金融时间序列预测模型与方法

［摘要］为了提高金融时间序列的预测精度，弥补单一预测方法的不足，组合预测从信息互补的角度为其提供了一条有效的途径。文章综述了现有的金融时间序列组合预测的模型与方法的分类，包括普通权重法、时变权重法、神经网络法以及集成预测法，并展望了在不确定的经济环境下组合预测方法未来的研究方向。

［关键词］组合预测;权重法;神经网络;集成预测法

1引言

金融时间序列预测是一个广泛讨论的问题，尽管各种单一预测方法在特定时候可以表现出良好的预测性能，但是经济样本数据往往具有非常大的随机波动，当面临这样的数据时，应用建立单一的模型的方法来考虑所有的波动因素是一件很不现实的事情。

2金融时间序列组合预测的方法

任何预测模型都旨在从系统中获取尽可能多的经济数据的特性(或信息)。组合预测为弥补单个预测模型的缺陷带来了越来越多的可能性。Newbold和Granger对组合预测进行了研究，他们收集了包含80种月度数据，26种季度数据在内的106个单变量时间序列，使用不同的单一预测方法和不同的组合预测模型来验证它们各自的效果，结果表明:①在任何一种情况下，组合预测都值得尝试，组合预测通常优于单一模型;②调整组合权重的方法相对较慢，但预测效果通常较好，且权重相同的组合预测效果很难被超过。［1］目前有关组合预测的国内外文献基本上常用的金融时间序列组合预测方法有普通权重法(包括简单平均法、线性回归法、最小方差法等)，时变权重法，神经网络法和集成预测方法。2.1普通权重法。简单平均法、线性回归法、最小方差法等常规的不同权重的组合方法在经济生活中得到了广泛应用。陈晓静［2］利用多元统计和矩阵理论建立了基于线性回归最小二乘估计的投资组合成本预测模型。LarryRWeatherford［3］试图用组合预测方法为航空公司寻找在竞争激烈的环境中实现收入最大化的方法。JoakimWesterlund［4］在拉美地区最大，污染最严重的城市之一的波哥大，采用MonteCarlo模拟和广泛应用空气质量的方法验证了所提出的组合方法的有效性。2.2时变权重法。通过时变权重方法，很好地解决了传统最优不变权重组合预测模型存在的问题。吴青青和杨桂元［5］分别采用指数平滑法、ARIMA模型、回归与时间序列结合的三种精度相对较高的单一预测方法，拟合了1980年至2012年中国第三产业的GDP，建立了基于IOWGA算子的组合预测模型。莫玉娟［6］首先采用回归和时间序列组合模型、ARIMA模型和灰色预测模型用于预测中国的GDP总量，然后建立了基于IOWGA算子和评价指标体系的组合预测模型。林义征［7］结合诱导有序加权调和平均算子和矢量余弦，建立了数量区间组合预测的最优组合模型。2.3神经网络法。神经网络技术的发展也丰富了预测模型之间的组合方法。张延利和张德生［8］从协整关系和优性组合判定方法两方面提出确定线性组合条件及线下组合建模过程。同时，给出在任取两个模型的情况下，进行组合的方法和步骤，既提高组合预测精度，又达到简化计算过程的目的。AliBabikir和HenryMwambi［9］评估了动态因子模型(DFM)和人工神经网络(ANN)联合预测的优点，研究结果表明，人工神经网络组合方法可以作为线性组合方法的替代方法，以获得更高的预测精度。2.4集成预测方法。在很多情况下，被预测序列的动态变化往往不止一种成分，为了得到更好的预测结果，可以把经济数据序列分为预测趋势、季节或周期项和扰动项，并用功能不同的预测技术分别加以处理再组合起来。当然了，现实世界中影响数据的因素多种多样，不可能如此明显而整齐地被分解，但是这至少给我们提供了一种研究的思想，让我们在具体的问题中可以根据它进行具体的分析。徐龙琴［10］提出了一种基于经验模态分解(EMD)，相空间重构和极端学习机(ELM)的非线性组合预测模型，为南美白对虾种植水温的调控提供有效的技术支持。

3未来研究展望

组合预测本质上是信息的融合，目前虽然在有关金融时间序列的组合预测模型和方法的研究和应用方面取得了许多成果，但在不确定的经济环境下构建组合预测模型，从单一预测模型的选择、组合预测模型的构建方法以及模型的有效性理论依然是组合预测领域未来研究的主题。

作者:吴晓峰 陈垚彤 赵桂彩 单位:1.北京信息科技大学 2.绿色发展大数据决策北京市重点实验室