3.3.2 IMF 的相关性分析.16
3.4 金融行业的预测分析.17
3.4.1 ARMA 模型预测.17
3.4.2 BP 神经网络预测.18
3.4.3 两种预测的对比分析总结18
第四章 结论20
参考文献21
致谢23第一章 引言
1.1 课题的目的和意义
随着我国经济的不断发展，国内金融市场的不断完善，特别是我国一板市场、二板
市场的成熟与2009 年创业板市场的推出，大多数制造业企业选择注册上市，如此金融股
与制造业股之间的关系也随之变得密不可分。从以往经验来谈，金融市场波动必定会影
响制造业市场。例如：2008 年的世界金融危机造成了金融市场长期低迷，但制造业的汽
车行业股票却有上涨的趋势，这一点表明金融市场金融股与制造业类股之间存在一定的
相关性，从人性角度分析是因为金融股不被多数股民看好，而实体制造业成为了这类股
民的投资方向。以上是非理性的分析，本文将从理性角度收集数据，运用一些统计分析
方法去发掘这一相关性。并可以用这一相关性来预测金融市场或者制造业市场未来一段
时间内的走势。
传统信号处理方法有：傅里叶分析、小波分析等；对金融时间序列已有较多的研究
并引起了广泛的关注，但均要求所要研究的数据的线性与平稳性，而对于处理非平稳，
非线性的信号而言，传统信号处理方法暴露出明显的缺陷及自身的局限性。为了使传统
信号处理方法适应例如金融时间序列信号等这类非平稳、非线性的信号的研究分析，人
们尝试着对傅里叶分析做了进一步的改进，例如加窗傅里叶分析、Wigner-Ville分布、 小
波分析等，但却并没有突破其本身所固有的自身局限性：线性、高斯性、全局性，仍然
不能对非平稳、非线性的信号给出很好的解答。
在现代信号处理中，金融时间序列等此类非平稳、非线性信号处理的发展尤其引人
注目，相对于传统信号处理方法的局限性，经验模态分解方法（Empirical Mode
Decomposition, EMD）对股指数据进行的统计特性研究能更好的反映原始数据的特征，
具有多分变特性与自适应性，对线性与平稳性没有要求。EMD 方法于1998 年由美籍华
人 N.E.Huang 提出，该方法是一种新的信号分析方法，对多尺度上的非线性行为包括非
高斯行为的研究能弥补传统方法在金融时间序列分析上的不足。
1.2 国内外研究现状与发展趋势
根据国内外对制造业波动的研究发现制造业与金融市场动荡、国际重要股票市场存
在互动关系，与国际商品市场存在联动关系。国内金融市场的发展历史表明，在通常情
况下，金融与与制造业是相互影响的，金融股市行情大幅上扬时，制造业股市往往紧随
其上扬，反之亦然。
金融股是由金融行业及相关行业的公司发行的股票。金融股包括券商股、保险股、期货商股、信托股等。
制造业是指对制造资源（物料、设备、能源、资金、工具、技术、人力和信息等） ，
按照市场的配置要求，通过制造，转化为可供人们使用和利用的工业品或者生活消费品
的行业；作为我国国民经济的支柱产业， 制造业是我国经济增长的主导部门和经济转型
的基础性产业；作为社会经济发展的重要依托，制造业是我国城镇就业的主要渠道和国
际竞争力的集中体现；
对于以往的金融股和制造业类股波动因素的相关性分析的研究中，时常使用多元线
性模型拟合用模型残差自相关性进行验证，或建立 GARCH(1，1)模型，用 ARCH LM 检 金融股和制造业类股票之间的相关分析(2):http://www.youerw.com/shuxue/lunwen_18150.html