本文關鍵詞：銀行現金流時間序列預測算法研究及仿真對比，，由筆耕文化傳播整理發(fā)布。

【摘要】：由于我國商業(yè)銀行現金業(yè)務快速增長,為了提高現金業(yè)務各類數據信息實時性和準確性,針對目前商業(yè)銀行上下級間現金業(yè)務庫存預測及現金管理信息數據聯動的精確性和穩(wěn)定性不高的難題,本文提出以下幾種方法對我國銀行現金流時間預測算法進行研究。具體工作主要有以下幾個方面:本文首先從目前時間序列預測所采用常用的統(tǒng)計學時間序列預測方法,包括移動平均法(一次,二次);指數平滑預測法(一次,二次)和自回歸移動平均混合模型(簡稱ARMA模型)的時間序列預測算法,基于某商業(yè)銀行的市場數據進行現金流時間序列預測。并通過對每一種方法的大量的仿真實驗和對比實驗,對其精度的有效性的驗證,證明了所提方法的有效性。其次提出了一種基于灰色預測和神經網絡的組合模型對銀行現金流時間序列進行預測。組合模型兼有BP神經網絡和灰色預測的優(yōu)點,彌補了單個模型的不足,既克服了數據波動性大對預測精度的影響,也增強了預測的自適應性。本方法利用灰色預測中的累加生成運算對原始數據進行變換,從而得到規(guī)律性較強的累加數據,便于神經網絡進行建模和訓練,并利用神經網絡的函數逼近特性,實現對原始數據的預測和仿真驗證。最后提出一種基于自適應種群活性粒子群優(yōu)化算法(Adaptive Population Activity Particle Swarm Optimization,APAPSO)和最小二乘法(LMS)相結合的混合學習算法優(yōu)化ANFIS模型參數的方法實現銀行現金流時間預測預測。通過引進群體多樣性度量函數,來保證種群的多樣性,并通過引進自適應改變的慣性權重來提高粒子群算法的尋優(yōu)能力,避免粒子群優(yōu)化算法早熟收斂的問題,最后通過大量的仿真對比實驗,驗證了所提方法的可行性�？傊�,通過仿真結果表明了以上方法對銀行現金流時間序列均能夠取得較好的預測效果,為商業(yè)銀行的業(yè)務計劃制定提供了較好的數據基礎和決策依據,有較好的參考價值。
【關鍵詞】：時間序列預測 銀行現金流 統(tǒng)計學預測法 灰色神經網絡法 改進的粒子群算法
【學位授予單位】：遼寧科技大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：F832.33;O211.61
【目錄】：

• 中文摘要5-6
• ABSTRACT6-10
• 1. 緒論10-18
• 1.1 課題研究背景及意義10-11
• 1.2 時間序列預測方法分類11-12
• 1.3 時間序列預測方法研究進展12-15
• 1.3.1 線性預測法12-13
• 1.3.2 非線性預測法13-15
• 1.4 銀行現金流時間序列預測方法研究進展15-16
• 1.5 主要工作和結構安排16-18
• 2.基于統(tǒng)計學預測方法的銀行現金流時間序列預測18-38
• 2.1 引言18
• 2.2 移動平均法18-22
• 2.2.1 一次移動平均法18-20
• 2.2.2 二次移動平均法20-22
• 2.3 指數平滑法22-26
• 2.3.1 一次指數平滑預測法22-23
• 2.3.2 二次指數平滑預測法23-26
• 2.4 ARMA模型26-29
• 2.4.1 ARMA模型的基本原理26-28
• 2.4.2 ARMA模型的建模步驟28-29
• 2.5 基于ARMA模型的銀行現金流時間序列預測29-33
• 2.5.1 數據的平穩(wěn)化29-32
• 2.5.2 建立模型32-33
• 2.6 仿真結果33-36
• 2.7 性能分析36-37
• 2.8 小結37-38
• 3.基于灰色神經網絡的銀行現金流時間序列預測38-53
• 3.1 引言38
• 3.2 灰色模型預測原理38-40
• 3.2.1 灰色系統(tǒng)理論38-39
• 3.2.2 灰色GM(1,1)模型的建模39-40
• 3.2.3 灰色GM(1,1)模型預測40
• 3.3 誤差反傳神經網絡（BPNN）預測模型40-46
• 3.3.1 BPNN的拓撲結構41-42
• 3.3.2 BPNN的學習過程42-43
• 3.3.3 BPNN的訓練算法43-46
• 3.4 灰色神經網絡組合模型46-48
• 3.4.1 灰色神經網絡預測模型的建模47-48
• 3.5 仿真實驗48-52
• 3.5.1 數據準備48
• 3.5.2 優(yōu)化算法的確定48-49
• 3.5.3 仿真對比實驗49-52
• 3.5.4 性能分析52
• 3.8 小結52-53
• 4.基于改進的PSO-ANFIS的銀行現金流時間序列預測53-67
• 4.1 引言53
• 4.2 自適應神經-模糊推理系統(tǒng)（ANFIS）53-56
• 4.2.1 ANFIS的結構53-55
• 4.2.2 ANFIS算法流程55-56
• 4.3 PSO算法簡介56-57
• 4.3.1 標準PSO算法56-57
• 4.3.2 標準PSO算法流程57
• 4.4 改進的PSO-LMS算法優(yōu)化ANFIS參數模型57-60
• 4.4.1 種群多樣性度量函數58
• 4.4.2 慣性權重自適應調節(jié)機制58-60
• 4.4.3 APAPSO-LMS算法優(yōu)化ANFIS參數模型算法流程60
• 4.5 基于APAPSO-ANFIS算法的銀行現金流時間序列預測60-66
• 4.5.1 仿真結果61-65
• 4.5.2 性能分析65-66
• 4.6 小結66-67
• 5.總結67-68
• 參考文獻68-72
• 攻讀碩士學位期間發(fā)表學術論文情況72-73
• 致謝73-74
• 作者簡介74-75

【相似文獻】

中國期刊全文數據庫 前10條

1 施久玉,杜金觀;有限個狀態(tài)時間序列的某些結果[J];應用數學學報;1990年01期

2 馮希杰;長江三峽及其鄰區(qū)斷裂活動時間序列[J];華南地震;1991年02期

3 王霞,郭嗣琮,劉淑娟;時間序列模糊滑動預測[J];遼寧工程技術大學學報(自然科學版);1999年03期

4 溫品人;時間序列預測法的實際應用分析[J];江蘇廣播電視大學學報;2001年06期

5 許清海;混沌投資時間序列的嬗變[J];漳州師范學院學報(自然科學版);2003年01期

6 程毛林;時間序列系統(tǒng)建模預測的一種新方法[J];數學的實踐與認識;2004年08期

7 高潔;長記憶時間序列適應性預測的應用[J];江南大學學報;2004年05期

8 高潔;孫立新;;長記憶時間序列的適應性預測誤差的譜密度[J];統(tǒng)計與決策;2006年13期

9 楊鐘瑾;;淺談時間序列的分析預測[J];中國科技信息;2006年14期

10 李健;孫廣中;許胤龍;;基于時間序列的預測模型應用與異常檢測[J];計算機輔助工程;2006年02期

中國重要會議論文全文數據庫 前10條

1 周家斌;張海福;楊桂英;;多維多步時間序列預報方法及其應用[A];中國現場統(tǒng)計研究會第九屆學術年會論文集[C];1999年

2 馬培蓓;紀軍;;基于時間序列的航空備件消耗預測[A];中國系統(tǒng)工程學會決策科學專業(yè)委員會第六屆學術年會論文集[C];2005年

3 盧世坤;李夕海;牛超;陳蛟;;時間序列的非線性非平穩(wěn)特性研究綜述[A];國家安全地球物理叢書（八）——遙感地球物理與國家安全[C];2012年

4 李強;;基于線性模型方法對時間序列中異常值的檢測及證券實證分析[A];加入WTO和中國科技與可持續(xù)發(fā)展——挑戰(zhàn)與機遇、責任和對策（上冊）[C];2002年

5 戴麗金;何振峰;;基于云模型的時間序列相似性度量方法[A];第八屆中國不確定系統(tǒng)年會論文集[C];2010年

6 謝美萍;趙希人;莊秀龍;;多維非線性時間序列的投影尋蹤學習逼近[A];'99系統(tǒng)仿真技術及其應用學術交流會論文集[C];1999年

7 張大斌;李紅燕;劉肖;張文生;;非線性時問序列的小波-模糊神經網絡集成預測方法[A];第十五屆中國管理科學學術年會論文集（下）[C];2013年

8 黃云貴;;基于時間序列的電網固定資產投資規(guī)模研究[A];2012年云南電力技術論壇論文集（文摘部分）[C];2012年

9 李松臣;張世英;;時間序列高階矩持續(xù)和協同持續(xù)性研究[A];21世紀數量經濟學（第8卷）[C];2007年

10 陳赫;羅聲求;;歷史橫斷面數據的時間序列化[A];科學決策與系統(tǒng)工程——中國系統(tǒng)工程學會第六次年會論文集[C];1990年

中國重要報紙全文數據庫 前6條

1 ;《時間序列與金融數據分析》[N];中國信息報;2004年

2 何德旭 王朝陽;時間序列計量經濟學：協整與有條件的異方差自回歸[N];中國社會科學院院報;2003年

3 劉俏;讓數據坦白真相[N];21世紀經濟報道;2003年

4 西南證券高級研究員 董先安邋德圣基金研究中心 郭奔宇;預計6月CPI同比上漲7.2%[N];證券時報;2008年

5 東證期貨 王愛華　楊衛(wèi)東;兩年漲跌輪回 秋季普遍下跌[N];期貨日報;2009年

6 任勇邋鄭重;中國對世界鋼材價格的影響實證分析[N];現代物流報;2007年

中國博士學位論文全文數據庫 前10條

1 張墨謙;遙感時間序列數據的特征挖掘：在生態(tài)學中的應用[D];復旦大學;2014年

2 張德成;滑坡預測預報研究[D];昆明理工大學;2015年

3 苗圣法;時間序列的模式檢測[D];蘭州大學;2015年

4 翁同峰;時間序列與復雜網絡之間等價性問題及表征應用研究[D];哈爾濱工業(yè)大學;2015年

5 楊婷婷;用Argo浮標結合衛(wèi)星觀測估算北太平洋經向熱輸運[D];中國科學院研究生院(海洋研究所);2015年

6 史文彬;時間序列的相關性及信息熵分析[D];北京交通大學;2016年

7 王曉曄;時間序列數據挖掘中相似性和趨勢預測的研究[D];天津大學;2003年

8 李桂玲;時間序列的分割及不一致發(fā)現研究[D];華中科技大學;2012年

9 周勇;時間序列時序關聯規(guī)則挖掘研究[D];西南財經大學;2008年

10 張勇;時間序列模式匹配技術研究[D];華中科技大學;2012年

中國碩士學位論文全文數據庫 前10條

1 陳健;基于多變量相空間重構的投資組合策略研究[D];華南理工大學;2015年

2 蘭鑫;時間序列的復雜網絡轉換策略研究[D];西南大學;2015年

3 米曉將;區(qū)域尺度下月均氣溫的時空演化格局研究[D];昆明理工大學;2015年

4 張鳴敏;基于支持向量回歸的PM_(2.5)濃度預測研究[D];南京信息工程大學;2015年

5 林健;基于改進小世界回聲狀態(tài)網的時間序列預測[D];渤海大學;2015年

6 曹智麗;日氣溫和干旱指數支持向量回歸預測方法[D];南京信息工程大學;2015年

7 高雄飛;基于分形理論的土壤含水量時間序列特性分析[D];長安大學;2015年

8 姚茜;城市安全生產發(fā)展目標研究[D];中國地質大學(北京);2015年

9 謝翠穎;蘇州社會消費品零售總額簡析[D];蘇州大學;2015年

10 包仁義;基于時間序列的搜索引擎評估模型算法研究[D];東北師范大學;2015年

  本文關鍵詞：銀行現金流時間序列預測算法研究及仿真對比，由筆耕文化傳播整理發(fā)布。

本文編號：326911