验，看残差中是否存在显著的 ARCH 效应，也有用格兰杰因果检验和 VAR 模型估计进
而对 VAR 模型的稳定性检验并对其进行 Johansen 协整检验等等，都是对已有数据进行
拟合进而对其拟合符合程度的高低进行验证以得到数据之间的相关性的强弱，灵敏度的
高低。
近年来对于各种金融数据的预测模型层出不穷，如递归预测器神经网络 BP 神经网
络模型，张中华等的 RBF 神经网络模型，牛国鹏等的小波神经网络模型，杨新斌、向昌
盛等的支持向量机模型，以及王海军等的基于粒子群神经网络的期货价格预测模型等等
都是学者们针对具有混沌动力学特性的国内金融市场建立的一些预测模型。这些模型从
静态前馈的处理模式，内部没有包含延迟和反馈环节到递归预测器神经网络——通用学
习网络（ULN）的基础上发展起来的一种特殊多重分支时间延迟递归神经网络，其动态
特性和存储能力可以较好地反映动力学系统的时序特性，从而有效提高预测精度。
历史引伸预测法是以时间序列所能反映的社会经济现象的发展过程和规律性，进行
引伸外推，预测其发展趋势的方法。时间序列，也叫时间数列、历史复数或动态数列。
它是将某一统计指标的数值，按时间先后顺序排到所形成的数列。时间序列预测法就是
通过编制和分析时间序列，根据时间序列所反映出来的发展过程、方向和趋势，进行类
推或延伸，借以预测下一段时间或以后若干年内可能达到的水平。时间序列分析(Time
series analysis)是一种动态数据处理的统计方法。该方法基于随机过程理论和数理统计学
方法，研究随机数据序列所遵从的统计规律，以用于解决实际问题。时间序列分析中的
最优预测、控制与滤波等方面的内容的平稳过程，近年来多文时间序列分析的研究有所
进展，并应用到工业生产自动化及经济分析中。
1.3 论文的结构框架及主要分析内容
本文首先介绍了金融时间序列非线性、非平稳性的特性，随即引入经验模态分解方
法（EMD）来分解金融时间序列，因其自适应性对原始数据的线性与平稳性没有要求。
运用 EMD分解方法对原始的股指数据进行分解，得到有限阶内模函数（IMF）和一个剩
余函数(RES)。接下来为论文的主要分析内容：对金融行业和汽车制造业日指数的各阶IMF进行波动周期分析，并对其分解后的IMF 进行重构分析，验证其重构后的曲线是否
与周平均曲线及月平均曲线相似；进行相关性分析：金融行业与汽车制造业各阶内模函
数（IMF）和剩余函数(RES)的相关性，并分析两个行业间的联系；进行预测分析：运用
ARMA模型预测和神经网络预测对金融行业进行对比预测分析。
论文结构：本文主要分为五个章节，在第一章中阐述了课题研究的目的和意义、国
内外研究现状与发展趋势；第二章对传统信号处理方法（傅立叶分析、小波分析）做了
简单的介绍与回顾，并详细介绍了经验模态分解方法及其运算法则；以及介绍 ARMA
模型预测和BP 神经网络预测的简介与原理；第三章为本文的主要内容，基于 EMD分解
方法分别对上证金融业和汽车制造业日指数的日收盘价格进行分解并进行统计特性分
析，并进行 ARMA模型与 BP 神经网络对比预测分析；第四章得出本篇论文所研究出来
的结论，总结全文。第二章 EMD 和神经网络预测方法介绍
2.1 传统信号处理方法的简介
2.1.1傅里叶分析
傅里叶分析(Fourier analysis)是分析学中 18 世纪逐渐形成的一个重要分支，主要研 金融股和制造业类股票之间的相关分析(3):http://www.youerw.com/shuxue/lunwen_18150.html