基于EMD的股市组合预测新模型：实证分析与神经网络优化

本文探讨的是"基于经验模式分解的股指组合预测模型"，由重庆大学数学与统计学院的张文凤和黄薇两位作者共同提出。他们针对金融时间序列中的关键难题——股指预测，提出了一个创新的方法。传统的股指预测往往面临复杂性和非线性的挑战，因此，他们将股指数据视为由多个信号叠加的复合信号，利用Hilbert-Huang变换中的经验模态分解(EMD)技术进行深入分析。 EMD是一种有效的时序分解方法，它能够捕捉到数据中的固有模态，即信号的内在频率成分，这对于理解股票市场的波动特性至关重要。在文章中，作者对比了不同的EMD分解停止准则在实际应用中的效果，这些准则对于确定何时停止分解以获取稳定的模态函数至关重要。 分解后的各IMF（Intrinsic Mode Functions，固有模态函数）和余项（Residuals）是后续预测的重要输入。作者采用了一系列预测模型，如Hilbert变换、ARIMA模型（自回归积分滑动平均模型）和分段线性模型，分别对这些分解结果进行独立预测。此外，他们还引入了RBF（Radial Basis Function，径向基函数）神经网络，以其强大的非线性建模能力，将这些预测结果进行集成，构建出一个混合模型。 实证研究表明，作者提出的基于EMD和神经网络的上证指数预测模型，相较于传统的ARIMA模型，具有更好的预测性能，尤其在实现中长期预测方面具有更高的精度。这表明，结合经验模式分解和神经网络技术在金融时间序列预测中具有显著的优势，可以为投资者提供更精确的市场动态信息。 该研究的关键词包括时间序列分析、组合预测、RBF神经网络和EMD分解，反映出研究的核心内容集中在金融时间序列分析方法的创新应用上，旨在提升股市预测的准确性和实用性。这篇首发论文不仅为金融领域的学者提供了新的研究视角，也为实际的股票市场策略制定者提供了有力的数据支持工具。