基于人工智能集成技術(shù)的時(shí)間序列預(yù)測(cè)模型及其應(yīng)用.pdf

1、時(shí)間序列的預(yù)測(cè)研究在整個(gè)預(yù)測(cè)領(lǐng)域中有著舉足輕重的地位，在決策領(lǐng)域還是風(fēng)險(xiǎn)管理中都有著極其深遠(yuǎn)的意義。傳統(tǒng)的時(shí)間序列分析模型如ARIMA模型在應(yīng)用時(shí)往往要建立在正態(tài)分布的假定之上，并且對(duì)于時(shí)間序列數(shù)據(jù)中潛在的非線(xiàn)性特征往往無(wú)能為力。因此對(duì)于多數(shù)實(shí)際問(wèn)題而言，傳統(tǒng)的時(shí)間序列模型通常會(huì)失效。
　　人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等人工智能技術(shù)(Artificial Intelligence，簡(jiǎn)稱(chēng)AI)克服了傳統(tǒng)模型的局限性，以數(shù)據(jù)為驅(qū)動(dòng)，全面的

2、呈現(xiàn)出時(shí)間序列數(shù)據(jù)的非線(xiàn)性動(dòng)態(tài)系統(tǒng)。人工智能技術(shù)在時(shí)序分析范疇中的普遍實(shí)現(xiàn)已經(jīng)證明了其在時(shí)序分析問(wèn)題研究中的良好表現(xiàn)以及普適性能。大量的理論和實(shí)證研究也已經(jīng)充分證明了集成思想的真實(shí)性和有效性。然而對(duì)于集成預(yù)測(cè)模型的研究還主要集中在線(xiàn)性集成技術(shù)上，對(duì)預(yù)測(cè)表現(xiàn)的改善非常有限。因此近些年來(lái)興起了對(duì)非線(xiàn)性集成方法的研究，采用智能系統(tǒng)手段對(duì)權(quán)重模式進(jìn)行學(xué)習(xí)，使得模型的泛化能力以及對(duì)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(jié)合統(tǒng)計(jì)

3、理論、AI方法，包括神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)，以及集成手段，引入三種時(shí)間序列分析模型，即S-BPNN、EMD-LSSVM及集成預(yù)測(cè)模型。并且，文章利用原油市場(chǎng)的現(xiàn)貨價(jià)格數(shù)據(jù)進(jìn)行實(shí)證分析，以ARMA-GARCH模型為參照基準(zhǔn)，從規(guī)范化的均方誤差和方向變化統(tǒng)計(jì)量?jī)蓚€(gè)角度對(duì)比各個(gè)方法的預(yù)測(cè)表現(xiàn)。實(shí)證結(jié)果表明：從兩個(gè)表現(xiàn)評(píng)價(jià)指標(biāo)來(lái)看，EMD-LSSVM模型的預(yù)測(cè)表現(xiàn)在三個(gè)單獨(dú)的收益率時(shí)間序列預(yù)測(cè)模型中均為最好；非線(xiàn)性集成方法的整體估測(cè)表現(xiàn)優(yōu)于單獨(dú)的