[论文解读] Markov Chains application to the financial-economic time series prediction
本文提出了一种分层马尔可夫链模型，用于金融时间序列预测，该模型利用复杂高阶马尔可夫链中的记忆效应，并通过拼接过程在多个时间尺度上整合预测结果。该方法通过利用市场指数的分形特性提升了预测准确性，实证结果表明，预测值与道琼斯工业平均指数（DJI）和富时100指数（FTSE 100）等主要全球指数的实际走势之间具有高度相关性。
In this research the technology of complex Markov chains is applied to predict financial time series. The main distinction of complex or high-order Markov Chains and simple first-order ones is the existing of aftereffect or memory. The technology proposes prediction with the hierarchy of time discretization intervals and splicing procedure for the prediction results at the different frequency levels to the single prediction output time series. The hierarchy of time discretizations gives a possibility to use fractal properties of the given time series to make prediction on the different frequencies of the series. The prediction results for world's stock market indices is presented.
研究动机与目标
- 开发一种稳健的预测框架，用于复杂金融经济时间序列，以考虑记忆效应与长期依赖性。
- 利用时间离散化层次结构与拼接算法，将多频段预测整合为统一输出。
- 在真实世界股票市场指数上验证该方法，并评估其在多样化市场中的预测性能。
- 探索时间序列分形特性在提升预测准确性中的应用。
提出的方法
- 该方法采用复杂（高阶）马尔可夫链来建模金融时间序列中的记忆效应，捕捉超越一阶马尔可夫过程的依赖关系。
- 采用分层时间离散化结构，通过多个时间间隔层级（Δt_i）分析和预测不同频率的序列。
- 通过识别基于历史状态序列推导出的转移概率中最可能的下一状态，生成预测情景。
- 通过插值和校正粗粒度与细粒度预测之间的差异，拼接程序将不同时间尺度的预测结果合并。
- 拼接算法使用线性插值对齐细粒度时间间隔的预测结果，并利用残差校正调整前一层次的误差。
- 采用归一化处理以比较具有不同绝对值的指数，使用公式 y_n(t) = (y(t) - min(y(t))) / (max(y(t)) - min(y(t)))。
实验结果
研究问题
- RQ1高阶马尔可夫链能否有效建模金融时间序列中的记忆效应与长期依赖性？
- RQ2分层时间离散化框架在多尺度上如何提升预测准确性？
- RQ3拼接程序在多大程度上增强了多尺度预测的一致性与可靠性？
- RQ4金融时间序列的分形特性在多大程度上提升了模型的预测能力？
- RQ5该方法在真实世界全球股票指数上的表现如何？
主要发现
- 该预测模型在道琼斯工业平均指数（DJI）和富时100指数（FTSE 100）等主要指数上，表现出预测值与实际值之间的强相关性。
- DJI的预测序列相关性高于FTSE 100，表明该方法在某些市场指数上表现更优。
- 计算并可视化了预测序列的均值与标准差，显示在不同学习集长度下，预测模式稳定且一致。
- 全球市场（美洲、欧洲、亚洲）的归一化预测序列揭示了协调一致的趋势，加权平均基于各国GDP值计算。
- 该方法通过拼接程序成功地将多时间尺度的预测结果整合为单一统一的输出序列。
- 软件实现已公开发布于 http://kafek.at.ua/MarkovChains1_2_20100505.rar，可供复现与进一步研究。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。