典型文献
基于机器学习和经验模态分解的跨期套利研究
文献摘要：
采用滚动经验模态分解(EMD)方法对沪深300股指期货当月和下月合约的价差波动进行分解,分别利用Elman网络、随机森林(RF)、支持向量回归(SVM)3种机器学习模型及自回归移动平均模型(ARIMA)对不同频率信号进行分析,合成最终的预测结果,并根据预测结果设计跨期套利策略.研究结果表明:SVM,RF和ARIMA模型的预测精确度相对Elman网络较高,所有模型均能取得较高的套利收益,将非线性模型和线性模型融合使用能够改善模型的风险控制能力;将机器学习预测与EMD分解技术相融合可以在不提高风险的同时大幅度提高模型的收益率,从而使得模型的夏普比率和索提诺比率均有较大幅度上涨;分样本检验、全IMF信号预测以及基于商品期货市场的套利分析,均证明融合EMD的机器学习模型可以获得比纯机器学习模型更优异的套利效果.研究结论有助于促进人工智能与金融学的交叉融合研究,同时也为期货投资提供了理论和现实参考.
文献关键词：
机器学习;经验模态分解;跨期套利;期货投资;人工智能
中图分类号：
作者姓名：
周亮;陈辰;李宁
作者机构：
湖南财政经济学院财政金融学院,长沙410205;西南财经大学金融学院,成都611130
文献出处：
引用格式：
[1]周亮;陈辰;李宁-.基于机器学习和经验模态分解的跨期套利研究)[J].西南大学学报（自然科学版）,2022(01):148-159
A类：
B类：
基于机器学习,经验模态分解,跨期套利,滚动,EMD,股指期货,当月,下月,合约,价差,Elman,RF,支持向量回归,机器学习模型,自回归移动平均模型,ARIMA,不同频率,据预测,套利策略,预测精确度,能取,非线性模型,模型融合,融合使用,风险控制能力,机器学习预测,分解技术,大幅度提高,收益率,夏普比率,诺比,分样,IMF,信号预测,商品期货市场,金融学,交叉融合,融合研究,期货投资,实参
AB值：
0.387279
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
