本报告系统介绍了利用小波变换方法对金融时间序列进行分解和预测。通过对上证综指2017年全年数据进行2层小波分解,分别对高频和低频小波系数建立ARMA模型进行拟合与预测,最终通过重构恢复指数走势。预测结果表明,该方法在短期内拟合和预测效果较好,未来可结合机器学习方法进一步提升精度 。
| 时间 | 实际值 | 预测值 | 误差 | 误差百分比(%) |
|---|---|---|---|---|
| 2018-01-18 | 3474.75 | 3427.19 | -47.56 | -1.37 |
| 2018-01-19 | 3487.86 | 3428.46 | -59.40 | -1.70 |
| 2018-01-22 | 3501.36 | 3432.58 | -68.78 | -1.96 |
| 2018-01-23 | 3546.50 | 3435.18 | -111.32 | -3.14 |
| 2018-01-24 | 3559.46 | 3431.58 | -127.88 | -3.59 |
| 2018-01-25 | 3548.31 | 3421.03 | -127.28 | -3.59 |
| 2018-01-26 | 3558.13 | 3417.53 | -140.59 | -3.95 |
| 2018-01-29 | 3523.00 | 3422.16 | -100.84 | -2.86 |
| 2018-01-30 | 3488.01 | 3419.49 | -68.52 | -1.96 |
| 2018-01-31 | 3480.83 | 3414.11 | -66.73 | -1.91 |
报告首先介绍了小波变换的基本性质及其与傅里叶变换的区别。小波变换具备多尺度分析能力,能在时间与频率两个域局部化信号特征:低频部分精于频率细节,高频部分精于时间定位。
原理阐释:
傅里叶变换将信号分解为无限长、固定形状(正余弦)波形,适用平稳信号的全局频域分析,但缺少局部时间信息。而小波变换则采用具有限时衰减性质的小波基函数,具备尺度 (a) 和时间平移 (\tau) 两个变量,因而具备“有伸缩性”的时频局部分析能力。
数学表述:
报告分别展示了傅里叶变换与小波变换的积分定义,发挥小波多尺度与平移的特点。此基础理论为对金融非平稳时间序列建模提供重要支撑。
报告阐述了将原始时间序列通过小波分解为多层“细节(高频)”与“逼近(低频)”系数部分,典型表达为:
[ O = D_1 + D_2 + \cdots + D_N + A_N ]
此方法巧妙地利用信号的内在多频特性,尝试抓取不同时间尺度的变化模式,弥补单模型全频建模的局限。,4]
图表1(A2拟合):低频近似系数A2呈现平稳上升趋势,拟合曲线(红色)较好贴合原始系数(蓝色),表明ARMA模型能够较准确捕获该趋势。
图表2(D2拟合):第二层细节系数D2波动较大,拟合曲线体现出对局部振荡的平滑捕捉,整体误差相较A2更大,但大体趋势捕捉合理。
图表3(D1拟合):第一层细节系数D1频率最高,波动剧烈,ARMA拟合曲线较为平坦,未能捕获尽可能的短期波动,显示ARMA模型在高频噪声层预测上的局限。
报告强调现阶段采用ARMA模型做粗略预测,后续可通过机器学习方法提升预测准确性和对高频层的捕捉能力。
本报告并未涉及具体证券或资产的估值分析,更多关注金融时间序列建模与预测方法论本身,因此无直接估值讨论。
报告没有专门章节识别风险因素,但从技术层面及预测结果可推断如下风险:
文本中提及未来可引入机器学习方法弥补这些风险,表明对当前结果持审慎态度。
总体而言,报告理论介绍规范,案例展示初步有效,技术路线合理,但分析深度和应用广度需进一步提升。
本报告系统介绍并验证了基于小波变换对金融时间序列进行分层预测的技术路径:
总结来看,该报告在理论和方法论方面具有一定创新意义,实验结果展现了小波变换分解结合传统时间序列模型预测的潜力,适合金融工程和量化投资领域的进一步研究和实践推广,但其预测模型的准确度和鲁棒性仍有提升空间,尤其是在高频噪声成分的建模上。同时,报告风格严谨,表达清晰,数据充分,适合作为基于小波变换金融时间序列预测领域的入门与应用参考文献。
图1(A2拟合)
图2(D2拟合)
图3(D1拟合)
图4(预测指数)
图5(预测误差数据表)
详见正文中对应数据表。
全文完
小波变换在金融时间序列的应用之二:基于小波变换的金融时间序列预测.pdf