本文關鍵詞：Lasso類方法在時間序列中的若干應用

  更多相關文章： Lasso類方法 時間序列 變量選擇 變點檢測

【摘要】：本文研究了Lasso類方法在時間序列中的應用.近幾年來,人們越來越多的關注如何利用數(shù)理統(tǒng)計模型從大量數(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,往往會使模型產生偏差,于是人們便會盡可能多去選擇一些變量.但是,建模的過程又需要尋找對因變量具有解釋力強的自變量集合,那么合適的自變量選擇便顯得尤為重要.Lasso方法便是一種能夠實現(xiàn)指標集合精簡,能夠提高模型解釋力和預測精度的一種估計方法.因此,用Lasso方法進行變量選擇,能夠減小建模中的偏差.變點是數(shù)字特征或樣本分布發(fā)生了意想不到變化的時刻點.變點問題是統(tǒng)計學、經濟學及其它學科中研究的熱點問題之一.變點檢測的研究也廣泛應用到眾多領域.Lasso方法也可以處理變點的估計問題.Lasso方法的變點估計相當于轉換后的變量選擇問題,然后運用變量選擇的方法進行處理,可以得出良好的變點估計結果.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用.本部分在時間序列場合下對Lasso方法與Adaptive Lasso方法進行比較.先通過數(shù)值模擬結果表明Adaptive Lasso方法比Lasso方法更加有效.然后,通過對滬深300指數(shù)的技術指標的歷史數(shù)據(jù)進行變量選擇,比較發(fā)現(xiàn)二者均可以有效并準確地選擇出合適變量,且Adaptive Lasso方法的參數(shù)估計相對更加精確.最后,根據(jù)選出變量及其參數(shù)進行預測,并同真實數(shù)值進行比較,結果表明Adaptive Lasso方法在變量選擇以及參數(shù)估計中有良好的效果.2.第二部分研究了Lasso類方法在變點檢測中的應用.本部分首先比較了Lasso方法與Adaptive Lasso方法在數(shù)值模擬中的變點估計,估計結果比較準確.然后,利用滬深300指數(shù)的收盤價尋找變點,估計的結果良好.
【關鍵詞】：Lasso類方法 時間序列 變量選擇 變點檢測
【學位授予單位】：魯東大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：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 時間序列的研究背景與現(xiàn)狀12-13
• 1.1.3 Lasso類方法變點檢測的研究背景與現(xiàn)狀13-14
• 1.2 本文的主要工作14-15
• 第2章 Lasso類方法在時間序列變量選擇中的應用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17-21
• 2.4 實例分析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 結論27-29
• 第3章 基于Lasso類方法的變點檢測29-41
• 3.1 概述29
• 3.2 模型與轉化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33
• 3.3.3 結果比較與分析33-35
• 3.4 實例分析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 結語40-41
• 第4章 主要的結論與展望41-43
• 4.1 結論41
• 4.2 展望41-43
• 參考文獻43-47
• 作者簡歷47

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前8條

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

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

3 魯慶;穆志純;;基于Lasso方法的碳鋼土壤腐蝕率預報研究[J];科學技術與工程;2014年35期

4 王宣承;;基于LASSO和神經網(wǎng)絡的量化交易智能系統(tǒng)構建——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;李高榮;;部分線性模型的Adaptive LASSO變量選擇[J];應用概率統(tǒng)計;2012年06期

6 劉睿智;杜n，

本文編號：1010838