文章 "预测金融时间序列"

[MetaQuotes]

新文章 预测金融时间序列已发布：

预测金融时间序列是任何投资活动的必备元素。投资本身的概念是投入现有的资金以在未来获利，而这个概念又基于预测未来的概念。因此，预测金融时间序列是整个投资行业（包括所有有组织的交易所和其他证券交易系统）的投资活动的基础。

第一步，我们来说明一下使用神经网络进行时间序列预测的一般方案（图 1）。

图 1时间序列预测的技术循环方案。

此外，本文中我们会简要探讨此流程的所有阶段。尽管神经网络建模的一般原理完全适用于此任务，但预测金融时间序列有其特定的性状。本文要尽最大可能阐明的内容就是这些特定性状。

浸入技术。Tackens 定理

我们先从浸入阶段开始。正如我们现在看到的，对于所有看似数据外推法的预测，神经网络确实能够解决插值的问题，这大大增强了这个解决方案的有效性。预测时间序列的问题可归结为神经分析的常规问题 - 多变量函数针对一组给定示例的逼近 - 使用将时间序列浸入多维空间的程序（Weigend，1994 年）。例如，时间序列 的维度滞后空间由时间序列在连续瞬时时间的值组成：

以下 Tackens 定理已证明对动态系统是成立的：如果某时间序列是由动态系统生成的，即 的值是这种系统的状态的一个任意函数，那么就可找出一种浸入深度（约等于此动态系统的有效自由度数），它可用于明确预测该时间序列的下一个值（Sauer，1991 年）。因此，在选择了一个较大值之后，可以保证时间序列未来的值与其之前的值之间的明确依存关系：，即时间序列预测的问题可归结于多变量函数插值的问题。然后，可根据此时间序列的历史所定义的一组示例，使用神经网络来恢复此未知函数。

反之，对于随机时间序列，过去的信息不会为预测未来提供任何有用的提示。因此，根据有效市场理论，在浸入滞后空间时，时间序列的预测值的散布不会发生变化。

图 2 中显示了浸入期间检测到的混沌动态与随机（无规律）动态之间的差异。

作者：MetaQuotes Software Corp.