本文關(guān)鍵詞：銀行現(xiàn)金流時間序列預(yù)測算法研究及仿真對比，，由筆耕文化傳播整理發(fā)布。

【摘要】：由于我國商業(yè)銀行現(xiàn)金業(yè)務(wù)快速增長,為了提高現(xiàn)金業(yè)務(wù)各類數(shù)據(jù)信息實時性和準(zhǔn)確性,針對目前商業(yè)銀行上下級間現(xiàn)金業(yè)務(wù)庫存預(yù)測及現(xiàn)金管理信息數(shù)據(jù)聯(lián)動的精確性和穩(wěn)定性不高的難題,本文提出以下幾種方法對我國銀行現(xiàn)金流時間預(yù)測算法進(jìn)行研究。具體工作主要有以下幾個方面:本文首先從目前時間序列預(yù)測所采用常用的統(tǒng)計學(xué)時間序列預(yù)測方法,包括移動平均法(一次,二次);指數(shù)平滑預(yù)測法(一次,二次)和自回歸移動平均混合模型(簡稱ARMA模型)的時間序列預(yù)測算法,基于某商業(yè)銀行的市場數(shù)據(jù)進(jìn)行現(xiàn)金流時間序列預(yù)測。并通過對每一種方法的大量的仿真實驗和對比實驗,對其精度的有效性的驗證,證明了所提方法的有效性。其次提出了一種基于灰色預(yù)測和神經(jīng)網(wǎng)絡(luò)的組合模型對銀行現(xiàn)金流時間序列進(jìn)行預(yù)測。組合模型兼有BP神經(jīng)網(wǎng)絡(luò)和灰色預(yù)測的優(yōu)點(diǎn),彌補(bǔ)了單個模型的不足,既克服了數(shù)據(jù)波動性大對預(yù)測精度的影響,也增強(qiáng)了預(yù)測的自適應(yīng)性。本方法利用灰色預(yù)測中的累加生成運(yùn)算對原始數(shù)據(jù)進(jìn)行變換,從而得到規(guī)律性較強(qiáng)的累加數(shù)據(jù),便于神經(jīng)網(wǎng)絡(luò)進(jìn)行建模和訓(xùn)練,并利用神經(jīng)網(wǎng)絡(luò)的函數(shù)逼近特性,實現(xiàn)對原始數(shù)據(jù)的預(yù)測和仿真驗證。最后提出一種基于自適應(yīng)種群活性粒子群優(yōu)化算法(Adaptive Population Activity Particle Swarm Optimization,APAPSO)和最小二乘法(LMS)相結(jié)合的混合學(xué)習(xí)算法優(yōu)化ANFIS模型參數(shù)的方法實現(xiàn)銀行現(xiàn)金流時間預(yù)測預(yù)測。通過引進(jìn)群體多樣性度量函數(shù),來保證種群的多樣性,并通過引進(jìn)自適應(yīng)改變的慣性權(quán)重來提高粒子群算法的尋優(yōu)能力,避免粒子群優(yōu)化算法早熟收斂的問題,最后通過大量的仿真對比實驗,驗證了所提方法的可行性�？傊�,通過仿真結(jié)果表明了以上方法對銀行現(xiàn)金流時間序列均能夠取得較好的預(yù)測效果,為商業(yè)銀行的業(yè)務(wù)計劃制定提供了較好的數(shù)據(jù)基礎(chǔ)和決策依據(jù),有較好的參考價值。
【關(guān)鍵詞】：時間序列預(yù)測 銀行現(xiàn)金流 統(tǒng)計學(xué)預(yù)測法 灰色神經(jīng)網(wǎng)絡(luò)法 改進(jìn)的粒子群算法
【學(xué)位授予單位】：遼寧科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：F832.33;O211.61
【目錄】：

• 中文摘要5-6
• ABSTRACT6-10
• 1. 緒論10-18
• 1.1 課題研究背景及意義10-11
• 1.2 時間序列預(yù)測方法分類11-12
• 1.3 時間序列預(yù)測方法研究進(jìn)展12-15
• 1.3.1 線性預(yù)測法12-13
• 1.3.2 非線性預(yù)測法13-15
• 1.4 銀行現(xiàn)金流時間序列預(yù)測方法研究進(jìn)展15-16
• 1.5 主要工作和結(jié)構(gòu)安排16-18
• 2.基于統(tǒng)計學(xué)預(yù)測方法的銀行現(xiàn)金流時間序列預(yù)測18-38
• 2.1 引言18
• 2.2 移動平均法18-22
• 2.2.1 一次移動平均法18-20
• 2.2.2 二次移動平均法20-22
• 2.3 指數(shù)平滑法22-26
• 2.3.1 一次指數(shù)平滑預(yù)測法22-23
• 2.3.2 二次指數(shù)平滑預(yù)測法23-26
• 2.4 ARMA模型26-29
• 2.4.1 ARMA模型的基本原理26-28
• 2.4.2 ARMA模型的建模步驟28-29
• 2.5 基于ARMA模型的銀行現(xiàn)金流時間序列預(yù)測29-33
• 2.5.1 數(shù)據(jù)的平穩(wěn)化29-32
• 2.5.2 建立模型32-33
• 2.6 仿真結(jié)果33-36
• 2.7 性能分析36-37
• 2.8 小結(jié)37-38
• 3.基于灰色神經(jīng)網(wǎng)絡(luò)的銀行現(xiàn)金流時間序列預(yù)測38-53
• 3.1 引言38
• 3.2 灰色模型預(yù)測原理38-40
• 3.2.1 灰色系統(tǒng)理論38-39
• 3.2.2 灰色GM(1,1)模型的建模39-40
• 3.2.3 灰色GM(1,1)模型預(yù)測40
• 3.3 誤差反傳神經(jīng)網(wǎng)絡(luò)（BPNN）預(yù)測模型40-46
• 3.3.1 BPNN的拓?fù)浣Y(jié)構(gòu)41-42
• 3.3.2 BPNN的學(xué)習(xí)過程42-43
• 3.3.3 BPNN的訓(xùn)練算法43-46
• 3.4 灰色神經(jīng)網(wǎng)絡(luò)組合模型46-48
• 3.4.1 灰色神經(jīng)網(wǎng)絡(luò)預(yù)測模型的建模47-48
• 3.5 仿真實驗48-52
• 3.5.1 數(shù)據(jù)準(zhǔn)備48
• 3.5.2 優(yōu)化算法的確定48-49
• 3.5.3 仿真對比實驗49-52
• 3.5.4 性能分析52
• 3.8 小結(jié)52-53
• 4.基于改進(jìn)的PSO-ANFIS的銀行現(xiàn)金流時間序列預(yù)測53-67
• 4.1 引言53
• 4.2 自適應(yīng)神經(jīng)-模糊推理系統(tǒng)（ANFIS）53-56
• 4.2.1 ANFIS的結(jié)構(gòu)53-55
• 4.2.2 ANFIS算法流程55-56
• 4.3 PSO算法簡介56-57
• 4.3.1 標(biāo)準(zhǔn)PSO算法56-57
• 4.3.2 標(biāo)準(zhǔn)PSO算法流程57
• 4.4 改進(jìn)的PSO-LMS算法優(yōu)化ANFIS參數(shù)模型57-60
• 4.4.1 種群多樣性度量函數(shù)58
• 4.4.2 慣性權(quán)重自適應(yīng)調(diào)節(jié)機(jī)制58-60
• 4.4.3 APAPSO-LMS算法優(yōu)化ANFIS參數(shù)模型算法流程60
• 4.5 基于APAPSO-ANFIS算法的銀行現(xiàn)金流時間序列預(yù)測60-66
• 4.5.1 仿真結(jié)果61-65
• 4.5.2 性能分析65-66
• 4.6 小結(jié)66-67
• 5.總結(jié)67-68
• 參考文獻(xiàn)68-72
• 攻讀碩士學(xué)位期間發(fā)表學(xué)術(shù)論文情況72-73
• 致謝73-74
• 作者簡介74-75

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 施久玉,杜金觀;有限個狀態(tài)時間序列的某些結(jié)果[J];應(yīng)用數(shù)學(xué)學(xué)報;1990年01期

2 馮希杰;長江三峽及其鄰區(qū)斷裂活動時間序列[J];華南地震;1991年02期

3 王霞,郭嗣琮,劉淑娟;時間序列模糊滑動預(yù)測[J];遼寧工程技術(shù)大學(xué)學(xué)報(自然科學(xué)版);1999年03期

4 溫品人;時間序列預(yù)測法的實際應(yīng)用分析[J];江蘇廣播電視大學(xué)學(xué)報;2001年06期

5 許清海;混沌投資時間序列的嬗變[J];漳州師范學(xué)院學(xué)報(自然科學(xué)版);2003年01期

6 程毛林;時間序列系統(tǒng)建模預(yù)測的一種新方法[J];數(shù)學(xué)的實踐與認(rèn)識;2004年08期

7 高潔;長記憶時間序列適應(yīng)性預(yù)測的應(yīng)用[J];江南大學(xué)學(xué)報;2004年05期

8 高潔;孫立新;;長記憶時間序列的適應(yīng)性預(yù)測誤差的譜密度[J];統(tǒng)計與決策;2006年13期

9 楊鐘瑾;;淺談時間序列的分析預(yù)測[J];中國科技信息;2006年14期

10 李健;孫廣中;許胤龍;;基于時間序列的預(yù)測模型應(yīng)用與異常檢測[J];計算機(jī)輔助工程;2006年02期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 周家斌;張海福;楊桂英;;多維多步時間序列預(yù)報方法及其應(yīng)用[A];中國現(xiàn)場統(tǒng)計研究會第九屆學(xué)術(shù)年會論文集[C];1999年

2 馬培蓓;紀(jì)軍;;基于時間序列的航空備件消耗預(yù)測[A];中國系統(tǒng)工程學(xué)會決策科學(xué)專業(yè)委員會第六屆學(xué)術(shù)年會論文集[C];2005年

3 盧世坤;李夕海;牛超;陳蛟;;時間序列的非線性非平穩(wěn)特性研究綜述[A];國家安全地球物理叢書（八）——遙感地球物理與國家安全[C];2012年

4 李強(qiáng);;基于線性模型方法對時間序列中異常值的檢測及證券實證分析[A];加入WTO和中國科技與可持續(xù)發(fā)展——挑戰(zhàn)與機(jī)遇、責(zé)任和對策（上冊）[C];2002年

5 戴麗金;何振峰;;基于云模型的時間序列相似性度量方法[A];第八屆中國不確定系統(tǒng)年會論文集[C];2010年

6 謝美萍;趙希人;莊秀龍;;多維非線性時間序列的投影尋蹤學(xué)習(xí)逼近[A];'99系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)交流會論文集[C];1999年

7 張大斌;李紅燕;劉肖;張文生;;非線性時問序列的小波-模糊神經(jīng)網(wǎng)絡(luò)集成預(yù)測方法[A];第十五屆中國管理科學(xué)學(xué)術(shù)年會論文集（下）[C];2013年

8 黃云貴;;基于時間序列的電網(wǎng)固定資產(chǎn)投資規(guī)模研究[A];2012年云南電力技術(shù)論壇論文集（文摘部分）[C];2012年

9 李松臣;張世英;;時間序列高階矩持續(xù)和協(xié)同持續(xù)性研究[A];21世紀(jì)數(shù)量經(jīng)濟(jì)學(xué)（第8卷）[C];2007年

10 陳赫;羅聲求;;歷史橫斷面數(shù)據(jù)的時間序列化[A];科學(xué)決策與系統(tǒng)工程——中國系統(tǒng)工程學(xué)會第六次年會論文集[C];1990年

中國重要報紙全文數(shù)據(jù)庫 前6條

1 ;《時間序列與金融數(shù)據(jù)分析》[N];中國信息報;2004年

2 何德旭 王朝陽;時間序列計量經(jīng)濟(jì)學(xué)：協(xié)整與有條件的異方差自回歸[N];中國社會科學(xué)院院報;2003年

3 劉俏;讓數(shù)據(jù)坦白真相[N];21世紀(jì)經(jīng)濟(jì)報道;2003年

4 西南證券高級研究員 董先安邋德圣基金研究中心 郭奔宇;預(yù)計6月CPI同比上漲7.2%[N];證券時報;2008年

5 東證期貨 王愛華　楊衛(wèi)東;兩年漲跌輪回 秋季普遍下跌[N];期貨日報;2009年

6 任勇邋鄭重;中國對世界鋼材價格的影響實證分析[N];現(xiàn)代物流報;2007年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 張墨謙;遙感時間序列數(shù)據(jù)的特征挖掘：在生態(tài)學(xué)中的應(yīng)用[D];復(fù)旦大學(xué);2014年

2 張德成;滑坡預(yù)測預(yù)報研究[D];昆明理工大學(xué);2015年

3 苗圣法;時間序列的模式檢測[D];蘭州大學(xué);2015年

4 翁同峰;時間序列與復(fù)雜網(wǎng)絡(luò)之間等價性問題及表征應(yīng)用研究[D];哈爾濱工業(yè)大學(xué);2015年

5 楊婷婷;用Argo浮標(biāo)結(jié)合衛(wèi)星觀測估算北太平洋經(jīng)向熱輸運(yùn)[D];中國科學(xué)院研究生院(海洋研究所);2015年

6 史文彬;時間序列的相關(guān)性及信息熵分析[D];北京交通大學(xué);2016年

7 王曉曄;時間序列數(shù)據(jù)挖掘中相似性和趨勢預(yù)測的研究[D];天津大學(xué);2003年

8 李桂玲;時間序列的分割及不一致發(fā)現(xiàn)研究[D];華中科技大學(xué);2012年

9 周勇;時間序列時序關(guān)聯(lián)規(guī)則挖掘研究[D];西南財經(jīng)大學(xué);2008年

10 張勇;時間序列模式匹配技術(shù)研究[D];華中科技大學(xué);2012年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 陳健;基于多變量相空間重構(gòu)的投資組合策略研究[D];華南理工大學(xué);2015年

2 蘭鑫;時間序列的復(fù)雜網(wǎng)絡(luò)轉(zhuǎn)換策略研究[D];西南大學(xué);2015年

3 米曉將;區(qū)域尺度下月均氣溫的時空演化格局研究[D];昆明理工大學(xué);2015年

4 張鳴敏;基于支持向量回歸的PM_(2.5)濃度預(yù)測研究[D];南京信息工程大學(xué);2015年

5 林健;基于改進(jìn)小世界回聲狀態(tài)網(wǎng)的時間序列預(yù)測[D];渤海大學(xué);2015年

6 曹智麗;日氣溫和干旱指數(shù)支持向量回歸預(yù)測方法[D];南京信息工程大學(xué);2015年

7 高雄飛;基于分形理論的土壤含水量時間序列特性分析[D];長安大學(xué);2015年

8 姚茜;城市安全生產(chǎn)發(fā)展目標(biāo)研究[D];中國地質(zhì)大學(xué)(北京);2015年

9 謝翠穎;蘇州社會消費(fèi)品零售總額簡析[D];蘇州大學(xué);2015年

10 包仁義;基于時間序列的搜索引擎評估模型算法研究[D];東北師范大學(xué);2015年

  本文關(guān)鍵詞：銀行現(xiàn)金流時間序列預(yù)測算法研究及仿真對比，由筆耕文化傳播整理發(fā)布。

本文編號：326911