基于人工智能集成技術的時間序列預測模型及其應用.pdf

1、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據中潛在的非線性特征往往無能為力。因此對于多數實際問題而言，傳統(tǒng)的時間序列模型通常會失效。
　　人工神經網絡、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，以數據為驅動，全面的

2、呈現出時間序列數據的非線性動態(tài)系統(tǒng)。人工智能技術在時序分析范疇中的普遍實現已經證明了其在時序分析問題研究中的良好表現以及普適性能。大量的理論和實證研究也已經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據的擬合程度都得到了明顯的改善。
　　這篇文章結合統(tǒng)計

3、理論、AI方法，包括神經網絡、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，文章利用原油市場的現貨價格數據進行實證分析，以ARMA-GARCH模型為參照基準，從規(guī)范化的均方誤差和方向變化統(tǒng)計量兩個角度對比各個方法的預測表現。實證結果表明：從兩個表現評價指標來看，EMD-LSSVM模型的預測表現在三個單獨的收益率時間序列預測模型中均為最好；非線性集成方法的整體估測表現優(yōu)于單獨的