Prediction of financial time series is described as one of the most challenging tasks of time series prediction, due to its characteristics and dynamic nature. In any investment activity, having an accurate prediction system will significantly benefit investors by guiding decision making, especially in trading, asset management and risk management. Thus, the attempts to build such systems have attracted the attention of practitioners in the market and also researchers for many decades. Furthermore, the purpose of this thesis is to investigate and develop a new approach to predicting financial time series with consideration given to their dynamic nature. In this thesis, the prediction procedures will be carried out in three phases. The first phase proposes a new hybrid dynamic model based on Ensemble Empirical Mode Decomposition (EEMD), Back Propagation Neural Network (BPNN), Recurrent Neural Network (RNN), Support Vector Regression (SVR) and EEMD-Genetic Algorithm (GA)-Weighted Average (WA) to predict stock index closing price. EEMD in this phase is introduced as a preprocessing step to historical observation for the first time in the literature. The experimental results show that the EEMDD-GA-WA model performance is a notch above the other methods utilised in this phase. The second phase proposes a new hybrid static model based on Wavelet Transform (WT), RNN, Support Vector Machine (SVM), Nave Bayes and WT-GA-WA to predict the exact change of the stock index closing price. In this phase, the experimental results showed that the proposed WT-GA-WA model outperformed the rest of the models utilised in this phase. Moreover, the input data that are fed into the hybrid model in this phase are technical indicators. The third phase in this research introduces a new Hybrid Heuristic-Rules-based System (HHRS) for stock price prediction. This phase intends to combine the output of the hybrid models in phase one and two in order to enhance the final prediction results. Thus,to the best of our knowledge, this study is the only one to have carried out and tested this approach with a real data set. The results show that the HHRS outperformed all suggested models over all the data sets. Thus, this indicates that combining di↵erent techniques with diverse types of information could enhance prediction accuracy.

本研究以天真避險、傳統OLS模型、OLS共整合模型及Bivariate GARCH模型探討SIMEX及OSE所交易的日經225 (Nikkei 225)股價指數期貨對日本及台灣股市風險的避險效果，測試在台灣股價指數期貨尚未推出之際，投資人是否可能採用鄰近國家，如日本的日經股價指數期貨，來規避台灣股市風險。本研究採用每週三週報酬資料，研究期間自1988年9月3日起至1995年12月底止，全部樣本期間共有376筆資料，劃分為兩個子期間，並以第二子期間做樣本外測試，避險期間分為一週、兩週及四週。 　　實證結果發現： 　　(1) SIMEX日經指數期約、OSE日經指數期約、日經股價指數及台灣股價指數的時間數列均非常態分配。經一階差分之後，上述四個時間數列才會為定態數列。日經股價指數期貨與日經股價指數之間有共整合關係，此乃表示現貨與期貨價格之間存在有長期均衡關係，但日經股價指數期貨與台灣股價指數之間並無共整合關係。 　　(2) Bivariate GARCH模式在各研究期間所得到的各參數的估計值，大多顯著，這說明不論在日本或台灣市場，以日經股價指數期貨規避股票市場風險時，期貨與現貨分配會有隨時間而變動的現象。 　　(3) 在日經指數的現貨市場中： 　　1. OLS共整合模型的避險比率較傳統OLS模型為高。使用SIMEX期貨契約避險所需要的避險比率較使用OSE期貨契約為避險工具時為小，而且不論使用SIMEX或OSE期貨契約避險，當避險期間越長，避險比率越大。 　　2. 在樣本內實證中，以OSE期貨契約避險所造成的投資組合變異數較使用SIMEX期約為大，而且投資組合變異數隨避險期間的增長而有下降的趨勢，但在樣本外的期間中，卻無如此的明顯趨勢。 　　3. 除了在日本股市大崩盤之前的實證期間顯示不論是使用SIMEX或OSE期貨契約，Bivariate GARCH模型的避險效果均較好之外，在其他的實證期間中，GARCH模型大約只比天真避險模式效果好，卻比其他模型效果差，而這種情況在使用OSE期貨契約時更為明顯，不過不論使用哪種模型，都能比不避險時減少大部份現貨的風險。 　　4. 從樣本內實證期間發現SIMEX與OSE契約在避險效果上是有差別的，但樣本外實證卻未發現避險效果上有明顯差別。 　　(4)在台灣股價指數的現貨市場下： 　　1. 不論使用SIMEX或OSE期貨契約避險在崩盤前所需要的避險比率均較崩盤後為高，而不論使用SIMEX或OSE期貨契約避險，避險比率均差不多。 　　2. 樣本內或樣本外實證都發現，若使用天真避險模式避險還不如不避險的好。除了在大崩盤後的樣本內實證中，GARCH模式的組合變異比傳統OLS模式為高之外，Bivariate GARCH模式的確優於其他避險模式。但日經指數期約與台灣股價指數所形成的投資組合變異數比在日本市場時高出甚多，且使用OLS或GARCH模式只能略微降低不避險狀態下所造成的變異數。不論是參數的估計值或避險績效都支持日經指數期貨與台灣股價指數間存在有GARCH效果。

Dans cette thèse, on considère deux types de processus longues mémoires : les processus stationnaires et non-stationnaires. Nous nous consacrons à l'étude de leurs propriétés statistiques, les méthodes d'estimation, les méthodes de prévision et les tests statistiques. Les processus longue mémoire stationaires ont été largement étudiés au cours des dernières décennies. Il a été démontré que des processus longue mémoire ont des propriétés d'autosimilarité, qui sont importants pour l'estimation des paramètres. Nous passons en revue les propriétés d'auto-similairité des processus longue mémoire en temps continu et en temps discret. Nous proposons deux propositions montrant que les processus longue mémoire sont asymptotiquement auto-similaires du deuxième ordre, alors que processus courte mémoire ne sont pas asymptotiquement auto-similaires du deuxième ordre. Ensuite, nous étudions l'auto-similairité des processus longue mémoire spécifiques tels que les processus GARMA à k facteurs et les processus GIGARCH à k facteurs. Nous avons également étudié les propriétés d'auto-similarités des modèles heteroscedastiques et des processus avec des sauts. Nous faisons une revue des méthodes d'estimation des paramètres des processus longue mémoire, par méthodes paramétriques (par exemple, l'estimation par maximum de vraisemblance et estimation par pseudo-maximum de vraisemblance) et les méthodes semiparamétriques (par exemple, la méthode de GPH, la méthode de Whittle, la méthode de Robinson). Les comportements de consistance et de normalité asymptotique sont également étudiés pour ces estimateurs. Le test sur l'ordre fractionnaire intégré de la racine unité saisonnière et non-saisonnière des processus longue mémoire stationnaires est très important pour la modélisation des series économiques et financières. Le test de Robinson (1994) est largement utilisé et appliqué aux divers modèles longues mémoires bien connus. A partir de méthode de Monte Carlo, nous étudions et comparons les performances de ce test en utilisant plusieurs tailles d'échantillons. Ce travail est important pour les praticiens qui veulent utiliser le test de Robinson. Dans la pratique, lorsqu'on traite des données financières et économiques, la saisonnalité et la dépendance qui évolvent avec le temps peuvent souvent être observées. Ainsi une sorte de non-stationnarité existe dans les données financières. Afin de prendre en compte ce genre de phénomènes, nous passons en revue les processus non-stationnaires et nous proposons une nouvelle classe de processus stochastiques: les processus de Gegenbauer à k facteurs localement stationnaire. Nous proposons une procédure d'estimation de la fonction de paramètres en utilisant la transformation discrète en paquets d'ondelettes (DWPT). La robustesse de l'algorithme est étudiée par simulations. Nous proposons également des méthodes de prévisions pour cette nouvelle classe de processus non-stationnaire à long mémoire. Nous dennons des applications sur le terme de la correction d'erreurs de l'analyse cointégration fractionnaire de l'index Nikkei Stock Average 225 et nous étudions les prix mondiaux du pétrole brut.

This dissertation studies the cost of carry relationship and the international dynamics of mispricing, price and volatility in the three Nikkei futures markets - the Osaka Exchange (OSE), the Singapore Exchange (SGX) and the Chicago Mercantile Exchange (CME). Previous research does not fully consider the unique characteristics of the triple-listed Nikkei futures contracts, or the price and volatility dynamics in the three Nikkei futures exchanges at the same time. This dissertation makes a significant contribution to the existing literature. In particular, with a comprehensive new 19-year sample period, this dissertation helps deepen the understanding of the Nikkei spot-futures equilibrium and arbitrage behaviour, cross-border information transmission mechanism, and futures market integration. The first topic of the dissertation is to study the cost of carry relationship, mispricing and index arbitrage in the three Nikkei markets. The standard cost of carry model is adjusted for each Nikkei futures contract by allowing for the triple-listing nature and key institutional differences. Based on this, the economic significance of the Nikkei mispricing is explored in the presence of transaction costs. The static behaviour of the mispricing suggests that it is difficult especially for institutional investors to make arbitrage profits in the OSE and SGX, and that index arbitrage in the CME is not strictly risk-free due to the exchange rate effect. Smooth transition models are used to study the dynamic behaviour of the mispricing in the three markets. The results show that mean reversion in mispricing and limits to arbitrage are driven more by transaction costs than by heterogeneous arbitrageurs in the Nikkei markets. The second topic of the dissertation is to investigate the price discovery process in individual Nikkei markets and across the Nikkei futures markets. With smooth transition error correction models, this dissertation reports the leading role of the futures prices in the pre-crisis period and the leading role of the spot prices in the post-crisis period, in the first-moment information transmission process. Moreover, there is evidence of asymmetric adjustments in the Nikkei prices and volatilities. The cross-border dynamics suggest that the foreign Nikkei markets (the CME and SGX) act as the main price discovery vehicle, which implies the key functions of the equivalent, offshore markets in futures market globalisation. The third topic of the dissertation is to study the volatility transmission process in individual Nikkei markets and across the Nikkei futures markets, from the perspectives of the volatility interactions in and across the Nikkei markets and of the dynamic Nikkei market linkages. This dissertation finds bidirectional volatility spillover effects between the Nikkei spot and futures markets, and the information leadership of the foreign Nikkei markets (the CME and SGX) in the second-moment information transmission process across the border. It further examines the dynamic conditional correlations between the Nikkei markets. The results point to a dramatic integration process with strongly persistent and stable Nikkei market co-movements over time.