基于人工智能集成技术的时间序列预测模型及其应用

摘要

时间序列的预测研究在整个预测领域中有着举足轻重的地位，在决策领域还是风险管理中都有着极其深远的意义。传统的时间序列分析模型如ARIMA模型在应用时往往要建立在正态分布的假定之上，并且对于时间序列数据中潜在的非线性特征往往无能为力。因此对于多数实际问题而言，传统的时间序列模型通常会失效。
　　人工神经网络、支持向量机等人工智能技术(Artificial Intelligence，简称AI)克服了传统模型的局限性，以数据为驱动，全面的呈现出时间序列数据的非线性动态系统。人工智能技术在时序分析范畴中的普遍实现已经证明了其在时序分析问题研究中的良好表现以及普适性能。大量的理论和实证研究也已经充分证明了集成思想的真实性和有效性。然而对于集成预测模型的研究还主要集中在线性集成技术上，对预测表现的改善非常有限。因此近些年来兴起了对非线性集成方法的研究，采用智能系统手段对权重模式进行学习，使得模型的泛化能力以及对样本数据的拟合程度都得到了明显的改善。
　　这篇文章结合统计理论、AI方法，包括神经网络、支持向量机，以及集成手段，引入三种时间序列分析模型，即S-BPNN、EMD-LSSVM及集成预测模型。并且，文章利用原油市场的现货价格数据进行实证分析，以ARMA-GARCH模型为参照基准，从规范化的均方误差和方向变化统计量两个角度对比各个方法的预测表现。实证结果表明：从两个表现评价指标来看，EMD-LSSVM模型的预测表现在三个单独的收益率时间序列预测模型中均为最好；非线性集成方法的整体估测表现优于单独的各模型的表现；而在三个结合集成方法的模型中，SVM的估测表现最为突出。也就是说，SVM非线性集成预测模型能够对布伦特原油的日收益率进行最准确的预测，进而给投资者以更有利的投资和决策建议。

目录

1 绪论

1.1 传统的时间序列预测模型

1.2 基于人工智能的时间序列预测模型

1.3 基于集成技术的时间序列预测模型

1.4 本文的动机与行文思路

2 研究方法

2.1 ARMA-GARCH模型

2.1.1 模型介绍

2.1.2 模型定阶

2.2 S-BPNN模型

2.2.1 模型介绍

2.2.2 逆传算法

2.2.3 参数估计

2.2.4 网络结构

2.3 EMD-LSSVM模型

2.3.1 经验模态分解

2.3.2 支持向量机理论

2.3.3 推广性的界

2.3.4 结构风险最小化原理

2.3.5 SVM

2.3.6 LSSVM

2.4非线性集成预测模型

3 实证分析

3.1 数据描述

3.2 实证比较

3.2.1 模型评价指标

3.2.2 实证结果

3.2.3 模型表现

结论

参考文献

致谢