本文關(guān)鍵詞：基于模型遴選規(guī)則的自適應(yīng)組合預(yù)測(cè)研究

  更多相關(guān)文章： 組合預(yù)測(cè) 預(yù)測(cè) 遴選規(guī)則 自適應(yīng) NARX神經(jīng)網(wǎng)絡(luò) 匯率

【摘要】：預(yù)測(cè)是關(guān)于未來(lái)的描述。提高預(yù)測(cè)能力,加強(qiáng)預(yù)測(cè)精度一直是眾多學(xué)者所關(guān)注的熱點(diǎn)和孜孜以求的目標(biāo)。對(duì)于同一個(gè)預(yù)測(cè)對(duì)象,可以通過(guò)不同的預(yù)測(cè)模型進(jìn)行預(yù)測(cè),每一種預(yù)測(cè)模型均基于不同信息集并在一定假設(shè)條件下給出。由于信息不對(duì)稱與預(yù)測(cè)水平的差異,某個(gè)模型在一定時(shí)期或者一定環(huán)境下的預(yù)測(cè)精度可能高于其他競(jìng)爭(zhēng)模型；而當(dāng)環(huán)境發(fā)生變化時(shí),該模型的預(yù)測(cè)精度卻可能很差。因此,如何在提高預(yù)測(cè)精度的同時(shí),降低預(yù)測(cè)的不確定性,也就是預(yù)測(cè)的風(fēng)險(xiǎn),是本文所關(guān)注的問(wèn)題。 J.M.Bates和C.W.J.Grange第一次提出了“組合預(yù)測(cè)”的思想,通過(guò)把不同的單項(xiàng)預(yù)測(cè)模型用特定的組合方法進(jìn)行組合,來(lái)提高預(yù)測(cè)的精度。雖然關(guān)于組合預(yù)測(cè)的文獻(xiàn)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(duì)于組合預(yù)測(cè)的精度研究也大多局限在樣本擬合上,缺少實(shí)踐價(jià)值。此外,現(xiàn)有的研究很少涉及到在不同的預(yù)測(cè)環(huán)境下,如何進(jìn)行組合預(yù)測(cè)中單項(xiàng)預(yù)測(cè)模型的遴選及組合方法的遴選。 論文首先證明了組合預(yù)測(cè)的優(yōu)勢(shì)是：在保證預(yù)測(cè)的精度的同時(shí),最大程度地降低預(yù)測(cè)的風(fēng)險(xiǎn)。根據(jù)不同的標(biāo)準(zhǔn),選擇了十二個(gè)單項(xiàng)預(yù)測(cè)模型作為備選模型；利用權(quán)威的M3-Competition作為樣本序列進(jìn)行實(shí)證分析,證明了組合預(yù)測(cè)的精度超過(guò)了大多數(shù)單項(xiàng)預(yù)測(cè)模型；但如果與預(yù)測(cè)精度最優(yōu)的單項(xiàng)預(yù)測(cè)模型相比,組合預(yù)測(cè)并無(wú)優(yōu)勢(shì)。 其次,本文對(duì)M3-Competition樣本進(jìn)行了組合預(yù)測(cè)實(shí)證分析,證明了簡(jiǎn)單組合方法并不比復(fù)雜智能組合方法的精度差。在眾多的組合預(yù)測(cè)方法中,簡(jiǎn)單方法與復(fù)雜方法一直存在孰優(yōu)孰劣的爭(zhēng)論,復(fù)雜模型往往能夠很好的擬合樣本數(shù)據(jù),并通過(guò)顯著性很強(qiáng)的假設(shè)檢驗(yàn)；但由于將相同數(shù)據(jù)段同時(shí)用于參數(shù)估計(jì)和模型結(jié)構(gòu)識(shí)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(yù)測(cè)精度高的假象。 然后,論文研究了如何根據(jù)實(shí)際的預(yù)測(cè)環(huán)境,對(duì)備選的單項(xiàng)模型進(jìn)行遴選。通過(guò)計(jì)算不同單項(xiàng)預(yù)測(cè)模型數(shù)量下的組合預(yù)測(cè)結(jié)果,證明了組合預(yù)測(cè)中單項(xiàng)模型的數(shù)量并非越多越好,最佳的單項(xiàng)模型數(shù)為不超過(guò)五個(gè)。現(xiàn)有的組合預(yù)測(cè)研究在選擇單項(xiàng)模型時(shí)很隨意,忽視了預(yù)測(cè)對(duì)象內(nèi)在的特征；論文通過(guò)協(xié)整驗(yàn)證和包容檢驗(yàn),輔以實(shí)證分析,給出了單項(xiàng)模型的遴選方法。 接著,基于實(shí)證分析,論文通過(guò)偏度分析、單項(xiàng)模型預(yù)測(cè)誤差方差比、誤差相關(guān)性等指標(biāo),給出了一個(gè)基于專家選擇的組合預(yù)測(cè)方法遴選原理；并根據(jù)該原理,建立了一個(gè)基于巴克斯范式的組合預(yù)測(cè)模型遴選規(guī)則,提高了組合預(yù)測(cè)的精度和穩(wěn)定性。 最后,考慮到預(yù)測(cè)對(duì)象的內(nèi)部特性可能隨著時(shí)間的變化而發(fā)生變化,而且組合預(yù)測(cè)方法也可能用于不同的預(yù)測(cè)領(lǐng)域,因此論文在模型遴選規(guī)則中引入基于NARX神經(jīng)網(wǎng)絡(luò)自適應(yīng)調(diào)節(jié)機(jī)制,從而讓組合預(yù)測(cè)能更好地適應(yīng)環(huán)境的變化。論文以一個(gè)匯率預(yù)測(cè)的案例驗(yàn)證了自適應(yīng)組合預(yù)測(cè)方法高精度、低風(fēng)險(xiǎn)、高適用性的特點(diǎn)。
【關(guān)鍵詞】：組合預(yù)測(cè) 預(yù)測(cè) 遴選規(guī)則 自適應(yīng) NARX神經(jīng)網(wǎng)絡(luò) 匯率
【學(xué)位授予單位】：東華大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2014
【分類號(hào)】：C81;TP183
【目錄】：

• 摘要5-7
• Abstracts7-10
• 目錄10-14
• 第一章 緒論14-26
• 1.1 問(wèn)題提出：預(yù)測(cè)的精確性和不確定性14
• 1.2 組合預(yù)測(cè)的認(rèn)識(shí)論基礎(chǔ)14-15
• 1.3 組合預(yù)測(cè)研究文獻(xiàn)綜述15-22
• 1.3.1 組合預(yù)測(cè)方法16-18
• 1.3.2 單項(xiàng)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(yīng)調(diào)節(jié)21
• 1.3.5 當(dāng)前研究中存在的問(wèn)題21-22
• 1.4 主要研究?jī)?nèi)容22-23
• 1.5 論文創(chuàng)新點(diǎn)23-24
• 1.6 研究方法與技術(shù)路線24-26
• 第二章 組合預(yù)測(cè)中的單項(xiàng)預(yù)測(cè)模型與精度分析26-48
• 2.1 單項(xiàng)預(yù)測(cè)模型26-39
• 2.1.1 線性預(yù)測(cè)模型26-31
• 2.1.2 ARMA類預(yù)測(cè)模型31-33
• 2.1.3 非線性預(yù)測(cè)模型33-39
• 2.2 預(yù)測(cè)的評(píng)價(jià)指標(biāo)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(xiàng)預(yù)測(cè)模型在M3-Competition中的精度分析43-46
• 2.4.1 單項(xiàng)模型預(yù)測(cè)的總體精度分析44-45
• 2.4.2 不同度量方法對(duì)于單項(xiàng)模型精度的影響45
• 2.4.3 簡(jiǎn)單組合預(yù)測(cè)的精度分析45-46
• 本章小結(jié)46-48
• 第三章 組合預(yù)測(cè)模型與精度分析48-66
• 3.1 組合預(yù)測(cè)模型48-54
• 3.1.1 簡(jiǎn)單平均法48-49
• 3.1.2 加權(quán)最優(yōu)權(quán)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(jīng)網(wǎng)絡(luò)法52-53
• 3.1.6 隨時(shí)間變化的權(quán)重53-54
• 3.2 組合預(yù)測(cè)的精度與預(yù)測(cè)風(fēng)險(xiǎn)54-55
• 3.2.1 組合預(yù)測(cè)的精度評(píng)估標(biāo)準(zhǔn)54
• 3.2.2 組合預(yù)測(cè)與預(yù)測(cè)風(fēng)險(xiǎn)54-55
• 3.3 組合預(yù)測(cè)模型在M3-Competition中的性能分析55-63
• 3.3.1 組合預(yù)測(cè)中單項(xiàng)模型的配對(duì)56
• 3.3.2 組合預(yù)測(cè)的精度比較56-62
• 3.3.3 組合預(yù)測(cè)與單項(xiàng)預(yù)測(cè)的風(fēng)險(xiǎn)比較62
• 3.3.4 簡(jiǎn)單組合預(yù)測(cè)與復(fù)雜組合預(yù)測(cè)的精度對(duì)比62-63
• 本章小結(jié)63-66
• 第四章 組合預(yù)測(cè)中單項(xiàng)模型的遴選研究66-88
• 4.1 傳統(tǒng)的組合預(yù)測(cè)中單項(xiàng)模型的遴選方法66-68
• 4.1.1 非負(fù)加權(quán)最優(yōu)權(quán)重組合的冗余判定66-67
• 4.1.2 冗余定理的實(shí)證分析67-68
• 4.2 組合預(yù)測(cè)中單項(xiàng)模型的協(xié)整檢驗(yàn)68-80
• 4.2.1 協(xié)整簡(jiǎn)介68-69
• 4.2.2 組合預(yù)測(cè)中單項(xiàng)模型的協(xié)整檢驗(yàn)69-70
• 4.2.3 協(xié)整檢驗(yàn)的步驟70-72
• 4.2.4 實(shí)證分析72-80
• 4.3 組合預(yù)測(cè)中單項(xiàng)模型的包容檢驗(yàn)80-86
• 4.3.1 組合預(yù)測(cè)中單項(xiàng)模型包容檢驗(yàn)的意義80-81
• 4.3.2 組合預(yù)測(cè)單項(xiàng)模型選擇的包容檢驗(yàn)基本原理81-83
• 4.3.3 組合預(yù)測(cè)中單項(xiàng)模型的包容檢驗(yàn)步驟83-84
• 4.3.4 實(shí)證分析84-86
• 本章小結(jié)86-88
• 第五章 組合預(yù)測(cè)中組合方法的遴選原理88-98
• 5.1 組合預(yù)測(cè)的偏度分析88-92
• 5.1.1 組合預(yù)測(cè)中單項(xiàng)模型的偏度89
• 5.1.2 實(shí)證分析89-91
• 5.1.3 基于偏度指標(biāo)的組合方法遴選原理91-92
• 5.2 單項(xiàng)模型預(yù)測(cè)誤差之間的方差比和相關(guān)性92-96
• 5.2.1 理論分析92-94
• 5.2.2 實(shí)證分析94-96
• 5.3 組合模型的遴選原理96
• 本章小結(jié)96-98
• 第六章 基于遴選規(guī)則的自適應(yīng)組合預(yù)測(cè)研究98-116
• 6.1 基于遴選規(guī)則的組合預(yù)測(cè)98-104
• 6.1.1 組合預(yù)測(cè)模型遴選規(guī)則表示方法98-99
• 6.1.2 組合預(yù)測(cè)模型遴選規(guī)則的構(gòu)成99-101
• 6.1.3 組合預(yù)測(cè)模型遴選規(guī)則及預(yù)測(cè)流程101-104
• 6.2 模型遴選規(guī)則的自適應(yīng)調(diào)節(jié)機(jī)制104-108
• 6.2.1 模型遴選規(guī)則自適應(yīng)調(diào)節(jié)原理104-105
• 6.2.2 線性自適應(yīng)調(diào)節(jié)105
• 6.2.3 基于NARX神經(jīng)網(wǎng)絡(luò)的遴選規(guī)則自適應(yīng)調(diào)節(jié)105-108
• 6.3 匯率自適應(yīng)組合預(yù)測(cè)實(shí)證分析108-115
• 6.3.1 匯率預(yù)測(cè)概述109
• 6.3.2 單項(xiàng)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(yīng)調(diào)節(jié)113-115
• 本章小結(jié)115-116
• 第七章 總結(jié)與展望116-118
• 7.1 總結(jié)116-117
• 7.2 展望117-118
• 附錄118-122
• 參考文獻(xiàn)122-132
• 攻讀博士期間發(fā)表的論文132-134
• 致謝134-135

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 宋福根;瞿軼U，

本文編號(hào)：877744