本文關(guān)鍵詞：Lasso類方法在時(shí)間序列中的若干應(yīng)用

  更多相關(guān)文章： Lasso類方法 時(shí)間序列 變量選擇 變點(diǎn)檢測(cè)

【摘要】：本文研究了Lasso類方法在時(shí)間序列中的應(yīng)用.近幾年來(lái),人們?cè)絹?lái)越多的關(guān)注如何利用數(shù)理統(tǒng)計(jì)模型從大量數(shù)據(jù)中挖掘出有效信息.在建立模型的初期,如果缺少一些重要的自變量,往往會(huì)使模型產(chǎn)生偏差,于是人們便會(huì)盡可能多去選擇一些變量.但是,建模的過(guò)程又需要尋找對(duì)因變量具有解釋力強(qiáng)的自變量集合,那么合適的自變量選擇便顯得尤為重要.Lasso方法便是一種能夠?qū)崿F(xiàn)指標(biāo)集合精簡(jiǎn),能夠提高模型解釋力和預(yù)測(cè)精度的一種估計(jì)方法.因此,用Lasso方法進(jìn)行變量選擇,能夠減小建模中的偏差.變點(diǎn)是數(shù)字特征或樣本分布發(fā)生了意想不到變化的時(shí)刻點(diǎn).變點(diǎn)問(wèn)題是統(tǒng)計(jì)學(xué)、經(jīng)濟(jì)學(xué)及其它學(xué)科中研究的熱點(diǎn)問(wèn)題之一.變點(diǎn)檢測(cè)的研究也廣泛應(yīng)用到眾多領(lǐng)域.Lasso方法也可以處理變點(diǎn)的估計(jì)問(wèn)題.Lasso方法的變點(diǎn)估計(jì)相當(dāng)于轉(zhuǎn)換后的變量選擇問(wèn)題,然后運(yùn)用變量選擇的方法進(jìn)行處理,可以得出良好的變點(diǎn)估計(jì)結(jié)果.本文的主要工作如下:1.第一部分研究了Lasso類方法在變量選擇中的應(yīng)用.本部分在時(shí)間序列場(chǎng)合下對(duì)Lasso方法與Adaptive Lasso方法進(jìn)行比較.先通過(guò)數(shù)值模擬結(jié)果表明Adaptive Lasso方法比Lasso方法更加有效.然后,通過(guò)對(duì)滬深300指數(shù)的技術(shù)指標(biāo)的歷史數(shù)據(jù)進(jìn)行變量選擇,比較發(fā)現(xiàn)二者均可以有效并準(zhǔn)確地選擇出合適變量,且Adaptive Lasso方法的參數(shù)估計(jì)相對(duì)更加精確.最后,根據(jù)選出變量及其參數(shù)進(jìn)行預(yù)測(cè),并同真實(shí)數(shù)值進(jìn)行比較,結(jié)果表明Adaptive Lasso方法在變量選擇以及參數(shù)估計(jì)中有良好的效果.2.第二部分研究了Lasso類方法在變點(diǎn)檢測(cè)中的應(yīng)用.本部分首先比較了Lasso方法與Adaptive Lasso方法在數(shù)值模擬中的變點(diǎn)估計(jì),估計(jì)結(jié)果比較準(zhǔn)確.然后,利用滬深300指數(shù)的收盤價(jià)尋找變點(diǎn),估計(jì)的結(jié)果良好.
【關(guān)鍵詞】：Lasso類方法 時(shí)間序列 變量選擇 變點(diǎn)檢測(cè)
【學(xué)位授予單位】：魯東大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：O211.61
【目錄】：

• 致謝5-6
• 摘要6-7
• Abstract7-11
• 第1章 緒論11-15
• 1.1 研究的背景與發(fā)展現(xiàn)狀11-14
• 1.1.1 Lasso類方法的研究背景與現(xiàn)狀11-12
• 1.1.2 時(shí)間序列的研究背景與現(xiàn)狀12-13
• 1.1.3 Lasso類方法變點(diǎn)檢測(cè)的研究背景與現(xiàn)狀13-14
• 1.2 本文的主要工作14-15
• 第2章 Lasso類方法在時(shí)間序列變量選擇中的應(yīng)用15-29
• 2.1 概述15
• 2.2 模型與方法15-16
• 2.2.1 Lasso方法15-16
• 2.2.2 Adaptive Lasso方法16
• 2.2.3 Lasso方法與Adaptive Lasso方法比較16
• 2.3 數(shù)值模擬16-21
• 2.3.1 生成數(shù)據(jù)16-17
• 2.3.2 參數(shù)估計(jì)17-21
• 2.4 實(shí)例分析21-27
• 2.4.1 數(shù)據(jù)的初步處理21-22
• 2.4.2 數(shù)據(jù)分析與比較22-27
• 2.5 結(jié)論27-29
• 第3章 基于Lasso類方法的變點(diǎn)檢測(cè)29-41
• 3.1 概述29
• 3.2 模型與轉(zhuǎn)化29-31
• 3.2.1 Lasso方法29-30
• 3.2.2 Adaptive Lasso方法30-31
• 3.3 數(shù)值模擬31-35
• 3.3.1 生成數(shù)據(jù)31-33
• 3.3.2 參數(shù)估計(jì)33
• 3.3.3 結(jié)果比較與分析33-35
• 3.4 實(shí)例分析35-40
• 3.4.1 數(shù)據(jù)的初步處理35-37
• 3.4.2 數(shù)據(jù)分析與比較37-40
• 3.5 結(jié)語(yǔ)40-41
• 第4章 主要的結(jié)論與展望41-43
• 4.1 結(jié)論41
• 4.2 展望41-43
• 參考文獻(xiàn)43-47
• 作者簡(jiǎn)歷47

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前8條

1 李強(qiáng);王黎明;;基于LAD-LASSO方法的逐段常數(shù)序列中的變點(diǎn)估計(jì)[J];統(tǒng)計(jì)與信息論壇;2015年05期

2 孫良君;范劍鋒;楊琬琪;史穎歡;高陽(yáng);周新民;;基于Group Lasso的多源電信數(shù)據(jù)離網(wǎng)用戶分析[J];南京師范大學(xué)學(xué)報(bào)(工程技術(shù)版);2014年04期

3 魯慶;穆志純;;基于Lasso方法的碳鋼土壤腐蝕率預(yù)報(bào)研究[J];科學(xué)技術(shù)與工程;2014年35期

4 王宣承;;基于LASSO和神經(jīng)網(wǎng)絡(luò)的量化交易智能系統(tǒng)構(gòu)建——以滬深300股指期貨為例[J];投資研究;2014年09期

5 李鋒;盧一強(qiáng);李高榮;;部分線性模型的Adaptive LASSO變量選擇[J];應(yīng)用概率統(tǒng)計(jì);2012年06期

6 劉睿智;杜n，

本文編號(hào)：1010838