导　　师： 印鉴

授予学位： 硕士

作　　者： ;

机构地区： 中山大学

摘　　要： 　　金融时间序列的分析研究始终是经济学和统计学的一个热点，对于制定精确定价和预测决策是至关重要的。随着金融时间序列呈现的非线性特征的发现，运用数据挖掘的方法对金融时间序列分析已成为热点和方向。 　　数据挖掘一般有数据清理、数据集成、数据选择、数据变换、数据挖掘、模式评估、知识表示七个步骤构成。在对金融时序进行数据挖掘过程中，首要任务是对含有大量噪声数据的金融时序进行清洗。传统方法是采用傅立叶变换，小波分析具有良好的时频局部性能和多分辨分析的特点，现已广泛应用在信号消噪应用中。通过小波变换方法对金融时序进行预处理是进行分析的前提。 　　神经网络，小波分析及分形现已并称为分析非线性信号的三大利器。作为神经网络模型之一的RBF网络具有局部逼近能力，广泛应用在时间序列模型构建中。如何确定RBF网络模型参数是决定其性能的关键，由于遗传算法在探索问题优化解上具有良好效果，因此在RBF网络中采用遗传算法训练参数。 　　通过对上证50日线及分时数据进行小波变换并进行归一化处理后，构造RBF网络模型，并通过遗传算法对模型的参数进行优化，对其未来走势做预测和分析。 　　预测结果与实际走势具有较好的拟合效果，达到了一定的效果。不失为处理金融时序的一种新方法，具有借鉴意义。 　　

关 键 词： 金融时间序列 数据挖掘 小波分析 神经网络 网络 遗传算法

分 类 号： [TP311.131 F224.0]

领　　域： [自动化与计算机技术] [自动化与计算机技术] [经济管理]