小波神经网络在金融时间序列分析的应用研究

"本文主要研究小波神经网络在金融时间序列分析中的应用，包括小波去噪、非线性协整建模以及分形市场中的资产定价。作者通过对比传统滤波方法的不足，阐述了小波去噪的优势，并对上证指数进行去噪实验。此外，论文构建了小波神经网络模型用于非线性协整建模，并在中国沪深股市进行了实证研究，证明其优于BP神经网络。最后，论文探讨了分形市场中的资本资产定价，提出小波神经网络定价模型，并通过上海股市数据验证其优于传统模型。关键词包括小波变换、小波神经网络、金融时间序列、去噪和非线性协整建模。" 这篇硕士学位论文详细探讨了小波神经网络在金融时间序列分析中的应用，作者罗勇在导师魏贵民的指导下，针对金融市场的复杂性和非线性特性，提出了创新的研究方法。首先，论文对传统的金融市场理论进行了修正，引入了更符合实际的分形市场理论，以此为基础展开后续研究。 在金融时间序列去噪方面，作者分析了传统滤波方法的局限性，并介绍了小波去噪的基本原理。通过选择合适的小波函数、确定阈值和分解层次，对上证指数进行去噪实验，展示了小波去噪的有效性。这种方法能够更好地捕捉金融数据中的短期波动和长期趋势，提高数据的分析精度。 接着，论文构建了小波神经网络模型，并将其应用于非线性协整建模。小波神经网络的引入解决了传统线性协整模型无法处理的非线性关系问题。通过对沪深股市的实证研究，作者证明小波神经网络在非线性协整函数估计上优于BP神经网络，揭示了沪深股市之间的非线性协整关系。 最后，论文将非线性协整理论应用于分形市场中的资本资产定价问题。传统资本资产定价模型在处理分形市场的复杂性时可能失效，因此作者提出了一种基于小波神经网络的定价模型。通过对上海股市的数据分析，该模型被证明在预测和解释资产价格上优于传统的资本资产定价模型。 这篇论文通过小波神经网络技术，为金融时间序列分析提供了一种新的、有效的工具，特别是在非线性建模和资产定价领域，为理解和预测金融市场动态提供了新的视角。同时，它也为后续研究者提供了有价值的参考和研究基础。