文章將集合經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)引入股票指數(shù)預(yù)測(cè)研究中,并充分考慮ε-不敏感支持向量回歸(SVR)出色的非線性建模能力,提出基于EEMD與SVR建模的滬深300指數(shù)預(yù)測(cè)方法EEMD-SVRP。首先對(duì)滬深300指數(shù)時(shí)間序列進(jìn)行EEMD分解,獲得多個(gè)本征模函數(shù)和趨勢(shì)項(xiàng),并根據(jù)序列的均值特征將本征模函數(shù)重組為高頻、低頻分量;運(yùn)用ε-不敏感SVR分別建立各分量序列的預(yù)測(cè)模型,進(jìn)而對(duì)各分量序列預(yù)測(cè)值進(jìn)行加和,獲得指數(shù)的集成預(yù)測(cè)值;最后為評(píng)估模型的預(yù)測(cè)有效性,對(duì)EEMD-SVRP與ARIMA、MLP-ANN和SVR三種典型指數(shù)預(yù)測(cè)方法做對(duì)比實(shí)驗(yàn)。結(jié)果表明:EEMD-SVRP具有更低的預(yù)測(cè)誤差和預(yù)測(cè)滯后性,是一種更加有效的滬深300指數(shù)預(yù)測(cè)方法。
【部分圖文】：

中，相對(duì)于ARIMA、

刖霾?,2018,(13).[8]WuZ,HuangNE.AStudyoftheCharacteristicsofWhiteNoiseUsingtheEmpiricalModeDecompositionMethod[J].ProceedingsoftheRoyalSocietyofLondon,2004,(460).[9]吳玉霞，溫欣.基于ARIMA模型的短期股票價(jià)格預(yù)測(cè)[J].統(tǒng)計(jì)與決策,2016,(23).[10]于卓熙，秦璐，趙志文,等.基于主成分分析與廣義回歸神經(jīng)網(wǎng)絡(luò)的股票價(jià)格預(yù)測(cè)[J].統(tǒng)計(jì)與決策,2018,(18).（責(zé)任編輯/易永生）財(cái)經(jīng)縱橫27502700265026002550250001020304050原數(shù)據(jù)EMD-SVRSVRMLPARIMA圖9四個(gè)模型預(yù)測(cè)結(jié)果的對(duì)比表6不同預(yù)測(cè)建模方法的評(píng)估結(jié)果建模方法ARIMAMLP-ANNSVREEMD-SVRPR20.76490.79620.79370.9123EVS0.76590.79630.79370.9128RMSE39.780537.037237.265923.4549MAE27.745725.214725.254219.4712156
【相似文獻(xiàn)】

相關(guān)期刊論文 前8條

1 趙江濤,黃薇,王惠文;兩種成分?jǐn)?shù)據(jù)預(yù)測(cè)建模方法的比較研究[J];北京航空航天大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版);2003年02期

2 張欣,蔡偉光,萬(wàn)健麟,黃思東,龔哲君;利用人工神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)預(yù)測(cè)建模[J];預(yù)測(cè);1997年04期

3 張?jiān)萍t;趙繼軍;張嗣瀛;;肥胖的預(yù)測(cè)建模與仿真研究[J];計(jì)算機(jī)仿真;2014年03期

4 謝力;魏汝祥;蔣國(guó)萍;林名池;;基于分片逆回歸的小樣本組合預(yù)測(cè)建模方法[J];統(tǒng)計(jì)與決策;2013年02期

5 王惠文;孟潔;;多元線性回歸的預(yù)測(cè)建模方法[J];北京航空航天大學(xué)學(xué)報(bào);2007年04期

6 曹凱;彭?xiàng)潡?陳峰;李修海;;一種短–長(zhǎng)期組合預(yù)測(cè)建模方法[J];信息與控制;2013年04期

7 陳碧蓮;魏恩頤;李修恕;林圣燦;;預(yù)測(cè)建模[J];預(yù)測(cè);1986年02期

8 謝力;魏汝祥;尹相平;訾書(shū)宇;;基于層次結(jié)構(gòu)模型的小樣本組合預(yù)測(cè)建模[J];統(tǒng)計(jì)與決策;2011年22期

相關(guān)碩士學(xué)位論文 前1條

1 蔡自豪;基于數(shù)據(jù)預(yù)處理技術(shù)的灰色預(yù)測(cè)建模方法及應(yīng)用研究[D];暨南大學(xué);2017年

本文編號(hào)：2888978