基于离散小波变换的股指预测研究

根据误差指数（Ek），本研究采用以下三条规则：规则1：IF（1^kkyy) 和（如果投资者在kthweek的第一个交易日没有持有任何股票），则（建议他/她在kthweek的下一个交易日购买股票）规则2：如果（1^kkyy) 和（如果投资者在KTH周的第一个交易日持有任何股票），则（建议他/她在KTH周的下一个交易日出售股票）规则3：如果（投资者在KTH周的第一个交易日持有任何股票）和（203kjjE)  然后（建议投资者在交易周的第二个交易日出售股票）对股票规则进行了解释，尽管使用了指数值进行了分析和说明。第一条规则建议，如果投资者在交易周的第一天没有持有任何股票，则应购买股票，因为下一周的价格为预计会上升。第二条规则建议，如果投资者在交易周的第一天持有一只股票，并且观察到下周价格预计会下跌，建议他出售股票。最后一条规则建议，如果连续三周对股价上涨的预测完全错误，投资者应出售其持有的股票。投资回报率使用以下公式计算：ROI =CSi-CBiCBiki=1（18）其中，Csi表示ITH交易的售价，Cbire表示ithtransaction的买价，k表示交易总数。在此，假设一旦做出买入/卖出决定，证券可以在一周的下一交易日以开盘价卖出和买入。

基于交易规则的交易如表4所示。表4：交易规则实施说明日期收盘价预测收盘价6交易交易日期规则5-Jan-158284.508392.73买入日期8325.306-Jan-15Rule 112-Jan-158513.808852.3319-Jan-158835.608743.47卖出日期8575.0920-Jan-15Rule 227-Jan-158808.908643.772-Feb-158661.058803.13买入日期8823.153-Feb-15Rule 19-Feb-158805.508837.3116-Feb-158833.608834.68预测期末下一个交易周第一个交易日的价格23-Feb-158844.608974.322-Mar-158937.758669.78卖出价8962.853-Mar-15Rule 29-Mar-158647.758462.1516-Mar-158570.908341.9323-Mar-158341.408433.20买入价8537.0524-Mar-15Rule 130-Mar-1585836.336-Apr-158780.358546.42卖出价8684.457-Apr-15Rule 213-Apr-158606.008 283.7920-Apr-158305.258087.7827-Apr-158181.508086.904-May-158191.508231.53购买地点8338.405-May-15Rule 111-May-158262.358457.6618-May-158458.958472.6225-May-158433.658048.21卖出价8377.1026-May-15Rule 21-Jun-158114.707888.538-Jun-157982.908149.56买入价8026.509-Jun-15Rule 115-Jun-158224.958371.9622-Jun-158381.108501.9629-Jun-158484.908417.48卖出价8316.3530-Jun-158630第二条2015年1月5日该指数收盘价为8284.5，这低于下周第一个交易日的预测值（8392.73）。因此，根据规则1，建议投资者于2015年1月6日购买该证券。2015年1月19日，由于nextweek（2015年1月27日）的预测值低于当前值，因此建议投资者于2015年1月20日出售其证券。同样，2015年2月2日，股价（8661.05）低于2015年2月9日的预测值（8803.127），因此建议投资者在2015年2月3日以开盘价购买证券。

2015年2月9日，收盘价低于预测价，因此未采取任何行动。该股票持有至2015年3月2日，随后一周（即2015年3月9日）第一个交易日的预测值（8669.78）低于当前值（8937.75）。根据规则2，建议投资者出售证券。交易规则应用于测试数据集。研究发现，基于MODWT-SVR和交易规则预测的交易规则获得的投资回报率高于买入持有策略。5、结论本文提出并提出了一种融合adecomposition模型和机器学习模型优点的混合预测方法。提出了两种混合模型，即MODWTANN模型和MODWT-SVR模型，用于预测全国证券交易所50指数的一步超前预测。混合方法首先使用MODWT对时间序列数据进行分解。然后，在各自的模型中使用SVR和ANN对每个子序列进行独立预测，然后对预测的子序列进行聚合以获得最终预测。与ANN和SVR相比，上述模型在预测每周美国证券交易所50指数方面表现出一致的优越性，这表明它们能够预测非平稳和非线性时间序列。从实验中可以看出，使用MODWT对序列进行分解有助于显著提高机器学习模型的性能。

获得的性能度量结果表明，通过聚合时间序列的预测组件获得的预测比通过对原始序列本身建模获得的预测更准确。该模型是一个基于分解的模型，有利于股票指数的预测。它有助于将时间序列分解为各种频率分量。单个分量比原始的非平稳和非线性数据序列更容易预测。模型的第二部分使用SVR，SVR比ANN模型具有更好的鲁棒性。由于所提出的模型是数据自适应模型，因此可以捕获时间序列中的趋势，这有助于提高预测的准确性。此外，评估了两种交易策略，即基于MODWT-SVR预测的交易策略和买入和持有策略，以确定买卖证券的时机。研究发现，基于MODWT-SVT结果的交易策略比买入持有策略产生更好的ROI。这里，在本文中，使用“haar”过滤器进行分析，假设分解级别为三级。这项工作可以扩展到其他级别，以研究其他过滤器的影响，即db4、db6、db8和db1，也可以进行不同级别的分解。作为未来方向的一部分，该模型可以对高频日内股指或股票价格数据进行测试。为了捕捉宏观经济变量对股票价格的影响，可以使用多变量预测模型来预测股票价格。参考文献1。Novak，M.G.，&VeluTcek，D.，《基于每日高价的股价变动预测》。定量金融，内政部：10.1080/14697688.2015.1070960（2015）。2。法玛，E。

F、 ，有效资本市场：理论和实证工作回顾。《金融杂志》（25:1970）3。Lo，A.W.，&MacKinlay，A.C.，《股票市场价格不遵循随机游走：来自简单规范测试的证据》。金融研究回顾（1:1988）。4。Chen，N-F.，金融投资机会与宏观经济。《金融杂志》（46:1991）。5。Bilson，C.，Brailsford，T.，和Hooper，V.J.，选择宏观经济变量作为新兴股市回报的解释性因素。《太平洋盆地金融杂志》（9:2001）。6。Yao，J.、Tan，C.，&Poh，H.-L.，《用于技术分析的神经网络：KLCI研究》。《国际理论与应用金融杂志》（2:1999）。7。Bettman，J.L.，Sault，S.，&Schultz，E.，《基础和技术分析：替代品还是成分？《会计与财务》（49:2009）。8。Atsalakis，G.，&Valavanis，K.，《调查股市预测技术——第一部分：传统方法》。在C.Zopoumonidis（编辑），《经济与金融研究纲要中的计算优化》（第49-104页）。纽约：Nova Science Publishers，Inc.（2013）。9。Atsalakis，G.，&Valavanis，K.，《调查股市预测技术-第二部分：软计算方法》。专家系统及其应用（36:2009）。10。Bollerslev，T.，广义自回归条件异方差。《经济计量学杂志》（31:1986）。11。Matei，M.，评估波动率预测模型：为什么GARCH模型领先。《经济预测杂志》（4:2009）。12。Theodosiou，M.，使用STL分解预测月度和季度时间序列。《国际预测杂志》（27:2011）。13。

Liu，H.，Chen，C.，Tian，H.，&Li，Y.，一个使用经验模式分解和人工神经网络的风速预测混合模型。可再生能源（48:2012）。14。Lahmiri，S.，小波低频和高频成分作为反向传播神经网络预测股票价格的特征。《沙特国王大学计算机与信息科学杂志》（26:2014）。15。Ortega，L.，&Khashanah，K.，一种用于股票收益高频时间序列短期预测的神经小波模型。《预测杂志》（33:2014）。16。Murtagh，F.，Starck，J.，和Renaud，O.，关于神经小波建模。决策支持系统（37:2004）17。Li，T.，Li，Q.，Zhu，S.，和Ogihara，M.小波在数据挖掘中的应用综述。SIGKDD探索通讯（4:2002）。18。Gencay，R.、Selcuk，F.，&Whitcher，B.，《离散小波变换》。在R.G.S.Whitcher（Ed.）中，介绍了金融和经济学中的小波和其他滤波方法（第96-160页）。圣地亚哥：学术出版社（2002年）。19。Riedmiller，M.，&Braun，H.，一种快速反向传播学习的直接自适应方法：RPROP算法。在IEEE神经网络国际会议上（第1卷：1993）。20。Al Hnaity，B.，&Abbod，M.，一种新的混合集成模型，通过结合神经网络和EEMD预测FTSE100指数。2015年欧洲控制会议（ECC）（第3021-3028页：2015年）。21。《统计学习理论的本质》。美国纽约州纽约市：SpringServerLag New York，Inc.（1995）22。Sapankevych，N.，&Sankar，R.，《使用支持向量机的时间序列预测：Asurvey》。计算智能杂志，IEEE（4:2009）。23。Tsai，D.-M.，&Chiang，C.-H.，缺陷检测应用中小波重构的自动频带选择。

图像与视觉计算（21:2003）。24。Dickey，D.A.，&Fuller，W.A.，《单位根自回归时间序列的估计量分布》。《美国统计协会杂志》（74:1979）。25。Dickey，D.A.，&Fuller，W.A.，《单位根自回归时间序列的似然比统计》。《计量经济学》（49:1981）。26。Crone，S.、Guajardo，J.，&Weber，R.，《时间序列预测中预处理对支持向量回归和神经网络的影响》。《数据挖掘国际会议记录》（DMIN’06）（第37-42页）。美国拉斯维加斯：CSREA（2006）。27。Wu，G.，&Lo，S.，《数据归一化和固有因素对通过人工神经网络确定水处理中最佳混凝剂用量的影响》。专家系统与应用（37:2010）。28。Lin，C.、Hsu，C.，&Chang，C.，支持向量分类实用指南（Tech.Rep.）。国立台湾大学，台北：计算机科学与信息工程系（2003）。29。Diebold，F.X.，&Mariano，R.S.，比较预测准确性。商业与经济统计杂志（13:1995）。30。Kao，L.-J.、Chiu，C.-C.、Lu，C.-J.、Chang，C.-H.，一种将基于小波的特征提取与MARS和SVR相结合的混合方法，用于股票指数预测。决策支持系统（54:2013）。31。Hsu，C.–M.，基于数据包络分析、人工蜂群算法和遗传规划的综合投资组合优化程序。《国际系统科学杂志》（45:2014）。传记作者Hanya Jothimani是印度德里理工学院管理研究系的博士学者。

她获得了印度蒂鲁奇拉帕利国家理工学院的理学学士学位（理学学士），以及印度哈拉格布尔理工学院的理学硕士学位（理学硕士）。她的研究兴趣包括金融分析、数据挖掘和运筹学。她是运筹学和管理科学研究所（INFORMS）、美国金融协会（AFA）、决策科学研究所（DSI）和信息系统协会（AIS）的成员。Ravi Shankar是印度德里IIT的供应链和运营管理教授。他的兴趣领域包括供应链管理、商业分析、运筹学、模糊建模、六西格玛、项目管理、战略技术管理等。他在期刊和会议上发表了300多篇研究论文，包括Omega、EuropeanJournal of operations research、International Journal of Production research、，《国际生产经济学杂志》、《国际供应链管理杂志》、《国际物流与物流管理杂志》、《IEEE系统人与控制论C部分》、《计算机与工业工程》、《计算机与运筹学》等。Surendra S.Yadav在印度坎普尔IIT获得理学学士学位（理学学士），印度德里大学工商管理硕士，法国巴黎大学巴黎分校管理学博士。他是印度德里IIT管理研究系的教授。他教授公司金融、国际金融、国际商业和证券分析与投资组合管理。他的研究兴趣是所有这些领域和综合管理。他是英国Emerald出版的《管理研究进展杂志》的主编。