針對股票、基金等大量時間序列數據的趨勢預測問題,提出一種基于新穎特征模型的多時間尺度時間序列趨勢預測算法。首先,在原始時間序列中提取帶有多時間尺度特征的特征樹,其刻畫了時間序列,不僅帶有序列在各個層次的特征,同時表示了層次之間的關系。然后,利用聚類挖掘特征序列中的隱含狀態(tài)。最后,應用隱馬爾可夫模型（HMM）設計一個多時間尺度趨勢預測算法（MTSTPA）,同時對不同尺度下的趨勢以及趨勢的長度作出預測。在真實股票數據集上的實驗中,在各個尺度上的預測準確率均在60%以上,與未使用特征樹對比,使用特征樹的模型預測效率更高,在某一尺度上準確率高出10個百分點以上。同時,與經典自回歸滑動平均模型（ARMA）模型和PHMM（Pattern-based HMM）對比,MTSTPA表現更優(yōu),驗證了其有效性。 

【文章來源】：計算機應用. 2019,39(04)北大核心CSCD

【文章頁數】：7 頁

【文章目錄】：
0 引言
1 相關工作
    1) 特征提取:
    2) 狀態(tài)挖掘。
    3) 時間序列預測。
2 特征樹模型
    2.1 時間序列分段
    2.2 特征樹定義
    2.3 特征樹生成
3 預測模型
    3.1 觀測序列
    3.2 狀態(tài)發(fā)現
        1) 相似性度量。
        2) 狀態(tài)挖掘。
    3.3 模型生成
    3.4 模型優(yōu)化
4 預測模型MTSTPA
5 實驗
    5.1 驗證分段算法
    5.2 參數的選擇
    5.3 特征樹有效性
    5.4 模型優(yōu)化驗證
    5.5 MTSTPA有效性
6 結語


【參考文獻】：
期刊論文
[1]具有超父結點時間序列貝葉斯網絡集成回歸模型[J]. 王雙成,高瑞,杜瑞杰.  計算機學報. 2017(12)
[2]股票價格波動:風險還是價值?[J]. 張普,吳沖鋒.  管理世界. 2010(11)
[3]基于小波分析的石油價格長期趨勢預測方法及其實證研究[J]. 梁強,范英,魏一鳴.  中國管理科學. 2005(01)

博士論文
[1]金融時間序列預測的信息融合與計算智能模型[D]. 唐黎.電子科技大學 2018



本文編號：3169614