為解決復(fù)雜時(shí)間序列棘手的預(yù)測(cè)問(wèn)題,在綜合了解其線性和非線性復(fù)合特征的基礎(chǔ)上,提出了基于ARIMA和SVM相結(jié)合的時(shí)間序列預(yù)測(cè)模型。本文先用ARIMA模型對(duì)時(shí)間序列進(jìn)行線性建模,然后采用SVM對(duì)時(shí)間序列的非線性部分進(jìn)行建模,最后得到兩種模型的綜合預(yù)估結(jié)果。文章的數(shù)據(jù)來(lái)源于"華泰證券"為期一年的250期股票收盤(pán)價(jià),分析結(jié)果說(shuō)明:ARIMA-SVM組合模型的精度比單一模型的預(yù)測(cè)精度要高,組合模型對(duì)于短期動(dòng)態(tài)、靜態(tài)預(yù)測(cè)成效較高,有利于投資者和企業(yè)做出更加科學(xué)可行的決策。 

【文章來(lái)源】：廣西質(zhì)量監(jiān)督導(dǎo)報(bào). 2019,(12)

【文章頁(yè)數(shù)】：2 頁(yè)

【文章目錄】：
一、引言
二、基本模型
    (一)股票定價(jià)理論
    (二)ARIMA模型
三、ARIMA-SVM組合模型
四、實(shí)證分析
    (一)ARIMA預(yù)側(cè)
    (二)非線性SVM預(yù)測(cè)
五、結(jié)論


【參考文獻(xiàn)】：
期刊論文
[1]基于SVM及股價(jià)趨勢(shì)的股票預(yù)測(cè)方法研究[J]. 鄔春學(xué),賴靖文.  軟件導(dǎo)刊. 2018(04)
[2]基于LM遺傳神經(jīng)網(wǎng)絡(luò)的短期股價(jià)預(yù)測(cè)[J]. 郭建峰,李玉,安東.  計(jì)算機(jī)技術(shù)與發(fā)展. 2017(01)



本文編號(hào)：3494816