ARMA/GARCH模型参数估计的神经网络方法

发布时间：2023-11-17 19:53

　　随着社会的进步,每天都有大量的数据产生,如何从大量的数据中找出重要信息变得尤为重要。时间序列是按时间先后顺序排列的变量,在日常生活中,随处都可以找到各种各样的观察值序列。通过对观察值序列的分析研究,可以找到其发展规律,通过提取其中的信息来预测其未来走势,这就是时间序列分析。时间序列分为平稳时间序列和非平稳时间序列,根据不同类型的时间序列,可以选择合适的模型进行拟合预测。对于平稳时间序列,通常采用自回归移动平均模型进行拟合,对于非平稳时间序列,通常采用求和自回归移动平均模型、残差自回归模型、条件异方差模型或广义条件异方差模型进行拟合预测。人工神经网络是模仿人类大脑内部神经元网络结构和功能的仿生学科,现今发展迅速,由于其具有非线性映射功能、分类识别功能、联想记忆功能、优化计算功能、知识处理功能等,广泛应用于信息处理、模式识别、医学专家系统、市场价格预测、风险评估等方面。现如今,对于时间序列分析模型的参数估计,普遍采用最小二乘法、极大似然估计法、矩估计法等传统参数估计方法。但运用人工神经网络对时间序列分析模型进行参数估计的研究较少。鉴于人工神经网络的诸多优点,本文建立了ARMA模型和GARC...

【文章页数】：67 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 前言
    1.1 研究背景
        1.1.1 时间序列分析发展史
        1.1.2 人工神经网络发展史
    1.2 选题意义
2 时间序列分析与人工神经网络
    2.1 时间序列分析
    2.2 时间序列分析准备
    2.3 平稳时间序列分析
    2.4 非平稳时间序列分析
    2.5 传统参数估计方法
    2.6 人工神经网络简介
    2.7 人工神经网络模型
3 神经网络估计时间序列模型参数
    3.1 ARMA(p,q)模型参数估计的BP神经网络方法
    3.2 GARCH(p,q)模型参数估计的BP神经网络方法
    3.3 ARMA/GARCH模型参数估计的BP神经网络方法优化
4 应用实例
    4.1 平稳时间序列应用实例
        4.1.1 北京市报纸出版总印数时间序列
        4.1.2 澳大利亚季度常住人口时间序列
    4.2 非平稳时间序列应用实例
        4.2.1 北京市城镇单位在岗职工人数时间序列
5 总结
    5.1 结论
    5.2 本文亮点
    5.3 不足与改进思路
致谢
参考文献
附录



本文编号：3864774