預(yù)測全球金融能源時(shí)間序列的波動(dòng)已經(jīng)成為經(jīng)濟(jì)和社會(huì)研究的焦點(diǎn),為了提高金融能源價(jià)格預(yù)測的準(zhǔn)確度,本文首先將隨機(jī)時(shí)效函數(shù)與小波神經(jīng)網(wǎng)絡(luò)結(jié)合構(gòu)建了隨機(jī)時(shí)效小波神經(jīng)網(wǎng)絡(luò)模型。小波神經(jīng)網(wǎng)絡(luò)模型是一種能夠?qū)崿F(xiàn)強(qiáng)非線性近似的預(yù)測系統(tǒng),而隨機(jī)時(shí)效函數(shù)用于刻畫歷史數(shù)據(jù)對當(dāng)前市場預(yù)測的影響,賦予歷史數(shù)據(jù)時(shí)變權(quán)重并引入到小波神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程中,這使得模型更符合真實(shí)市場波動(dòng)趨勢。此外,我們將遞歸層引入隨機(jī)時(shí)效小波神經(jīng)網(wǎng)絡(luò)以提高模型對歷史數(shù)據(jù)的記憶性,并結(jié)合小波分解構(gòu)建了組合預(yù)測小波神經(jīng)網(wǎng)絡(luò)模型。小波分解的作用在于將原始不平穩(wěn)的時(shí)間序列分解成不同頻率較平穩(wěn)的子序列,更易于預(yù)測。結(jié)合遞歸層,隨機(jī)時(shí)效性以及小波分解方法進(jìn)一步提高了模型的精度。實(shí)證研究中,我們采用兩種原油現(xiàn)貨序列和兩種金融石油指數(shù),同時(shí)研究了價(jià)格序列以及收益率序列的預(yù)測效果,并與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型,SVM模型,深度學(xué)習(xí)LSTM模型等進(jìn)行了對比。本文除了運(yùn)用常規(guī)的一些誤差分析方法之外,還引入了多尺度復(fù)合復(fù)雜同步性方法,為誤差分析提供了新思路。MCCS分析結(jié)合了樣本熵和復(fù)雜度不變距離,用于測量兩個(gè)等長時(shí)間序列之間的同步性,通過分析預(yù)測結(jié)果和真實(shí)價(jià)格之間的... 

【文章來源】：北京交通大學(xué)北京市211工程院校教育部直屬院校

【文章頁數(shù)】：62 頁

【學(xué)位級別】：碩士

【文章目錄】：
致謝
中文摘要
ABSTRACT
第1章 緒論
    1.1 選題背景與研究現(xiàn)狀
    1.2 論文內(nèi)容與結(jié)構(gòu)
第2章 隨機(jī)神經(jīng)網(wǎng)絡(luò)預(yù)測模型理論
    2.1 小波神經(jīng)網(wǎng)絡(luò)模型基本理論
    2.2 隨機(jī)過程基本理論
第3章 隨機(jī)時(shí)效小波神經(jīng)網(wǎng)絡(luò)模型構(gòu)建
    3.1 基于隨機(jī)時(shí)效的小波神經(jīng)網(wǎng)絡(luò)模型
    3.2 WNNRT模型預(yù)測金融能源市場波動(dòng)
        3.2.1 金融原油價(jià)格時(shí)間序列預(yù)測
        3.2.2 金融原油收益率時(shí)間序列預(yù)測
        3.2.3 誤差評估指標(biāo)分析結(jié)果
        3.2.4 應(yīng)用MCCS方法分析模型預(yù)測精度
    3.3 本章小結(jié)
第4章 隨機(jī)遞歸小波神經(jīng)網(wǎng)絡(luò)組合模型構(gòu)建
    4.1 小波分解理論
    4.2 隨機(jī)遞歸小波神經(jīng)網(wǎng)絡(luò)模型
    4.3 基于小波分解的組合神經(jīng)網(wǎng)絡(luò)模型
    4.4 DWT-SRWNN模型預(yù)測金融能源市場波動(dòng)
        4.4.1 金融能源價(jià)格時(shí)間序列預(yù)測
        4.4.2 模型對比與預(yù)測精度分析
    4.5 本章小結(jié)
第5章 結(jié)論
    5.1 論文結(jié)論
    5.2 論文創(chuàng)新點(diǎn)
參考文獻(xiàn)
作者簡歷及攻讀碩士學(xué)位期間取得的研究成果
學(xué)位論文數(shù)據(jù)集


【參考文獻(xiàn)】：
期刊論文
[1]Short Term Wind Speed Prediction Using Multiple Kernel Pseudo Inverse Neural Network[J]. S.P.Mishra,P.K.Dash.  International Journal of Automation and Computing. 2018(01)
[2]A new approach for crude oil price prediction based on stream learning[J]. Shuang Gao,Yalin Lei.  Geoscience Frontiers. 2017(01)
[3]BP神經(jīng)網(wǎng)絡(luò)輸入層數(shù)據(jù)歸一化研究[J]. 柳小桐.  機(jī)械工程與自動(dòng)化. 2010(03)



本文編號：3629038