文章將集合經(jīng)驗模態(tài)分解(EEMD)引入股票指數(shù)預測研究中,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)預測方法EEMD-SVRP。首先對滬深300指數(shù)時間序列進行EEMD分解,獲得多個本征模函數(shù)和趨勢項,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;運用ε-不敏感SVR分別建立各分量序列的預測模型,進而對各分量序列預測值進行加和,獲得指數(shù)的集成預測值;最后為評估模型的預測有效性,對EEMD-SVRP與ARIMA、MLP-ANN和SVR三種典型指數(shù)預測方法做對比實驗。結果表明:EEMD-SVRP具有更低的預測誤差和預測滯后性,是一種更加有效的滬深300指數(shù)預測方法。
【部分圖文】：

中，相對于ARIMA、

刖霾?,2018,(13).[8]WuZ,HuangNE.AStudyoftheCharacteristicsofWhiteNoiseUsingtheEmpiricalModeDecompositionMethod[J].ProceedingsoftheRoyalSocietyofLondon,2004,(460).[9]吳玉霞，溫欣.基于ARIMA模型的短期股票價格預測[J].統(tǒng)計與決策,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)絡的股票價格預測[J].統(tǒng)計與決策,2018,(18).（責任編輯/易永生）財經(jīng)縱橫27502700265026002550250001020304050原數(shù)據(jù)EMD-SVRSVRMLPARIMA圖9四個模型預測結果的對比表6不同預測建模方法的評估結果建模方法ARIMAMLP-ANNSVREEMD-SVRPR20.76490.79620.79370.9123EVS0.76590.79630.79370.9128RMSE39.780537.037237.265923.4549MAE27.745725.214725.254219.4712156
【相似文獻】

相關期刊論文 前8條

1 趙江濤,黃薇,王惠文;兩種成分數(shù)據(jù)預測建模方法的比較研究[J];北京航空航天大學學報(社會科學版);2003年02期

2 張欣,蔡偉光,萬健麟,黃思東,龔哲君;利用人工神經(jīng)網(wǎng)絡實現(xiàn)預測建模[J];預測;1997年04期

3 張云紅;趙繼軍;張嗣瀛;;肥胖的預測建模與仿真研究[J];計算機仿真;2014年03期

4 謝力;魏汝祥;蔣國萍;林名池;;基于分片逆回歸的小樣本組合預測建模方法[J];統(tǒng)計與決策;2013年02期

5 王惠文;孟潔;;多元線性回歸的預測建模方法[J];北京航空航天大學學報;2007年04期

6 曹凱;彭棟棟;陳峰;李修海;;一種短–長期組合預測建模方法[J];信息與控制;2013年04期

7 陳碧蓮;魏恩頤;李修恕;林圣燦;;預測建模[J];預測;1986年02期

8 謝力;魏汝祥;尹相平;訾書宇;;基于層次結構模型的小樣本組合預測建模[J];統(tǒng)計與決策;2011年22期

相關碩士學位論文 前1條

1 蔡自豪;基于數(shù)據(jù)預處理技術的灰色預測建模方法及應用研究[D];暨南大學;2017年

本文編號：2888978