银行现金流时间序列预测算法研究及仿真对比

发布时间：2017-04-25 19:11

  本文关键词：银行现金流时间序列预测算法研究及仿真对比，，由笔耕文化传播整理发布。

【摘要】：由于我国商业银行现金业务快速增长,为了提高现金业务各类数据信息实时性和准确性,针对目前商业银行上下级间现金业务库存预测及现金管理信息数据联动的精确性和稳定性不高的难题,本文提出以下几种方法对我国银行现金流时间预测算法进行研究。具体工作主要有以下几个方面:本文首先从目前时间序列预测所采用常用的统计学时间序列预测方法,包括移动平均法(一次,二次);指数平滑预测法(一次,二次)和自回归移动平均混合模型(简称ARMA模型)的时间序列预测算法,基于某商业银行的市场数据进行现金流时间序列预测。并通过对每一种方法的大量的仿真实验和对比实验,对其精度的有效性的验证,证明了所提方法的有效性。其次提出了一种基于灰色预测和神经网络的组合模型对银行现金流时间序列进行预测。组合模型兼有BP神经网络和灰色预测的优点,弥补了单个模型的不足,既克服了数据波动性大对预测精度的影响,也增强了预测的自适应性。本方法利用灰色预测中的累加生成运算对原始数据进行变换,从而得到规律性较强的累加数据,便于神经网络进行建模和训练,并利用神经网络的函数逼近特性,实现对原始数据的预测和仿真验证。最后提出一种基于自适应种群活性粒子群优化算法(Adaptive Population Activity Particle Swarm Optimization,APAPSO)和最小二乘法(LMS)相结合的混合学习算法优化ANFIS模型参数的方法实现银行现金流时间预测预测。通过引进群体多样性度量函数,来保证种群的多样性,并通过引进自适应改变的惯性权重来提高粒子群算法的寻优能力,避免粒子群优化算法早熟收敛的问题,最后通过大量的仿真对比实验,验证了所提方法的可行性。总之,通过仿真结果表明了以上方法对银行现金流时间序列均能够取得较好的预测效果,为商业银行的业务计划制定提供了较好的数据基础和决策依据,有较好的参考价值。
【关键词】：时间序列预测 银行现金流 统计学预测法 灰色神经网络法 改进的粒子群算法
【学位授予单位】：辽宁科技大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：F832.33;O211.61
【目录】：

• 中文摘要5-6
• ABSTRACT6-10
• 1. 绪论10-18
• 1.1 课题研究背景及意义10-11
• 1.2 时间序列预测方法分类11-12
• 1.3 时间序列预测方法研究进展12-15
• 1.3.1 线性预测法12-13
• 1.3.2 非线性预测法13-15
• 1.4 银行现金流时间序列预测方法研究进展15-16
• 1.5 主要工作和结构安排16-18
• 2.基于统计学预测方法的银行现金流时间序列预测18-38
• 2.1 引言18
• 2.2 移动平均法18-22
• 2.2.1 一次移动平均法18-20
• 2.2.2 二次移动平均法20-22
• 2.3 指数平滑法22-26
• 2.3.1 一次指数平滑预测法22-23
• 2.3.2 二次指数平滑预测法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模型的建模步骤28-29
• 2.5 基于ARMA模型的银行现金流时间序列预测29-33
• 2.5.1 数据的平稳化29-32
• 2.5.2 建立模型32-33
• 2.6 仿真结果33-36
• 2.7 性能分析36-37
• 2.8 小结37-38
• 3.基于灰色神经网络的银行现金流时间序列预测38-53
• 3.1 引言38
• 3.2 灰色模型预测原理38-40
• 3.2.1 灰色系统理论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)模型预测40
• 3.3 误差反传神经网络（BPNN）预测模型40-46
• 3.3.1 BPNN的拓扑结构41-42
• 3.3.2 BPNN的学习过程42-43
• 3.3.3 BPNN的训练算法43-46
• 3.4 灰色神经网络组合模型46-48
• 3.4.1 灰色神经网络预测模型的建模47-48
• 3.5 仿真实验48-52
• 3.5.1 数据准备48
• 3.5.2 优化算法的确定48-49
• 3.5.3 仿真对比实验49-52
• 3.5.4 性能分析52
• 3.8 小结52-53
• 4.基于改进的PSO-ANFIS的银行现金流时间序列预测53-67
• 4.1 引言53
• 4.2 自适应神经-模糊推理系统（ANFIS）53-56
• 4.2.1 ANFIS的结构53-55
• 4.2.2 ANFIS算法流程55-56
• 4.3 PSO算法简介56-57
• 4.3.1 标准PSO算法56-57
• 4.3.2 标准PSO算法流程57
• 4.4 改进的PSO-LMS算法优化ANFIS参数模型57-60
• 4.4.1 种群多样性度量函数58
• 4.4.2 惯性权重自适应调节机制58-60
• 4.4.3 APAPSO-LMS算法优化ANFIS参数模型算法流程60
• 4.5 基于APAPSO-ANFIS算法的银行现金流时间序列预测60-66
• 4.5.1 仿真结果61-65
• 4.5.2 性能分析65-66
• 4.6 小结66-67
• 5.总结67-68
• 参考文献68-72
• 攻读硕士学位期间发表学术论文情况72-73
• 致谢73-74
• 作者简介74-75

【相似文献】

中国期刊全文数据库 前10条

1 施久玉,杜金观;有限个状态时间序列的某些结果[J];应用数学学报;1990年01期

2 冯希杰;长江三峡及其邻区断裂活动时间序列[J];华南地震;1991年02期

3 王霞,郭嗣琮,刘淑娟;时间序列模糊滑动预测[J];辽宁工程技术大学学报(自然科学版);1999年03期

4 温品人;时间序列预测法的实际应用分析[J];江苏广播电视大学学报;2001年06期

5 许清海;混沌投资时间序列的嬗变[J];漳州师范学院学报(自然科学版);2003年01期

6 程毛林;时间序列系统建模预测的一种新方法[J];数学的实践与认识;2004年08期

7 高洁;长记忆时间序列适应性预测的应用[J];江南大学学报;2004年05期

8 高洁;孙立新;;长记忆时间序列的适应性预测误差的谱密度[J];统计与决策;2006年13期

9 杨钟瑾;;浅谈时间序列的分析预测[J];中国科技信息;2006年14期

10 李健;孙广中;许胤龙;;基于时间序列的预测模型应用与异常检测[J];计算机辅助工程;2006年02期

中国重要会议论文全文数据库 前10条

1 周家斌;张海福;杨桂英;;多维多步时间序列预报方法及其应用[A];中国现场统计研究会第九届学术年会论文集[C];1999年

2 马培蓓;纪军;;基于时间序列的航空备件消耗预测[A];中国系统工程学会决策科学专业委员会第六届学术年会论文集[C];2005年

3 卢世坤;李夕海;牛超;陈蛟;;时间序列的非线性非平稳特性研究综述[A];国家安全地球物理丛书（八）——遥感地球物理与国家安全[C];2012年

4 李强;;基于线性模型方法对时间序列中异常值的检测及证券实证分析[A];加入WTO和中国科技与可持续发展——挑战与机遇、责任和对策（上册）[C];2002年

5 戴丽金;何振峰;;基于云模型的时间序列相似性度量方法[A];第八届中国不确定系统年会论文集[C];2010年

6 谢美萍;赵希人;庄秀龙;;多维非线性时间序列的投影寻踪学习逼近[A];'99系统仿真技术及其应用学术交流会论文集[C];1999年

7 张大斌;李红燕;刘肖;张文生;;非线性时问序列的小波-模糊神经网络集成预测方法[A];第十五届中国管理科学学术年会论文集（下）[C];2013年

8 黄云贵;;基于时间序列的电网固定资产投资规模研究[A];2012年云南电力技术论坛论文集（文摘部分）[C];2012年

9 李松臣;张世英;;时间序列高阶矩持续和协同持续性研究[A];21世纪数量经济学（第8卷）[C];2007年

10 陈赫;罗声求;;历史横断面数据的时间序列化[A];科学决策与系统工程——中国系统工程学会第六次年会论文集[C];1990年

中国重要报纸全文数据库 前6条

1 ;《时间序列与金融数据分析》[N];中国信息报;2004年

2 何德旭 王朝阳;时间序列计量经济学：协整与有条件的异方差自回归[N];中国社会科学院院报;2003年

3 刘俏;让数据坦白真相[N];21世纪经济报道;2003年

4 西南证券高级研究员 董先安邋德圣基金研究中心 郭奔宇;预计6月CPI同比上涨7.2%[N];证券时报;2008年

5 东证期货 王爱华　杨卫东;两年涨跌轮回 秋季普遍下跌[N];期货日报;2009年

6 任勇邋郑重;中国对世界钢材价格的影响实证分析[N];现代物流报;2007年

中国博士学位论文全文数据库 前10条

1 张墨谦;遥感时间序列数据的特征挖掘：在生态学中的应用[D];复旦大学;2014年

2 张德成;滑坡预测预报研究[D];昆明理工大学;2015年

3 苗圣法;时间序列的模式检测[D];兰州大学;2015年

4 翁同峰;时间序列与复杂网络之间等价性问题及表征应用研究[D];哈尔滨工业大学;2015年

5 杨婷婷;用Argo浮标结合卫星观测估算北太平洋经向热输运[D];中国科学院研究生院(海洋研究所);2015年

6 史文彬;时间序列的相关性及信息熵分析[D];北京交通大学;2016年

7 王晓晔;时间序列数据挖掘中相似性和趋势预测的研究[D];天津大学;2003年

8 李桂玲;时间序列的分割及不一致发现研究[D];华中科技大学;2012年

9 周勇;时间序列时序关联规则挖掘研究[D];西南财经大学;2008年

10 张勇;时间序列模式匹配技术研究[D];华中科技大学;2012年

中国硕士学位论文全文数据库 前10条

1 陈健;基于多变量相空间重构的投资组合策略研究[D];华南理工大学;2015年

2 兰鑫;时间序列的复杂网络转换策略研究[D];西南大学;2015年

3 米晓将;区域尺度下月均气温的时空演化格局研究[D];昆明理工大学;2015年

4 张鸣敏;基于支持向量回归的PM_(2.5)浓度预测研究[D];南京信息工程大学;2015年

5 林健;基于改进小世界回声状态网的时间序列预测[D];渤海大学;2015年

6 曹智丽;日气温和干旱指数支持向量回归预测方法[D];南京信息工程大学;2015年

7 高雄飞;基于分形理论的土壤含水量时间序列特性分析[D];长安大学;2015年

8 姚茜;城市安全生产发展目标研究[D];中国地质大学(北京);2015年

9 谢翠颖;苏州社会消费品零售总额简析[D];苏州大学;2015年

10 包仁义;基于时间序列的搜索引擎评估模型算法研究[D];东北师范大学;2015年

  本文关键词：银行现金流时间序列预测算法研究及仿真对比，由笔耕文化传播整理发布。

本文编号：326911