摘 要

本文主要的工作内容是以大量的数据为背景分析了金融时间序列的预测方法。分别采用了遗传算法、粒子群算法、随机微分方程和自回归条件异方差等方法对时间序列进行了分析，并建立了一定的模型来对未来的数据进行预测和推断。经过理论和实践证明：金融行业的大量数据可以经过一定程度的提取和分析，来获得对自身公司有利用价值的信息，同时，还可以对未来的趋势进行一定程度上的有效预测，降低公司的资金风险。

首先，本课题先简述了金融大数据背景下的现有状况，表明了论文所处的环境和课题研究的意义，并引出了时间序列这一概念，然后大致描述了本文写作的基本内容和结构。

其次，对数据挖掘和时间序列的基本概念以及数据挖掘广泛应用的领域做了一定篇幅的介绍，然后由时间序列引出了GA、PSO、MEP等算法概念，并一一作了介绍，同时，对GA和PSO两大算法的效果进行了简要的比较，表明了两算法之间的异同。

然后，以随机微分方程和ARCH为基础建立了两个时间序列预测模型，在叙述了两个分析方法的有关定义和研究过程后，以IBM和Dell的股票价格为例进行了分析和预测，并就两模型进行了简短的分析和评价，结果显示很大程度上可以进行预测。

最后，论文总结分析了全文的大致内容，并对金融时间序列预测的未来发展做了一定篇幅的探讨。

关键词：数据挖掘；金融预测；时间序列；随机微分方程；自回归条件异方差

Abstract

The main job of this paper is based on a large amount of data in the background of financial time series prediction method are analyzed. Respectively using the genetic algorithm, particle swarm optimization (pso) algorithm, stochastic differential equations and auto-regressive conditional heterosexuality method of time series is analyzed, and a model is established to forecast the future of data and the inferences. Through theory and practice prove that: the financial sector of large amounts of data can be through a certain degree of extraction and analysis, to obtain information of our company have use value, at the same time, the trend of the future can also be a degree of prediction effectively, reduce the risk of the company's money.
First of all, this topic first briefly describes the financial big data under the background of the existing conditions, shows the paper's environment and the significance of research, and raises the concept of time sequence, and then a general description of the basic content and structure of writing.
Secondly, the basic concepts of data mining and time series and the field of data mining is widely used to introduce a certain space, and then by the time series raises GA, PSO and MEP algorithm concept, and introduced one by one, at the same time, to the effect of GA and PSO algorithm are compared, and a brief shows the similarities and differences between the two algorithms.
Then, based on the stochastic differential equation and the ARCH two time series prediction model is established, the two analysis methods are described about the definition and research process, IBM and Dell's share price, for example are analyzed and predicted, and the two model has carried on the brief analysis and evaluation, results show that to a large extent can be forecast.
Finally, the thesis summed up an idea of the full text content are analyzed, and the future development of financial time series prediction for a certain length.

Key words: Data mining; Financial prediction; Time series; Stochastic

differential equations; The ARCH

目录

摘要 I

Abstract II

第一章：绪论 1

1.1 金融预测的发展和现状 1

1.2本文的研究现实意义 1

1.3 本文结构安排 2

第二章：理论基础 3

2.1数据挖掘 3

2.1.1 数据挖掘定义 3

2.1.2数据挖掘的过程 3

2.1.3 数据挖掘的应用领域 4

2.2 时间序列 4

2.3 遗传算法 4

2.4 粒子群算法 5

2.5 多表达式编程(MEP) 5

2.5.1 MEP定义 5

2.5.2 MEP的编码 5

2.5.3 MEP的适应值函数 6

第三章：随机微分方程模型 7

3.1 随机微分方程的基本概念 7

3.2 求解随机微分方程 7

3.3 差分近似处理随机微分方程的解 8

3.4 随机微分方程预测模型 9

3.4.1 数据来源 9

3.4.2 对股票进行预测的实验结果分析 9

第四章：基于ARCH模型的金融时间序列预测分析 11

4.1 自回归模型定义 11

4.3 实例分析 12

第五章：两种模型比较分析 14

第六章：结论与展望 15

参考文献 16

致谢 17

第一章：绪论

1.1 金融预测的发展和现状

从九十年代开始，人们慢慢被大量的科学研究的数据、人口基数的统计数据以及金融市场的时序数据等庞大的数据量所掩盖，而且由于互联网的飞速发展，人们所拥有的数据量更是以指数的形式在增长^[1]。不过人们却没有花费过多的时间来观察和分析这些数据，导致知识多而杂。据统计机构统计，大部分企业数据库中的数据，只有极少部分得到了有效应用^[2]。因此有必要研究出一种能够主动分析和总结以往过去的数据，还能够从这些数据中找出内在的规律和趋势的技术，数据挖掘（Data Mining）技术因此而产生^[3]。

当数据挖掘技术应用在金融方面时，可以通过对金融市场的结构进行分析、建模并预测，同时预估风险，来对整个金融行业的运转提供计策。