本文關鍵詞：基于模型遴選規(guī)則的自適應組合預測研究

  更多相關文章： 組合預測 預測 遴選規(guī)則 自適應 NARX神經網絡 匯率

【摘要】：預測是關于未來的描述。提高預測能力,加強預測精度一直是眾多學者所關注的熱點和孜孜以求的目標。對于同一個預測對象,可以通過不同的預測模型進行預測,每一種預測模型均基于不同信息集并在一定假設條件下給出。由于信息不對稱與預測水平的差異,某個模型在一定時期或者一定環(huán)境下的預測精度可能高于其他競爭模型；而當環(huán)境發(fā)生變化時,該模型的預測精度卻可能很差。因此,如何在提高預測精度的同時,降低預測的不確定性,也就是預測的風險,是本文所關注的問題。 J.M.Bates和C.W.J.Grange第一次提出了“組合預測”的思想,通過把不同的單項預測模型用特定的組合方法進行組合,來提高預測的精度。雖然關于組合預測的文獻有很多,但主要集中在新的組合方法特別是智能算法研究上；對于組合預測的精度研究也大多局限在樣本擬合上,缺少實踐價值。此外,現有的研究很少涉及到在不同的預測環(huán)境下,如何進行組合預測中單項預測模型的遴選及組合方法的遴選。 論文首先證明了組合預測的優(yōu)勢是：在保證預測的精度的同時,最大程度地降低預測的風險。根據不同的標準,選擇了十二個單項預測模型作為備選模型；利用權威的M3-Competition作為樣本序列進行實證分析,證明了組合預測的精度超過了大多數單項預測模型；但如果與預測精度最優(yōu)的單項預測模型相比,組合預測并無優(yōu)勢。 其次,本文對M3-Competition樣本進行了組合預測實證分析,證明了簡單組合方法并不比復雜智能組合方法的精度差。在眾多的組合預測方法中,簡單方法與復雜方法一直存在孰優(yōu)孰劣的爭論,復雜模型往往能夠很好的擬合樣本數據,并通過顯著性很強的假設檢驗；但由于將相同數據段同時用于參數估計和模型結構識別的傳統(tǒng)做法,更由于模型存在不確定性,所得模型很可能僅具有預測精度高的假象。 然后,論文研究了如何根據實際的預測環(huán)境,對備選的單項模型進行遴選。通過計算不同單項預測模型數量下的組合預測結果,證明了組合預測中單項模型的數量并非越多越好,最佳的單項模型數為不超過五個�，F有的組合預測研究在選擇單項模型時很隨意,忽視了預測對象內在的特征；論文通過協(xié)整驗證和包容檢驗,輔以實證分析,給出了單項模型的遴選方法。 接著,基于實證分析,論文通過偏度分析、單項模型預測誤差方差比、誤差相關性等指標,給出了一個基于專家選擇的組合預測方法遴選原理；并根據該原理,建立了一個基于巴克斯范式的組合預測模型遴選規(guī)則,提高了組合預測的精度和穩(wěn)定性。 最后,考慮到預測對象的內部特性可能隨著時間的變化而發(fā)生變化,而且組合預測方法也可能用于不同的預測領域,因此論文在模型遴選規(guī)則中引入基于NARX神經網絡自適應調節(jié)機制,從而讓組合預測能更好地適應環(huán)境的變化。論文以一個匯率預測的案例驗證了自適應組合預測方法高精度、低風險、高適用性的特點。
【關鍵詞】：組合預測 預測 遴選規(guī)則 自適應 NARX神經網絡 匯率
【學位授予單位】：東華大學
【學位級別】：博士
【學位授予年份】：2014
【分類號】：C81;TP183
【目錄】：

• 摘要5-7
• Abstracts7-10
• 目錄10-14
• 第一章 緒論14-26
• 1.1 問題提出：預測的精確性和不確定性14
• 1.2 組合預測的認識論基礎14-15
• 1.3 組合預測研究文獻綜述15-22
• 1.3.1 組合預測方法16-18
• 1.3.2 單項模型的遴選18-19
• 1.3.3 組合方法的遴選19-21
• 1.3.4 遴選規(guī)則的自適應調節(jié)21
• 1.3.5 當前研究中存在的問題21-22
• 1.4 主要研究內容22-23
• 1.5 論文創(chuàng)新點23-24
• 1.6 研究方法與技術路線24-26
• 第二章 組合預測中的單項預測模型與精度分析26-48
• 2.1 單項預測模型26-39
• 2.1.1 線性預測模型26-31
• 2.1.2 ARMA類預測模型31-33
• 2.1.3 非線性預測模型33-39
• 2.2 預測的評價指標39-41
• 2.3 M3-Competition樣本序列41-43
• 2.3.1 M-Competition與M2-Competition樣本序列41-42
• 2.3.2 M3-Competition樣本序列42-43
• 2.4 單項預測模型在M3-Competition中的精度分析43-46
• 2.4.1 單項模型預測的總體精度分析44-45
• 2.4.2 不同度量方法對于單項模型精度的影響45
• 2.4.3 簡單組合預測的精度分析45-46
• 本章小結46-48
• 第三章 組合預測模型與精度分析48-66
• 3.1 組合預測模型48-54
• 3.1.1 簡單平均法48-49
• 3.1.2 加權最優(yōu)權重法49-51
• 3.1.3 線性回歸法51
• 3.1.4 平方誤差總和法51-52
• 3.1.5 人工神經網絡法52-53
• 3.1.6 隨時間變化的權重53-54
• 3.2 組合預測的精度與預測風險54-55
• 3.2.1 組合預測的精度評估標準54
• 3.2.2 組合預測與預測風險54-55
• 3.3 組合預測模型在M3-Competition中的性能分析55-63
• 3.3.1 組合預測中單項模型的配對56
• 3.3.2 組合預測的精度比較56-62
• 3.3.3 組合預測與單項預測的風險比較62
• 3.3.4 簡單組合預測與復雜組合預測的精度對比62-63
• 本章小結63-66
• 第四章 組合預測中單項模型的遴選研究66-88
• 4.1 傳統(tǒng)的組合預測中單項模型的遴選方法66-68
• 4.1.1 非負加權最優(yōu)權重組合的冗余判定66-67
• 4.1.2 冗余定理的實證分析67-68
• 4.2 組合預測中單項模型的協(xié)整檢驗68-80
• 4.2.1 協(xié)整簡介68-69
• 4.2.2 組合預測中單項模型的協(xié)整檢驗69-70
• 4.2.3 協(xié)整檢驗的步驟70-72
• 4.2.4 實證分析72-80
• 4.3 組合預測中單項模型的包容檢驗80-86
• 4.3.1 組合預測中單項模型包容檢驗的意義80-81
• 4.3.2 組合預測單項模型選擇的包容檢驗基本原理81-83
• 4.3.3 組合預測中單項模型的包容檢驗步驟83-84
• 4.3.4 實證分析84-86
• 本章小結86-88
• 第五章 組合預測中組合方法的遴選原理88-98
• 5.1 組合預測的偏度分析88-92
• 5.1.1 組合預測中單項模型的偏度89
• 5.1.2 實證分析89-91
• 5.1.3 基于偏度指標的組合方法遴選原理91-92
• 5.2 單項模型預測誤差之間的方差比和相關性92-96
• 5.2.1 理論分析92-94
• 5.2.2 實證分析94-96
• 5.3 組合模型的遴選原理96
• 本章小結96-98
• 第六章 基于遴選規(guī)則的自適應組合預測研究98-116
• 6.1 基于遴選規(guī)則的組合預測98-104
• 6.1.1 組合預測模型遴選規(guī)則表示方法98-99
• 6.1.2 組合預測模型遴選規(guī)則的構成99-101
• 6.1.3 組合預測模型遴選規(guī)則及預測流程101-104
• 6.2 模型遴選規(guī)則的自適應調節(jié)機制104-108
• 6.2.1 模型遴選規(guī)則自適應調節(jié)原理104-105
• 6.2.2 線性自適應調節(jié)105
• 6.2.3 基于NARX神經網絡的遴選規(guī)則自適應調節(jié)105-108
• 6.3 匯率自適應組合預測實證分析108-115
• 6.3.1 匯率預測概述109
• 6.3.2 單項模型的遴選109-112
• 6.3.3 組合方法的遴選112-113
• 6.3.4 自適應調節(jié)113-115
• 本章小結115-116
• 第七章 總結與展望116-118
• 7.1 總結116-117
• 7.2 展望117-118
• 附錄118-122
• 參考文獻122-132
• 攻讀博士期間發(fā)表的論文132-134
• 致謝134-135

【參考文獻】

中國期刊全文數據庫 前10條

1 宋福根;瞿軼U，

本文編號：877744