[论文解读] Forecasting non-stationary financial time series through genetic algorithm

M. B. Porecha, Pradipta Kumar Panigrahi+3 more|ArXiv.org|Jul 18, 2005

Complex Systems and Time Series Analysis参考文献 4被引用 5

一句话总结

该论文提出了一种混合方法，结合离散小波变换（Coiflets）与遗传算法，以预测非平稳金融时间序列（如纳斯达克和孟买证券交易所指数）的趋势。通过小波分离趋势，并利用遗传算法从滞后趋势值中推导出显式解析方程，该方法在纳斯达克指数上实现了高达 R² = 0.99994 的决定系数和仅 0.06831% 的平均误差，展示了对市场方向与幅度的强劲预测能力。

ABSTRACT

We utilize a recently developed genetic algorithm, in conjunction with discrete wavelets, for carrying out successful forecasts of the trend in financial time series, that includes the NASDAQ composite index. Discrete wavelets isolate the local, small scale variations in these non-stationary time series, after which the genetic algorithm's predictions are found to be quite accurate. The power law behavior in Fourier domain reveals an underlying self-affine dynamical behavior, well captured by the algorithm, in the form of an analytic equation. Remarkably, the same equation captures the trend of the Bombay stock exchange composite index quite well.

研究动机与目标

• 为应对非平稳金融时间序列预测的挑战，此类时间序列表现出复杂、非线性和尺度依赖的动力学特性。
• 利用离散小波变换（特别是 Coiflets）从金融指数中分离出确定性趋势分量与随机波动分量。
• 开发一种数据驱动的预测模型，生成趋势演化的显式解析方程，避免神经网络等方法的‘黑箱’特性。
• 在纳斯达克与孟买证券交易所综合指数上验证该方法，评估其在不同市场间的泛化能力。
• 通过分析提取趋势的功率谱，探究金融时间序列的潜在动力学本质。

提出的方法

• 该方法使用 Coiflet 小波将金融时间序列分解为趋势与波动分量，利用其多分辨率特性和消失矩性质，实现最优趋势提取。
• 将遗传算法应用于提取的趋势序列，以过去值（x(t-1), x(t-3), x(t-4)）作为输入，演化出用于一天后预测的解析方程。
• 通过选择、交叉和变异操作，对一组方程字符串种群进行演化，适应度函数定义为在 700 个样本的训练集上的均方误差。
• 通过虚假最近邻法确定嵌入维数 m=4，以确保相空间重构的充分性。
• 使用相关系数、R²、平均误差和趋势方向匹配度等指标，在 743 个样本外数据上对最终预测方程进行验证。
• 通过傅里叶域中的功率谱分析，评估趋势的自相似性与动力学特性，功率律指数为 1.88，表明其行为更接近可积系统。

实验结果

研究问题

• RQ1 混合小波-遗传算法框架能否有效提取并预测非平稳金融时间序列中的确定性趋势？
• RQ2 与直接在原始数据上应用遗传算法相比，使用 Coiflet 小波是否显著提升了预测精度？
• RQ3 通过功率谱分析揭示的金融指数趋势所受动力系统本质为何？
• RQ4 从纳斯达克数据中推导出的同一解析预测方程，能否准确预测另一市场指数（如孟买证券交易所SENSEX）的趋势？
• RQ5 小波预处理的引入如何影响遗传算法在金融预测中的鲁棒性与泛化能力？

主要发现

• 直接对原始纳斯达克数据应用遗传算法，其预测结果仅略优于持续性预测，表明随机波动显著阻碍了预测精度。
• 在使用 Coiflet 小波提取趋势后，遗传算法在预测值与实际趋势值之间实现了 R² = 0.99994 的决定系数，表明拟合近乎完美。
• 纳斯达克趋势预测的平均绝对误差仅为 0.06831%，展示了在短期预测中的高精度。
• 所推导的预测方程 x_fit(t) = (x(t-4) * (x(t-1))²) / (x(t-3) + 1) 准确捕捉了价格走势方向，742 次方向预测中仅有 40 次不匹配。
• 趋势的功率谱呈现幂律衰减，指数为 1.88，表明其动力学更接近可积系统而非混沌系统（指数 ~1）。
• 同一预测方程在孟买证券交易所SENSEX趋势预测中也取得成功，平均误差为 0.08693%，证实了该方法在不同金融指数间的可迁移性。