基于机器学习和经验模态分解的跨期套利研究

采用滚动经验模态分解(EMD)方法对沪深300股指期货当月和下月合约的价差波动进行分解,分别利用Elman网络、随机森林(RF)、支持向量回归(SVM)3种机器学习模型及自回归移动平均模型(ARIMA)对不同频率信号进行分析,合成最终的预测结果,并根据预测结果设计跨期套利策略.研究结果表明:SVM,RF和ARIMA模型的预测精确度相对Elman网络较高,所有模型均能取得较高的套利收益,将非线性模型和线性模型融合使用能够改善模型的风险控制能力;将机器学习预测与EMD分解技术相融合可以在不提高风险的同时大幅度提高模型的收益率,从而使得模型的夏普比率和索提诺比率均有较大幅度上涨;分样本检验、全IMF信号预测以及基于商品期货市场的套利分析,均证明融合EMD的机器学习模型可以获得比纯机器学习模型更优异的套利效果.研究结论有助于促进人工智能与金融学的交叉融合研究,同时也为期货投资提供了理论和现实参考.