3.3.2 IMF 的相关性分析.16
3.4 金融行业的预测分析.17
3.4.1 ARMA 模型预测.17
3.4.2 BP 神经网络预测.18
3.4.3 两种预测的对比分析总结18
第四章 结论20
参考文献21
致谢23第一章 引言
1.1 课题的目的和意义
随着我国经济的不断发展,国内金融市场的不断完善,特别是我国一板市场、二板
市场的成熟与2009 年创业板市场的推出,大多数制造业企业选择注册上市,如此金融股
与制造业股之间的关系也随之变得密不可分。从以往经验来谈,金融市场波动必定会影
响制造业市场。例如:2008 年的世界金融危机造成了金融市场长期低迷,但制造业的汽
车行业股票却有上涨的趋势,这一点表明金融市场金融股与制造业类股之间存在一定的
相关性,从人性角度分析是因为金融股不被多数股民看好,而实体制造业成为了这类股
民的投资方向。以上是非理性的分析,本文将从理性角度收集数据,运用一些统计分析
方法去发掘这一相关性。并可以用这一相关性来预测金融市场或者制造业市场未来一段
时间内的走势。
传统信号处理方法有:傅里叶分析、小波分析等;对金融时间序列已有较多的研究
并引起了广泛的关注,但均要求所要研究的数据的线性与平稳性,而对于处理非平稳,
非线性的信号而言,传统信号处理方法暴露出明显的缺陷及自身的局限性。为了使传统
信号处理方法适应例如金融时间序列信号等这类非平稳、非线性的信号的研究分析,人
们尝试着对傅里叶分析做了进一步的改进,例如加窗傅里叶分析、Wigner-Ville分布、 小
波分析等,但却并没有突破其本身所固有的自身局限性:线性、高斯性、全局性,仍然
不能对非平稳、非线性的信号给出很好的解答。
在现代信号处理中,金融时间序列等此类非平稳、非线性信号处理的发展尤其引人
注目,相对于传统信号处理方法的局限性,经验模态分解方法(Empirical Mode
Decomposition, EMD)对股指数据进行的统计特性研究能更好的反映原始数据的特征,
具有多分变特性与自适应性,对线性与平稳性没有要求。EMD 方法于1998 年由美籍华
人 N.E.Huang 提出,该方法是一种新的信号分析方法,对多尺度上的非线性行为包括非
高斯行为的研究能弥补传统方法在金融时间序列分析上的不足。
1.2 国内外研究现状与发展趋势
根据国内外对制造业波动的研究发现制造业与金融市场动荡、国际重要股票市场存
在互动关系,与国际商品市场存在联动关系。国内金融市场的发展历史表明,在通常情
况下,金融与与制造业是相互影响的,金融股市行情大幅上扬时,制造业股市往往紧随
其上扬,反之亦然。
金融股是由金融行业及相关行业的公司发行的股票。金融股包括券商股、保险股、期货商股、信托股等。
制造业是指对制造资源(物料、设备、能源、资金、工具、技术、人力和信息等) ,
按照市场的配置要求,通过制造,转化为可供人们使用和利用的工业品或者生活消费品
的行业;作为我国国民经济的支柱产业, 制造业是我国经济增长的主导部门和经济转型
的基础性产业;作为社会经济发展的重要依托,制造业是我国城镇就业的主要渠道和国
际竞争力的集中体现;
对于以往的金融股和制造业类股波动因素的相关性分析的研究中,时常使用多元线
性模型拟合用模型残差自相关性进行验证,或建立 GARCH(1,1)模型,用 ARCH LM 检 金融股和制造业类股票之间的相关分析(2):http://www.751com.cn/shuxue/lunwen_18150.html