, ,
(1.西南财经大学 天府学院 智能金融学院,四川 成都 610052; 2.成都大学 商学院,四川 成都 610106; 3.重庆金融学院 智能金融研究中心,重庆 400067)
金融时间序列预测是一个极具挑战性的理论和技术问题,具有重要的经济意义,近年来引起了金融界和计算机界的广泛关注。金融时间序列概率可预测性已被大量文献所证实。在有效市场假说(EMH)的基础上,Box和Jenkins[1]提出了ARIMA模型,Engle[2]提出了ARCH模型,Bollerslev[3]提出了GARCH模型,认为金融市场的价格波动有可预测性,但并非是价格本身。而一些跨学科的研究人员采用从其他不同角度继续研究金融市场预测,包括常见的混沌理论模型[4],支持向量机(SVM)的预测模型[5],神经网络(NN)的预测模型[6],和基于k-最邻近元(KNN)的预测模型[7]。
在这些常用的预测模型中,Cover和Hart[8]提出的KNN可以处理高维数据,并能够简单直观地从特征空间中提取相似实例进行预测分析,由此被广泛应用于时间序列预测[9]。但是KNN有两个明显的缺陷会影响其性能也是众所周知的。第一,计算量过大,因为需要计算测试点与已知样本中的所有点的相似度,并找到k个最邻近元;第二,受不均衡样本影响,当不同类所含样本点数量差距较大时,测试点的k个最邻近元中,大样本类容易占多数而影响测试点的分类或者回归效果。为了解决这两个问题,本文提出了一种嵌套式KNN,称为Nested KNN。Nested KNN分成两层:第一层首先计算预测点前一时点t与各个聚类中心的相似度,并找到其最近的聚类中心和相应的聚类;第二层计算t与第一层输出的聚类中的各个点的相似度,并找到t的k个最邻近元。……