来源：期刊VIP网 时间：
作者：徐妍;郭梦霞;
单位：徐州医科大学第二临床医学院;西南财经大学统计与数据科学学院;
摘要：日内的金融高频数据轨迹呈现显著的连续函数特征，由此构成的日度函数序列间往往存在相依性。为了提升预测的准确率和稳健性，综合考虑金融高频数据的日内波动模式和日度相依结构，文章提出了以自适应分类为基础的混合期望预测方法（cDFPC）。首先，基于函数型自适应聚类分析识别日内金融高频数据潜在的波动模式类别，并构建波动模式类别归属的函数型判别准则；其次，重构长期协方差算子对相依函数序列的协方差进行纠偏，并给出相依函数型回归模型的参数估计；最后，对于给定的待预测对象，基于相依函数型回归模型预测其在每一个类别的取值，使用函数型判别模型计算其类别隶属的后验概率，并以此为权重汇总每一个类别的预测值。数值模拟结果表明，考虑波动模式的混合期望预测能够提升预测精度，cDFPC在长期和短期相依函数型数据的预测中均有优势。基于上证指数开盘价预测的实证发现，上证指数的日内波动模式和日度相依结构显著存在，cDFPC的相对预测优势保持稳健。
关键词：波动模式;;相依结构;;自适应分类;;混合期望;;函数型时间序列
基金资助：江苏省社会科学基金青年项目（25ZHC024）
