在全球经济、金融一体化的今天,金融市场不断呈现出很多经典金融理论无力解释的复杂现象,主要表现为:金融市场不再是有效市场假说描述下的理想市场,金融市场呈现出的高智能性、强相关性、紧耦合性使它成为一个复杂的非线性动力系统。构建预测模型对这样一个复杂的非线性动力系统进行描述,揭示金融时间序列运行的内在规律,并在世人面前展示它的演化机制,方便人们防范金融风险、管理市场和监督市场,毫无疑问都具有重大的现实意义和理论价值,这也是本文研究的意义和背景所在。深度学习已经成为人工智能中最有代表性的、最有潜力的智能系统建模技术。在完备信息博弈领域,谷歌的阿尔法围棋已经以压倒优势击败世界围棋冠军,为深度学习做出了令人震惊的能力展示。然而,金融市场的复杂性远远超出了所有的棋类博弈,呈现出开放、非稳态、无穷方博弈的特征。本论文专门研究作为深度学习的主要范式之一的深度分合神经网络模型在金融时间预测上的可行性和效能水平。这种范式在本论文中具体表现为FEPA模型:FTS+EMD+PCA+ANN。下面逐步展开说明。1998年来自NASA的黄锷等提出一种新的信号分析方法——经验模态分解(Empirical Mode Decomposition,EMD)。经验模态分解方法无需提前设定基函数,按照时间序列自身的尺度特征分解时间序列。而应用傅里叶变换时,谐波基函数需要预先设定,小波变换需要预先设定小波基函数。经验模态分解方法在傅里叶变换和小波变换的基础上进一步改进了分解后时间序列的局部特征,是一种更有效的数据挖掘预处理算法。由于经验模态分解方法具有这些处理数据的良好特性,任何类型的信号理论上都可以用经验模态方法分解,因而对非线性非平稳多尺度特征的数据进行信号处理具有非常明显的优势。所以,经验模态分解方法提出之后不久就迅速有效地应用到多个工程领域中。首先,本文基于EMD分解方法提出了一个新的组合预测模型:FEPA模型。(FTS-EMD-PCA-ANN)该模型基于金融时间序列特殊经验模态分解(Financial Time Series Empirical Mode Decomposition,FTS-EMD)、主成分分析(Principal Component Analysis,PCA)和人工神经网络(Artificial Neural Network),针对非线性、非平稳、多尺度的复杂金融时间序列建模和预测,预测股市指数和外汇汇率,实证研究了这一金融市场研究中的热点领域。本文提出的组合预测模型是基于分解——重构——综合的思想,有效地提高了模型对区间金融时间序列的预测精度与可靠性(命中率)。本文选择沪深300指数、澳大利亚股指以及外汇汇率作为实证市场与数据,建立了ARIMA、GARCH、BPNN(Back Propagation Neural Network)、EMD-BPNN、WD-BPNN、EMD-LPP-BPNN和FEPA七个预测模型,对收盘价的短期运行趋势做出预测。实证结果表明EMD-BPNN模型比ARIMA、GARCH和BPNN模型有更好的预测效果,这说明对非线性非平稳的金融时间序列进行先分解后组合的预测方法能有效地改进预测精度。同时,实证结果还表明本文新提出的FEPA模型比EMD-BPNN模型又有所改进,这说明主成分分析能压缩冗余数据,缩短训练时间,提高预测精度。其次,现有的金融时间序列分析大多只考虑分析收盘价,但是股指每天都在最高价和最低价之间振荡,如果只分析收盘价,就丢失了很多有用的数据信息,这会造成预测的信息不全面,不能满足市场投资者的要求。本文引入区间EMD分解算法,考虑同时将最高价和最低价也纳入到输入输出之中。通过同时分析股指的收盘价、最高价和最低价,从而更好地把握股票指数这一区间时间序列的波动情况及其走势。实证结果表明将区间EMD分解算法应用于FEPA模型能有效提高最高价和最低价的预测效果。再次,现有的文献中提出的计量经济模型大多数都是采用同一个时间尺度的数据进行训练,这忽略了金融时间序列的多尺度特征。本文将沪深300指数收盘价的日数据和十五分钟数据同时输入神经网络进行训练,并与分别输入日数据和十五分钟数据的神经网络模型作比较。实证结果表明同时输入两个时间尺度数据的神经网络模型有更好的预测精度。当然,这种多时间尺度的金融信息融合还有巨大的研究空间。最后,考虑到金融经济全球化,世界金融市场之间的相互影响更加紧密。即便是预测单一市场的走势,也需要寻找对该市场有重大影响的引导市场。本文在深入研究Copula理论的基础上,将其运用到全球主要股市的非对称相关性分析中。在分析全球主要股市指数对数收益率统计特征的基础上,用Copula函数的相关度量来判断全球主要股市间的非对称性影响关系,这种关系一般形成一个有向无环图。通过历史日数据测试,结果表明在多数情况下,Copula相关系数能够比线性相关系数更好地发现引导市场。