基于信息熵及粒子群优化算法的模糊时间序列预测模型研究
发布时间:2021-02-26 17:13
随着金融全球化进程的不断加快,中国金融也更深更广的融入到世界经济中。为能更好更快地适应金融全球化带来的全新经济环境,精确的金融市场预测扮演着不可或缺的角色。金融时间序列作为金融市场中最重要的数据类型之一,对其进行准确合理的预测能够有效地指导金融投资者的投资行为和政府调控行为。鉴于时间序列分析应用的广泛性,目前已有众多学者对其进行了各方面的研究。但由于金融时间序列本身具有的高频性、多维度、非线性、模糊性等特征,极大地增加了对金融时间序列进行分析的难度。近年来模糊时间序列在时间序列分析上的应用备受瞩目,针对如何提高模糊时间序列预测模型的精度,目前主要集中在如何客观有效划分论域区间及如何建立有效的模糊逻辑关系矩阵这两方面进行改进与创新。本文在前人工作基础上,提出两种新算法对模糊时间序列中存在的这两个问题进行改进。具体内容总结如下:(1)为能有效构建模糊逻辑关系,本文将信息熵概念引入到模糊集中,使得模糊集能较合理地对数据集进行模糊化处理。通过对阿拉巴马大学入学人数、上证综指、道琼斯工业指数、美元对日元汇率等数据集的预测结果表明,信息、熵的引入使模糊集具有更好的适应性及鲁棒性,同时也大大降低了计...
【文章来源】:昆明理工大学云南省
【文章页数】:76 页
【学位级别】:硕士
【部分图文】:
1粒子群优化算法框架图
MSE42302740750722661126114222891822965217301夕474为能直观观察预测结果对实际数据运动趋势的把握,下面给出表3.6.1中各模型预测结果对比图,见图3.6.1。一一实际值~song’ 93Chen’96一Huarng’o一~Cheng, 0666一一Cheng’08一Kuo’09—Chi’10一文,},模型 型图3.6.1各模型预测结果对比图从上图中可以看出,文中提出的预测模型能更准确的把握数据之间的运动趋势,得到的预测值相对其他模糊时间序列预测模型得到的预测值更接近于实际值。文中模型的预测曲线有更好的波动性,这就进一步提高了总体的预测精度。同时当历史数据有持续上涨和下跌的趋势时,文中模型也可以进行很好的跟踪。此外
2005一12一 301161.05 12001158.61166.924 MSE529.127480.2489438.34843为能直接观察各预测模型的性能表现,图4.2.1给出各模型预测结果对比图。
【参考文献】:
期刊论文
[1]基于最小二乘支持向量机的模糊时序分析方法[J]. 沈斌,姚敏,易文晟. 浙江大学学报(工学版). 2005(08)
博士论文
[1]金融多元时间序列挖掘方法研究与应用[D]. 管河山.厦门大学 2008
[2]多变量金融时间序列的非线性检验及重构研究[D]. 刘立霞.天津大学 2007
[3]基于非线性动力学的金融时间序列预测技术研究[D]. 卢山.东南大学 2006
[4]金融收益率时间序列的极值研究[D]. 柳会珍.中国人民大学 2005
[5]金融时间序列隐含模式挖掘方法及其应用研究[D]. 兰秋军.湖南大学 2005
硕士论文
[1]基于差分启发信息的模糊时间序列预测模型研究[D]. 迟凯.昆明理工大学 2010
[2]基于小波分析和神经网络的金融时间序列预测研究[D]. 郑纪安.厦门大学 2009
[3]基于支持向量机的金融时间序列研究[D]. 张拥华.湖南大学 2008
[4]金融时间序列多级分形分析及其在信息挖掘的应用[D]. 张晓娟.电子科技大学 2008
[5]金融时间序列的融合估计[D]. 刘书丽.吉林大学 2007
[6]金融时间序列分析中的小波方法[D]. 张燕.河海大学 2006
[7]金融时间序列的长记忆与分形协整关系研究[D]. 吴大勤.东南大学 2006
[8]基于神经网络的金融时间序列分析[D]. 王波.天津大学 2005
[9]金融时间序列——及在我国资本市场中的应用[D]. 沈韬.西南财经大学 2000
本文编号:3052902
【文章来源】:昆明理工大学云南省
【文章页数】:76 页
【学位级别】:硕士
【部分图文】:
1粒子群优化算法框架图
MSE42302740750722661126114222891822965217301夕474为能直观观察预测结果对实际数据运动趋势的把握,下面给出表3.6.1中各模型预测结果对比图,见图3.6.1。一一实际值~song’ 93Chen’96一Huarng’o一~Cheng, 0666一一Cheng’08一Kuo’09—Chi’10一文,},模型 型图3.6.1各模型预测结果对比图从上图中可以看出,文中提出的预测模型能更准确的把握数据之间的运动趋势,得到的预测值相对其他模糊时间序列预测模型得到的预测值更接近于实际值。文中模型的预测曲线有更好的波动性,这就进一步提高了总体的预测精度。同时当历史数据有持续上涨和下跌的趋势时,文中模型也可以进行很好的跟踪。此外
2005一12一 301161.05 12001158.61166.924 MSE529.127480.2489438.34843为能直接观察各预测模型的性能表现,图4.2.1给出各模型预测结果对比图。
【参考文献】:
期刊论文
[1]基于最小二乘支持向量机的模糊时序分析方法[J]. 沈斌,姚敏,易文晟. 浙江大学学报(工学版). 2005(08)
博士论文
[1]金融多元时间序列挖掘方法研究与应用[D]. 管河山.厦门大学 2008
[2]多变量金融时间序列的非线性检验及重构研究[D]. 刘立霞.天津大学 2007
[3]基于非线性动力学的金融时间序列预测技术研究[D]. 卢山.东南大学 2006
[4]金融收益率时间序列的极值研究[D]. 柳会珍.中国人民大学 2005
[5]金融时间序列隐含模式挖掘方法及其应用研究[D]. 兰秋军.湖南大学 2005
硕士论文
[1]基于差分启发信息的模糊时间序列预测模型研究[D]. 迟凯.昆明理工大学 2010
[2]基于小波分析和神经网络的金融时间序列预测研究[D]. 郑纪安.厦门大学 2009
[3]基于支持向量机的金融时间序列研究[D]. 张拥华.湖南大学 2008
[4]金融时间序列多级分形分析及其在信息挖掘的应用[D]. 张晓娟.电子科技大学 2008
[5]金融时间序列的融合估计[D]. 刘书丽.吉林大学 2007
[6]金融时间序列分析中的小波方法[D]. 张燕.河海大学 2006
[7]金融时间序列的长记忆与分形协整关系研究[D]. 吴大勤.东南大学 2006
[8]基于神经网络的金融时间序列分析[D]. 王波.天津大学 2005
[9]金融时间序列——及在我国资本市场中的应用[D]. 沈韬.西南财经大学 2000
本文编号:3052902
本文链接:https://www.wllwen.com/guanlilunwen/bankxd/3052902.html