中美德日作为世界上主要的金融市场，正确分析其各主要股指之间的互动关系有其重要意义。本文将对经验模态分解方法(Empirical Mode Decomposition，EMD)分解后的中美德日主要股指进行短期相依性和互动性分析，并对它们之间的相关性展开研究。

国际市场上的股票市场波动，一方面直接影响到各个国家经济的增长态势，另一方面也会影响到相关企业和投资者的直接收益，这意味着准确掌握各股票行业间的联系，对政府、企业而言都显得非常重要！本课题就世界主要股指相关性展开研究，旨在让我们更深层的认识到世界各股指之间的联系，进一步探索不同区域股票市场之间的关系网络，以便有助于我们根据不同股票市场的相关性作出可靠的各种决策，比如投资决策，国际宏观调控决策等。

1.2 国内外研究近状及发展趋势

1.3 本文主要研究内容

本文基于经验模态分解方法（EMD）对世界主要股指的数据分解，然后根据相关性分析方法对其进行各类相关性分析研究。本文将根据相关性分析研究的方向，以及结合本课题的需要将从以下几个方面展开研究：

（1）经验模态分解方法(EMD)分解技术得到各主要股指中不同因素的影响部分

    经验模态分解方法(Empirical Mode Decomposition，EMD)是一种对非线性、不稳定时变信号数据的处理方法，这种方法能够将数据分解成若干个模式函数分量IMF与残余变量R，且各分量具有物理特点各不等同。在本文中，将运用EMD分解技术将各主要股指（中美日德）分解成若干个不同频率的分量，再根据频率高低采取一定方法进行分组得到新序列，分别代表其市场波动指数、重大事件指数、趋势指数；

（2）运用GARCH模型对世界主要股指中市场波动项（高频项）进行相关性分析

股票市场发展状况受众多因素影响，如国家政策、股民素质、企业运营状况、经济周期、物价变动等因素，这些因素对股票市场的发展会造成短期性影响，其表现为经EMD技术分解后所生成的高频分量部分，即各主要股指中市场波动项。Bollerslev在ARCH(Autoregressive Conditional Heteroskedasticity)模型的基础上对其进行扩展，给出了广义自回归条件异方差即GARCH(General Autoregressive Conditional Hetroeskedasticity)模型，而且经过对GARCH模型族的广泛运用和不断完善，其对金融市场的数据分析研究已经显得十分重要！

（3）世界各主要股指中重大事件影响项的相关性分析

本部分将采用VAR模型的granger因果检验方法来研究金融危机对世界各主要股指重大事件影响项之间的因果关系。    

（4）世界各主要股指长期趋势项、市场波动项和重大事情影响项相关性分析

1.4 本文框架   文献综述

论文的整体框架如下：

本文主要分为五个章节进行展开论述，重点基于经验模态分解方法对各股指数据进行处理分析，并对分解得出的有限阶本征模函数IMF以及残余函数RES进行分组得到新的具有特定意义的新序列，最后运用不同的相关性分析方法对此分组结果中不同分量部分进行相关性分析研究。

第一章：引言部分，主要从金融市场背景出发引出股票市场发展的现状以及未来发展趋势，并简单的介绍了前人学者们在股票市场领域所进行研究，从中也学习到了他人的研究方法以及成果。之后围绕EMD方法的背景展开了叙述，且对各种相关性分析研究方法进行了简单的分析比较。

第二章：主要介绍了经验模式分解方法（EMD）,提出了EMD分解技术的背景和作用的相关范畴，并对分解产生的本征模函数（IMF）的特点进行描述，也给出了EMD分解技术的操作方法。另外，结合EMD分解技术所存在的弊端，自然而然的引出了改进的EMD 分解技术--集合经验模态分解方法（EEMD），并做了详细介绍，为后文数据分析处理打下基础。