金融预测模型毕业论文【EMD算法】

一、核心思路

EMD 算法也是可以自适应的将数据进行分解，专门用来处理非平稳、非线性的信号。EMD 算法是根据数据本身的特点进行分解，分为若干个本征模态函数（IMF），最大的特点是数据没有一点损失，并且将很难的数据分解为规律简单清晰的若干个函数，对之后将数据进行训练预测降低难度。
由于金融数据本身的复杂性，组合模型的出现可以更好的适应数据呈现的各种
特征，有的模型将线性模型和非线性模型进行组合，有的将两种非线性模型进行组合
处理，以及将非线性模型和 EMD 算法进行结合，这些组合模型都是先用一种模型对数据进行预处理，再用另一些模型对数据进行拟合，简单的组合，但是各个组合模型最后得出的结果都比较好。
进入大数据时代，金融也迎来了数字化的变革，挖掘数据自身的特点需要飞速发
展的各类智能算法，单一模型已经不能满足当前需要，金融预测模型向着组合模型发
展。本文将引入 EMD 算法对数据进行处理，再将处理后的数据应用 WNN 来预测的组合模型。

二、算法过程与仿真

EMD 方法是以傅里叶变换和小波变化为基础，是稳态频谱分析的重大突破，该算法的最大特点是在没有预先设定任何基函数的情况下，依据数据本身的特征进行
分解，这一点与傅里叶分解和小波分解有本质区别。EMD 方法适合任何信号的分解，适合分析非线性、非平稳的信号，具有很高的信噪比，在不同的领域应用非常广泛。
EMD 方法主要是建立在有如下假设的基础上进行的。（1）信号要至少存在一个极大值点和一个极小值点，即最少两个极值点。（2）时间间隔需要用极值点的间隔来进行定义。（3）若该信号中确实没有极值点，而是有变形点，则可以通过一次或几次微分处理，来得到极值点，最后通过积分来返回获得相应分解结果。只有满足这些基本条件，该算法才可以进行下去。

上证指数每天的收盘价数据，进行实证分析。该数据采样的时间间隔为30 分钟，数据的区间是2021 年7 月21 日14：00 到2021 年12月3 日15：00，共计723 个数据。如下图3-1 为上证指数的原始时间序列。由图3-1可知，价格与时间的关系是非线性的，且变化频率特别快。

经过 EMD 分解后，上证指数的原始序列就被分为了 5 个规律较为清晰的曲线和2 个高频震荡曲线。先对数据进行预处理的目的就是在不损失数据特征的基础上尽可能清晰的找到数据的规律，从图 可知用EMD 处理数据后，可以很好地找到数据的大部分规律，已经达到了数据处理的效果。

用前715 个数据作为WNN的训练集，在这个过程中对 WNN 的各个参数进行调节，使得WNN 对数据的拟合效果达到最优，然后将后8 个数据放入测试集中进行预测检验。在这个过程中，我们需要用小波神经网络分别进行训练学习EMD 分解得到的每一个IMF 函数和Res 函数，然后才可以得到预测结果。由于分解得到每一个函数的规律不同，故而这个过程需要
单独进行小波神经网络的参数调整。经过多次实验，7 个（IMF）和残余量（Res）都得到最佳拟合和预测效果。如图3-3 所示的真实值和预测值的对比图，以及预测的 8个数据，也就是一天的预测结果。由图3-3 可以直观的看出真实值和拟合预测值这两条曲线近乎重合，说明WNN 对原始数据的拟合效果非常好，这就为之后的准确预测奠定了基础。

博主简介：本人擅长数据处理、建模仿真、程序设计、论文写作与指导，项目与课题经验交流。