论文部分内容阅读
现实中的时序数据,往往取自于复杂系统,表现出长记忆效应与短时不规则波动同时并存。传统的时序数据的分析和预测方法一般对不同层次的影响不加以区分,而是为其建立一个统一的模型,这使得在对复杂系统建模时需要用大量的参数予以表征,影响预测效率与精度。为此采用新的方法,将序列数据本身进行多平滑因子分解,对分解后的序列进行多尺度的采样并分别建模、预测,最后将结果整合。该方法应用于股票的实验表明,即使对起伏波动很大的时间序列,也能够得到较好的预测结果。