时间序列预测模型在金融市场的研究的文献综述
摘 要：2020年由于新冠疫情影响，金融市场迎来大动荡，疫情过后，金融市场的发展较之于疫情前的市场又会迎来怎样的改变。因此我将基于时间序列预测模型，结合所学知识，针对新冠疫情前后金融市场进行研究，并对疫情后金融市场的发展进行预测。
关键词：时间序列分析 、金融市场 、新冠疫情、预测模型
一、文献综述
笔者在CNKI中国期刊全文数据库中，以“时间序列预测模型”为主题进行精确检索，将文献的发表时间设置为“2000—2020”，一共找到了篇名包含“金融”的文献43篇。
对这43篇的文献进行整体分析，发现在基于时间序列预测模型在金融方向上的研究文献主要集中在近五年的时间内，于是我将文献的搜索范围扩大至与时间序列预测模型相关的文献并从中选取了几篇和金融类文献结合进行研究。
我从金融类文献中选取了五篇文献进行，并从时间序列预测模型相关的文献选择了五篇作为研究方法作为参考。综合文献分析，时间序列预测模型在金融市场上的应用主要是针对，股票价格随时间的波动，借此分析股票的价格是否服从经典的时间序列模型，比如GARCH模型或者季节S-ARIMA模型等。然后对数据和模型进行分析，调整模型，进行模型的定阶，最后分析模型，并利用数据通过模型进行预测。因此我也将通过这种方法进行研究，找寻适合的时间序列模型来解释疫情前后的金融市场，并进行预测。
（一）金融市场与时间序列的分析研究
在金融市场的研究分析过程中，时间序列预测模型有着举足轻重的作用。因为时间序列的早期发展和金融市场有着密不可分的关系[1]。近现代的金融市场分析中，时间序列预测模型也依旧发挥着它的作用。随着时代的发展，知识的不断进步，相对于简单的ARMIA模型，更多的针对特定条件下的时间序列预测模型不断的被完善，更新，甚至提出新的模型，而我通过本科的学习后，希望先通过的较为简单的模型针对我所要研究的课题得出一个较为宏观的结果。而作为在金融方面应用广泛的原因，利用R软件，我们就可以方便的针对股票的相关数据进行分析操作分析[2]。在分析的过程中，模型的确定非常关键，而通过文献，我也了解到了多达13种的时间序列预测模型，然而模型太多也不适合我的研究，所以我会针对性的分析有可能需要的模型将其运用到我所需要的研究中去[3]。在模型确定过程中，还会存在着基于实际问题而存在的特殊变量影响，为反应相关数据的不确定性本质，我也查阅了资料并为在模型最终确立时考虑是否需要做模糊化处理[4]。也参考了新型的模糊时间序列模型的预测处理方法，但考虑其研究过深，在我的模型研究中难以应用，仅作参考[5]。为了使模型更具有动态性，我也查阅了相关的文献，资料显示，通过引入非线性反馈环节，可以有效的增强模型的动态性和自适应预测算法。研究成果值得参考，在我的模型研究过程中，提供更多的指导思路[6]。针对普通的ARIMA模型的研究也有着卓越的成果，结合当下较为火热的神经网络算法，对ARIMA模型进行改进，在均方误差减小的情况下，预测精度提升。另外还采用多维支持向量回归机模型代替神经网络进行对比实验，以此验证有效性[7]。研究神经网络与时间序列研究的文献中还提到了如何改进已有的BP神经网络模型，形成新的PSO-BP预测模型算法，并针对性的进行研究，最后得出结论，改进模型的训练时间更短，精度更高，更有效[8]。先关的文献还有通过K-邻近算法对输入神经网络的数据进行预处理，从而达到训练神经网络的最优解，也不失为一种简单的提高有效性的方法[9]。通过对已有模型的改进来增进模型的有效性，其有着多方面的应用实例和相关文献，成果也很斐然。而在已有模型的基础上，建立新的模型，然后进行分析验证，最终证实了可行性的文献也要加以研究。一篇针对由自适应噪声的完整集成经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN）算法和添加注意力机制（Attention Mechanism,AM）的长短期记忆网络（Long Short Term Memory,LSTM）结合的时间序列预测模型的研究为我提供在模型改进的基础上，又一条不同的道路[10]
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
