多时间尺度时间序列趋势预测

发布时间：2021-04-30 22:38

　　针对股票、基金等大量时间序列数据的趋势预测问题,提出一种基于新颖特征模型的多时间尺度时间序列趋势预测算法。首先,在原始时间序列中提取带有多时间尺度特征的特征树,其刻画了时间序列,不仅带有序列在各个层次的特征,同时表示了层次之间的关系。然后,利用聚类挖掘特征序列中的隐含状态。最后,应用隐马尔可夫模型（HMM）设计一个多时间尺度趋势预测算法（MTSTPA）,同时对不同尺度下的趋势以及趋势的长度作出预测。在真实股票数据集上的实验中,在各个尺度上的预测准确率均在60%以上,与未使用特征树对比,使用特征树的模型预测效率更高,在某一尺度上准确率高出10个百分点以上。同时,与经典自回归滑动平均模型（ARMA）模型和PHMM（Pattern-based HMM）对比,MTSTPA表现更优,验证了其有效性。 

【文章来源】：计算机应用. 2019,39(04)北大核心CSCD

【文章页数】：7 页

【文章目录】：
0 引言
1 相关工作
    1) 特征提取:
    2) 状态挖掘。
    3) 时间序列预测。
2 特征树模型
    2.1 时间序列分段
    2.2 特征树定义
    2.3 特征树生成
3 预测模型
    3.1 观测序列
    3.2 状态发现
        1) 相似性度量。
        2) 状态挖掘。
    3.3 模型生成
    3.4 模型优化
4 预测模型MTSTPA
5 实验
    5.1 验证分段算法
    5.2 参数的选择
    5.3 特征树有效性
    5.4 模型优化验证
    5.5 MTSTPA有效性
6 结语


【参考文献】：
期刊论文
[1]具有超父结点时间序列贝叶斯网络集成回归模型[J]. 王双成,高瑞,杜瑞杰.  计算机学报. 2017(12)
[2]股票价格波动:风险还是价值?[J]. 张普,吴冲锋.  管理世界. 2010(11)
[3]基于小波分析的石油价格长期趋势预测方法及其实证研究[J]. 梁强,范英,魏一鸣.  中国管理科学. 2005(01)

博士论文
[1]金融时间序列预测的信息融合与计算智能模型[D]. 唐黎.电子科技大学 2018



本文编号：3169614