论文部分内容阅读
本文主要研究一种可以用于非平稳非线性时间序列预测的组合预测模型。首先通过经验模态分解(Empirical Mode Decomposition,EMD)将非平稳非线性时间序列分解为一系列(Intrinsic Mode Function,IMF)IMFs和趋势项。在EMD分解过程中不存在信息量的损失。这些分解出的序列仍然是非平稳的或者非线性的,但是有很多方法可以处理这些被分解出的序列。通过一些人工智能方法分别对这些序列预测,然后把每个序列的预测值加总视为非平稳非线性时间序列的预测值。 首先介绍金融时间序列及非平稳非线性时间序列的特点和研究现状。处理非平稳非线性时间序列的方法包括EMD等方法。然后,文章回顾了EMD研究及应用情况。 构建组合预测模型后,模拟研究是一个必要的阶段。模拟非平稳非线性时间序列是本文难点之一。由于非平稳非线性时间序列的种类繁多,且非线性呈现多种形式,所以模拟研究非平稳非线性时间序列的学者不多。在波动率研究中有一类非平稳非线性异方差(Non-stationary Nonlinear Heteroskedasticity,NNH),本文在NNH的基础上模拟非平稳非线性时间序列。事后分析表明该模拟方法能够很好的模拟非平稳非线性时间序列。文中使用的人工智能方法包括人工神经网络和支持向量机。首先,介绍人工智能方法在时间序列中的预测模型。文中还提出一种两阶段神经网络的时间序列预测模型。然后,模拟研究神经网络节点个数对神经网络预测模型的影响。结果表明,在预测时间序列模型中神经网络的节点个数不宜过多。 最后通过模拟研究和实证分析可知,基于EMD的组合预测模型在非平稳非线性时间序列的预测中可以取得良好的效果。EMD和Box-Jenkins的组合预测模型的效果一般,因为Box-Jenkins模型不能处理非线性时间序列。EMD-ANN组合预测模型比ANN模型的预测效果提升很多,EMD-TSANN在某些方面表现优于EMD-ANN模型。但是不能确定EMD-ANN和EMD-SVM哪个更好。总之,基于EMD组合预测模型能够很好的处理非平稳非线性时间序列的预测问题。