金融时间序列分析[2]。从对时间序列分析的方法来看，主要包括：基础分析、技术分析、数理统计分析以及数据挖掘技术。其中基础分析和技术分析的使用较为简单，常用于分析来自证券市场的金融时间序列，可以对历史数据表层的信息加以分析，但是不能更深层地挖掘这些数据内部隐含的特征及规律。传统的基于数理统计分析的各种技术和方法，能够通过数理统计模型来分析历史数据中较为复杂的统计特征及规律[3]，但是无法有效适应金融信息化带来的不断增加的大量的金融数据。
.........
1.2 相关文献综述
金融市场的发展变化与整个社会经济的发展密切相关，正确分析和把握金融市场发展的规律和特点，进而有效地预测其发展态势，对于国家制定宏观经济政策、企业制定经营决策和投资者制定投资策略都具有重要的现实意义。而对金融市场的预测任务主要在于对金融时间序列的分析和预测，这是一个极具挑战性的理论和技术问题，具有重要的经济意义，近年来也引起了金融界和计算机界的广泛关注。本文在现有研究情况的基础上，沿着金融时间序列的特征提取、聚类和回归预测的路线，对金融时间序列预测的信息融合与计算智能模型进行研究。提出的一系列预测计算智能模型集成了经验模态分解、主成分分析、自适应仿射传播聚类和 k-最邻近元回归预测。因此，本文涉及的主要参考文献包含经验模态分解的相关研究、主成分分析的相关研究、仿射传播聚类的相关研究和 k-最邻近元的相关研究。
.........
第二章 金融时间序列预测计算智能模型的结构框架与主要技术
2.1 金融时间序列的特点及时间尺度
2.1.1 金融时间序列的特点
金融时间序列预测就是通过对历史时间序列的分析来判断未来变化趋势，它一直是时间序列预测中最具挑战的部分。金融时间序列是一种特定的时间序列，是充满噪声的[139-140]、混沌的[141-142]，且具有非线性[143-144]、非稳定[145-146]的特点。其充满噪声是指在历史金融活动中，反映历史与未来价格相互关系的信息不能完全被捕获，而那些没能被捕获的信息就被考虑成了噪声项。其混沌性是指金融时间序列的发展趋势从短期来看是随机的，但从长期来看是具有确定性的。在我们的实际应用中，随着时间的改变，金融时间序列的数据统计分布也会随之改变，因此具有非稳定性。
.........
2.2 金融时间序列的特征提取
2.2.1 金融时间序列专门的经验模态分解
金融时间序列预测研究的关键步骤在于对原始数据的特征提取过程，对金融时间序列的特征提取可以理解为是对其进行信号分解的过程[124]，因此我们可以利用信号处理方法对历史时间序列进行多尺度的分解，将其中的高频时间序列和低频时间序列分解开来。信号处理专家 Huang 等[55]在 1998 年针对一般时间序列信号的分析提出了一种适合处理非线性、非平稳数据的 Hilbert-Huang（HHT）变换。该方法主要包括了 EMD 分解和希尔伯特（Hilbert）变换，是一种非参数化的、兼顾时域与频域的，且具备完备性和正交性的方法。EMD 分解可以将任何复杂的信号分解成有限个本征模态函数（IMF），这些 IMF 具有性能良好的 Hilbert 变换，因此可以很好的反映原始数据的局部特性，从而得到具有良好时频特性的希尔伯特频谱(Hilbertspectrum)。EMD 是一种数据驱动式的自适应算法，具有局部特征表现能力，能够有效反映系统本身的物理特性，更适合处理非线性、非平稳的金融时间序列。但EMD 分解本身是具有缺陷的，随着时间的推移，新数据的进入，其最右端的分解结果是不断更新且不稳定的，称之为“端点效应”[124]。这对于金融时间序列预测模型来说是不稳定的，会影响其鲁棒性和预测精度。另外，金融时间序列的分析和预测具有较高的实时性要求。因此，为了解决以上两个问题，本文将首先采用滑动窗口技术截取历史时间序列，再输入 EMD 进行分解，整个过程也被称作为FtsEMD (EMD for financial time series)。经过 FtsEMD 分解后，原始时间序列将被分解成一系列能够反映其趋势的 IMF。但是滑动窗口取数使得部分数据重复分解，因此分解后的每一项 IMF 都是一个 IMF 序列且包含冗余信息，我们有必要对其进行降维处理并消除冗余信息。
........
第三章 PCA-KNN(PK)预测计算智能模型及实证分析.....44
3.1 PK 预测模型的基本原理 ............45
3.2 PK 预测模型的一般结构 ............45
3.3 PK 预测模型的算法流程 ............46
3.4 PK 预测模型的结构参数 ............46
3.5 PK 预测模型的实证分析 ............47
3.6 本章小结 .......56
第四章 FTSEMD-PCA-KNN(FEPK)预测计算智能模型及实证分析.............57
4.1 FEPK 预测模型的基本原理 .......57
4.2 FEPK 预测模型的一般结构 .......58
4.3 FEPK 预测模型的算法流程 .......58
4.4 FEPK 预测模型的结构参数 .......60
4.5 FEPK 预测模型的实证分析 .......60
4.6 本章小结 .......71
第五章 PCA-AAP-NKNN(PANK)预测计算智能模型及实证分析........72
5.1 PANK 预测模型的基本原理 ......72
5.2 PANK 预测模型的一般结构 ......73
5.3 PANK 预测模型的算法流程 ......73
5.4 PANK 预测模型的结构参数 ......75
5.5 PANK 预测模型的实证分析 ......75
第七章 股指预测的多变量信息融合预测模型及实证分析
在市场经济中，股票市场作为核心经济变量联系和调整着各种宏观经济因素和微观经济因素，影响着国民经济的资源配置，能够对股指进行有效的预测很大程度上取决于研究者对股指决定因素和股指行为的正确把握和解释。由于股指序列具有非正态性、非线性依赖性、聚集性、非对称性和长记忆性，因此通过历史数据建立数学模型预测其走势是一项任务艰巨的课题。通过挖掘股指历史数据来研究股指未来短期走势是大多数数学模型采用的方法。例如，王光强等[172]在GMDH 神经网络中引入相空间重构，并运用该模型检测道琼斯等股指，同 BP 神经网络方法相比，GMDH 神经网络获得了更好的预测效果。韩颖[173]将径向基函数（RBF）神经网络和差分进化算法（IDE）相结合，建立了 IDE-RBF 神经网络预测模型，实证分析了上证综合指数。结果表明，IDE-RBF 神经网络的预测性能明显优于其他模型。仅使用股指的历史数据预测股指是最基本的预测模型，因此我们可以考虑构建一种更高级的多变量信息融合的预测模型。股票市场的大盘指数通常被认为是市场的“晴雨表”，能够综合反映股票市场的整体表现。大盘指数通常是由各个成份股按照其对应的权重进行加权计算得出的，而各个成份股由于其所在行业不同，也可以按照权重比例加权构成一系列行业股指，那么也可以说大盘指数可由不同的行业股指按照权重比例进行加权计算得出。因此在预测大盘指数时，要密切关注各个行业指数。在大盘上涨时，要关注领涨板块的走势。如果领涨板块滞涨，那么大盘上涨乏力，大盘指数多半窄幅震荡或者回调。如果领涨板块放量上涨，带领其他板块上涨，那么大盘指数就会上扬。下跌时，则情况正好相反。因此，在对大盘指数进行分析和预测时，可以将行业指数数据和大盘数据融合建立预测模型，更准确地分析大盘指数的波动
