以非线性动力学的观点看来,现代金融理论中金融系统的不确定性恰恰源于其自身就是一个受多种因素综合影响的具有开放性质的复杂巨系统,相应地,作为系统观测值的金融时序数据则从形式上表现了该系统的复杂运动规律。基于此,本书借鉴复杂系统视角建模的思想,结合智能计算、计算实验金融、数据挖掘及控制论等相关领域的最新研究成果,“自底向上”地展开金融时序数据经验知识融合下的机器学习预测建模创新研究,以探索金融系统的复杂演化规律。
样章试读
目录
- 目录
第1章 绪论 1
1.1 研究的背景和意义 1
1.2 文献回顾与评述 3
1.3 主要研究成果及创新 13
1.4 研究方法及技术路线 17
第2章 相关理论基础 21
2.1 ARIMA模型 21
2.2 GARCH模型族 23
2.3 支持向量机 27
第3章 基于微分信息的ARMAD-GARCH股票价格预测模型 33
3.1 ARMAD-GARCH模型 35
3.2 实证研究 38
3.3 本章小结 46
第4章 基于梯度因子的G-ARMA-GARCH股票价格预测模型 48
4.1 G-ARMA-GARCH模型 50
4.2 实证研究 52
4.3 本章小结 60
第5章 基于近邻互信息的SVM-GARCH股票价格预测模型 61
5.1 SVM-GARCH模型构造 63
5.2 实证研究 66
5.3 本章小结 78
第6章 基于ARIMA和时间测地线距离SVM的股票价格时序数据混合预测模型 80
6.1 时间相关性经验知识 80
6.2 基础模型介绍 82
6.3 混合预测模型构造 83
6.4 实证研究 84
6.5 本章小结 90
第7章 基于ARIMA和泰勒展开的金融时序混合预测模型 92
7.1 模型构建背景知识 94
7.2 基于跟踪微分器的泰勒展开预测模型 97
7.3 混合预测模型ARIMA-TEF构建 103
7.4 本章小结 118
第8章 结论与展望 120
8.1 结论 120
8.2 不足与展望 122
参考文献 124