時間序列的預(yù)測研究在整個預(yù)測領(lǐng)域中有著舉足輕重的地位,在決策領(lǐng)域還是風(fēng)險(xiǎn)管理中都有著極其深遠(yuǎn)的意義。傳統(tǒng)的時間序列分析模型如ARIMA模型在應(yīng)用時往往要建立在正態(tài)分布的假定之上,并且對于時間序列數(shù)據(jù)中潛在的非線性特征往往無能為力。因此對于多數(shù)實(shí)際問題而言,傳統(tǒng)的時間序列模型通常會失效。人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等人工智能技術(shù)(Artificial Intelligence,簡稱AI)克服了傳統(tǒng)模型的局限性,以數(shù)據(jù)為驅(qū)動,全面的呈現(xiàn)出時間序列數(shù)據(jù)的非線性動態(tài)系統(tǒng)。人工智能技術(shù)在時序分析范疇中的普遍實(shí)現(xiàn)已經(jīng)證明了其在時序分析問題研究中的良好表現(xiàn)以及普適性能。大量的理論和實(shí)證研究也已經(jīng)充分證明了集成思想的真實(shí)性和有效性。然而對于集成預(yù)測模型的研究還主要集中在線性集成技術(shù)上,對預(yù)測表現(xiàn)的改善非常有限。因此近些年來興起了對非線性集成方法的研究,采用智能系統(tǒng)手段對權(quán)重模式進(jìn)行學(xué)習(xí),使得模型的泛化能力以及對樣本數(shù)據(jù)的擬合程度都得到了明顯的改善。這篇文章結(jié)合統(tǒng)計(jì)理論、AI方法,包括神經(jīng)網(wǎng)絡(luò)、支持向量機(jī),以及集成手段,引入三種時間序列分析模型,即S-BPNN、EMD-LSSVM及集成預(yù)測模型。并且,文章利...

【文章頁數(shù)】：49 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 傳統(tǒng)的時間序列預(yù)測模型
    1.2 基于人工智能的時間序列預(yù)測模型
    1.3 基于集成技術(shù)的時間序列預(yù)測模型
    1.4 本文的動機(jī)與行文思路
2 研究方法
    2.1 ARMA-GARCH模型
        2.1.1 模型介紹
        2.1.2 模型定階
    2.2 S-BPNN模型
        2.2.1 模型介紹
        2.2.2 逆?zhèn)魉惴?br>        2.2.3 參數(shù)估計(jì)
        2.2.4 網(wǎng)絡(luò)結(jié)構(gòu)
    2.3 EMD-LSSVM模型
        2.3.1 經(jīng)驗(yàn)?zāi)B(tài)分解
        2.3.2 支持向量機(jī)理論
        2.3.3 推廣性的界
        2.3.4 結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理
        2.3.5 SVM
        2.3.6 LSSVM
    2.4 非線性集成預(yù)測模型
3 實(shí)證分析
    3.1 數(shù)據(jù)描述
    3.2 實(shí)證比較
        3.2.1 模型評價指標(biāo)
        3.2.2 實(shí)證結(jié)果
        3.2.3 模型表現(xiàn)
結(jié)論
參考文獻(xiàn)
致謝



本文編號：3804286