基于计算智能的时间序列预测技术及其在金融市场的应用

内容简介

　　计算智能是受到大自然智慧和人类智慧的启发而设计出的一类算法的统称。随着技术步，在科学研究和工程实践中遇到的问题变得越来越复杂，采用传统的计算方法来解决这些问题面临着计算复杂度高、计算时间长等问题。为此，数学家和计算机学家相继提出一系列具有启发式特征的计算智能算法，如前向神经网络、支持向量机、多输出支持向量机、粒子群优化算法、萤火虫算法、经验模态分解等。这些算法或模仿生物界化过程，或模仿生物的生理构造和身体机能，或模仿动物的群体行为，或模仿人类的思维过程的特等。寄希望通过模拟大自然和人类的智慧实现对问题的优化求解。目前，计算智能技术已广泛地应用于时间序列建模与预测研究中，并取得令人瞩目的成绩。《基于计算智能的时间序列预测技术及其在金融市场的应用》聚焦于金融市场中的时间序列多步预测和区间型预测问题，研究基于计算智能的时间序列预测技术。

目录

摘要
1 绪论
1．1 本文的研究背景、目的与意义
1．2 研究现状
1．2．1 EMD研究概况
1．2．2 时间序列多步预测研究概况
1．2．3 区间型时间序列预测研究概况
1．3 本文结构和主要内容
2 EEMD—SVM时间序列预测方法
2．1 研究背景和研究动机
2．2 EEMD-SVM混合模型的构建过程
2．2．1 集合经验模态分解
2．2．2 支持向量机
2．2．3 EEMD-SVMs模型的构建过程
2．3 数据集来源及度检测方法
2．4 实验结果讨论
2．5 本章小结
3 基于EMD的混合建模框架中端点效应研究
3．1 引言
3．2 端点效应的方法
3．2．1 镜像法
3．2．2 Coughlin法
3．2．3 斜率法
3．2．4 Rato法
3．3 端点效应对EMD-SVM预测模型的影响
3．3．1 研究背景和研究动机
3．3．2 EMD—SVMs混合模型的构建过程
3．3．3 实验设计
3．3．4 实验结果讨论
3．3．5 本节小结
3．4 一种考虑端点效应的混合建模预测方法
3．4．1 研究背景及研究动机
3．4．2 EEMD-SBM—SVM混合模型的构建过程
3．4．3 数据集来源及度检测方法
3．4．4 实验结果讨论
3．4．5 本节小结
3．5 本章小结
4 时间序列多步预测及预测策略
4．1 引言
4．2 多步预测策略
4．2．1 迭代策略
4．2．2 直接策略
4．2．3 MIM0策略
4．2．4 MISMO策略
4．3 基于粒子群优化算法和多输入多输出的策略研究
4．3．1 研究背景及研究动机
4．3．2 前向神经网络
4．3．3 离散型粒子群优化算法
4．3．4 基于PSO和MISMO多步预测策略的构建过程
4．3．5 实验设计
4．3．6 实验结果讨论
4．3．7 本节小结
4．4 一种考虑端点效应的多步预测方法
4．4．1 研究背景及研究动机
4．4．2 文献综述
4．4．3 EMD-SBM-FNN多步预测模型的构建过程
4．4．4 实验设计
4．4．5 实验结果讨论
4．4．6 本节小结
4．5 基于多输出支持向量机的多步预测方法
4．5．1 研究背景及研究动机
4．5．2 多输出支持向量机
4．5．3 实验设计
4．5．4 实验结果讨论
4．5．5 本节小结
4．6 本章小结
5 区间型时间序列预测
5．1 引言
5．2 基于多输出支持向量回归和萤火虫算法的区间型时间序列预测方法
5．2．1 研究背景及研究动机
5．2．2 多输出支持向量回归及区间型股票价格指数序列
5．2．3 FA—MSVR区间型预测模型
5．2．4 实验设计
5．2．5 实验结果讨论
5．2．6 本节小结
5．3 基于双变量EMD和支持向量机的区间型时间序列预测方法
5．3．1 研究背景及研究动机
5．3．2 双变量EMD技术及区间型电力需求序列
5．3．3 BEMD-SVM区间型预测模型
5．3．4 实验设计
5．3．5 实验结果讨论
5．3．6 本节小结
5．4 基于复值径向基函数神经网络与粒子群优化算法的区间型时间序列预测方法
5．4．1 研究背景及研究动机
5．4．2 复值径向基函数神经网络及区间型股票价格指数序列
5．4．3 DPSO／PSO-FCRBFNN的基本原理
5．4．4 实验结果讨论
5．4．5 本节小节
5．5 基于误差修正模型和多输出支持向量机的区间型时间序列预测方法
5．5．1 研究背景及研究动机
5．5．2 区间型混合预测模型及区间型农产品期货价格序列
5．5．3 实验设计
5．5．4 实验结果讨论
5．5．5 本节小节
5．6 本章小结
6 全结
参考文献