時間序列的預測研究在整個預測領域中有著舉足輕重的地位,在決策領域還是風險管理中都有著極其深遠的意義。傳統(tǒng)的時間序列分析模型如ARIMA模型在應用時往往要建立在正態(tài)分布的假定之上,并且對于時間序列數(shù)據(jù)中潛在的非線性特征往往無能為力。因此對于多數(shù)實際問題而言,傳統(tǒng)的時間序列模型通常會失效。人工神經(jīng)網(wǎng)絡、支持向量機等人工智能技術(Artificial Intelligence,簡稱AI)克服了傳統(tǒng)模型的局限性,以數(shù)據(jù)為驅動,全面的呈現(xiàn)出時間序列數(shù)據(jù)的非線性動態(tài)系統(tǒng)。人工智能技術在時序分析范疇中的普遍實現(xiàn)已經(jīng)證明了其在時序分析問題研究中的良好表現(xiàn)以及普適性能。大量的理論和實證研究也已經(jīng)充分證明了集成思想的真實性和有效性。然而對于集成預測模型的研究還主要集中在線性集成技術上,對預測表現(xiàn)的改善非常有限。因此近些年來興起了對非線性集成方法的研究,采用智能系統(tǒng)手段對權重模式進行學習,使得模型的泛化能力以及對樣本數(shù)據(jù)的擬合程度都得到了明顯的改善。這篇文章結合統(tǒng)計理論、AI方法,包括神經(jīng)網(wǎng)絡、支持向量機,以及集成手段,引入三種時間序列分析模型,即S-BPNN、EMD-LSSVM及集成預測模型。并且,文章利...

【文章頁數(shù)】：49 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 傳統(tǒng)的時間序列預測模型
    1.2 基于人工智能的時間序列預測模型
    1.3 基于集成技術的時間序列預測模型
    1.4 本文的動機與行文思路
2 研究方法
    2.1 ARMA-GARCH模型
        2.1.1 模型介紹
        2.1.2 模型定階
    2.2 S-BPNN模型
        2.2.1 模型介紹
        2.2.2 逆?zhèn)魉惴?br>        2.2.3 參數(shù)估計
        2.2.4 網(wǎng)絡結構
    2.3 EMD-LSSVM模型
        2.3.1 經(jīng)驗模態(tài)分解
        2.3.2 支持向量機理論
        2.3.3 推廣性的界
        2.3.4 結構風險最小化原理
        2.3.5 SVM
        2.3.6 LSSVM
    2.4 非線性集成預測模型
3 實證分析
    3.1 數(shù)據(jù)描述
    3.2 實證比較
        3.2.1 模型評價指標
        3.2.2 實證結果
        3.2.3 模型表現(xiàn)
結論
參考文獻
致謝



本文編號：3804286