经济预测作为统计预测的一种，以经济现象作为预测的对象，直接或间接地为宏观和微观的市场预测、管理决策、政策制定等提供信息，以对未来的发展前景做出的测定和科学预见。预测的目的在于为制定计划和进行决策时提供客观依据，不仅仅是工程领域，社会经济领域更离不开预测。经济时间序列的预测对于政府经济政策的颁布、企业和个体的投资活动具有至关重要的指导意义，但是复杂的内部规律和庞大的数据处理使得传统的预测方法效果不佳，因此新预测技术的提出和改进一直是时间序列研究的重要方向之一。社会经济日新月异的变化绝大多数以数据的形式呈现在人们面前，数据库技术的成熟和计算机的应用普及带来了人们积累数据量以指数速度增长，如何在纷繁复杂的数据中寻求某些现象的发展规律，提取需要的信息并进行预测成为决策者把握未来的根本途径之一。在对实际问题进行预测的时候，由于建模机制的不同，通常对于同种模型也有不同建模的方法。通常情况下，单一预测模型由于预测原理、操作规则的局限很难有效反映预测变量的变化规律，因此组合预测方法成为预测方法发展的必然趋势。本文从经济预测的两种窘境——“预测误差的处理”和“政策事件的影响”两方面出发，分析其产生的原因，并提出了解决思路。本研究的主要内容有：1．在现有支持向量机(SVM)方法的基础上提出对预测误差进行同步预测的双重预测方法，利用预测到的误差对初步预测值进行校正以提高预测精度．针对误差序列非线性、非平稳以及系统动力信息不足的特点，将经验模态分解(EMD)和支持向量机(SVM)方法结合引入误差序列的预测中。对误差序列的预测分别运用初步训练误差和测试误差对预测集合的误差进行预测，将所得到的误差序列分解为若干固有模态分量(IMF)，根据各个IMF不同尺度的特点，选择不同的参数对其进行预测，最终合成原始序列的误差预测值，将所预测到的误差与初步原始序列预测值结合，得到最终的预测值．仿真结果表明该方法能够很好地解决预测滞后性和拐点误差大的缺点，相对于普通的SVM预测方法具有更好的预测精度。2．针对STSA方法在金融时间序列分析中的缺陷提出了运用EMD与STSA结合的改进方法。以上证指数、深证成指、建筑指数、金融指数、地产指数、上证商业6种指数的收益数据作为研究样本，利用EMD方法分解提取出一系列反映原始序列不同时间尺度信息的分量，通过对各分量进行STSA分析后发现导致原始序列多变化模式的原因。在此基础上提出了通过单一变化模式分量对原始序列变化趋势进行估计的条件和限定范围，实验结果表明，该方法在提取和分析时间序列变化模式方面具有独特的优势，具有较高的预测精度和实用性。3．针对一种新型智能进化算法——布谷鸟搜索算法提出了基于多群体并行搜索和自适应步长的改进方法。将改进后的方法引入支持向量机参数优化中，提出了基于改进后布谷鸟搜索算法优化支持向量机模型参数的方法.仿真结果发现：改进的布谷鸟搜索算法用于优化支持向量机参数不仅有效提高了参数优化效率，而且较之改进之前的布谷鸟搜索算法、遗传算法和粒子群算法具有更快的收敛速度和稳定性。4．用通过Hilbert-Huang变换的方法将地产指数价格分解成几个本征模函数的叠加，通过t检验、Hilbert-Huang频谱和功率谱分析将其归类重组，最终形成了地产指数的三个基本分量。在此基础上对2002年5月9日至2011年2月9日期间颁布的142条房地产宏观调控政策进行作用力检验，并通过模拟政策作用力探究其对地产指数价格分量的影响，最终找到53条影响市场波动价格和54条影响重大事件价格的政策，基于此探究了政策时间对时间序列的影响作用机制。5．综合经济计量模型与智能计算，提出将误差同步预测方法与政策干预影响模型集成起来。首先利用Hilbert-Huang变换将原始数据分解为市场波动价格、重大事件价格以及趋势价格，针对三类价格的不同特性选用不同的建模方法，最后将三类预测结果叠加，研究结果发现这可以有效提高预测的精度和可信度。