基于計算智能的時間序列預測技術(shù)及其在金融市場的應用

摘要
1 緒論
1．1 本文的研究背景、目的與意義
1．2 研究現(xiàn)狀
1．2．1 EMD研究概況
1．2．2 時間序列多步預測研究概況
1．2．3 區(qū)間型時間序列預測研究概況
1．3 本文結(jié)構(gòu)和主要內(nèi)容
2 EEMD—SVM時間序列預測方法
2．1 研究背景和研究動機
2．2 EEMD-SVM混合模型的構(gòu)建過程
2．2．1 集合經(jīng)驗模態(tài)分解
2．2．2 支持向量機
2．2．3 EEMD-SVMs模型的構(gòu)建過程
2．3 數(shù)據(jù)集來源及準確度檢測方法
2．4 實驗結(jié)果討論
2．5 本章小結(jié)
3 基于EMD的混合建模框架中端點效應研究
3．1 引言
3．2 抑制端點效應的方法
3．2．1 鏡像法
3．2．2 Coughlin法
3．2．3 斜率法
3．2．4 Rato法
3．3 端點效應對EMD-SVM預測模型的影響
3．3．1 研究背景和研究動機
3．3．2 EMD—SVMs混合模型的構(gòu)建過程
3．3．3 實驗設計
3．3．4 實驗結(jié)果討論
3．3．5 本節(jié)小結(jié)
3．4 一種考慮端點效應的混合建模預測方法
3．4．1 研究背景及研究動機
3．4．2 EEMD-SBM—SVM混合模型的構(gòu)建過程
3．4．3 數(shù)據(jù)集來源及準確度檢測方法
3．4．4 實驗結(jié)果討論
3．4．5 本節(jié)小結(jié)
3．5 本章小結(jié)
4 時間序列多步預測及預測策略
4．1 引言
4．2 多步預測策略
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 基于粒子群優(yōu)化算法和多輸入多輸出的策略研究
4．3．1 研究背景及研究動機
4．3．2 前向神經(jīng)網(wǎng)絡
4．3．3 離散型粒子群優(yōu)化算法
4．3．4 基于PSO和MISMO多步預測策略的構(gòu)建過程
4．3．5 實驗設計
4．3．6 實驗結(jié)果討論
4．3．7 本節(jié)小結(jié)
4．4 一種考慮端點效應的多步預測方法
4．4．1 研究背景及研究動機
4．4．2 文獻綜述
4．4．3 EMD-SBM-FNN多步預測模型的構(gòu)建過程
4．4．4 實驗設計
4．4．5 實驗結(jié)果討論
4．4．6 本節(jié)小結(jié)
4．5 基于多輸出支持向量機的多步預測方法
4．5．1 研究背景及研究動機
4．5．2 多輸出支持向量機
4．5．3 實驗設計
4．5．4 實驗結(jié)果討論
4．5．5 本節(jié)小結(jié)
4．6 本章小結(jié)
5 區(qū)間型時間序列預測
5．1 引言
5．2 基于多輸出支持向量回歸和螢火蟲算法的區(qū)間型時間序列預測方法
5．2．1 研究背景及研究動機
5．2．2 多輸出支持向量回歸及區(qū)間型股票價格指數(shù)序列
5．2．3 FA—MSVR區(qū)間型預測模型
5．2．4 實驗設計
5．2．5 實驗結(jié)果討論
5．2．6 本節(jié)小結(jié)
5．3 基于雙變量EMD和支持向量機的區(qū)間型時間序列預測方法
5．3．1 研究背景及研究動機
5．3．2 雙變量EMD技術(shù)及區(qū)間型電力需求序列
5．3．3 BEMD-SVM區(qū)間型預測模型
5．3．4 實驗設計
5．3．5 實驗結(jié)果討論
5．3．6 本節(jié)小結(jié)
5．4 基于復值徑向基函數(shù)神經(jīng)網(wǎng)絡與粒子群優(yōu)化算法的區(qū)間型時間序列預測方法
5．4．1 研究背景及研究動機
5．4．2 復值徑向基函數(shù)神經(jīng)網(wǎng)絡及區(qū)間型股票價格指數(shù)序列
5．4．3 DPSO／PSO-FCRBFNN的基本原理
5．4．4 實驗結(jié)果討論
5．4．5 本節(jié)小節(jié)
5．5 基于誤差修正模型和多輸出支持向量機的區(qū)間型時間序列預測方法
5．5．1 研究背景及研究動機
5．5．2 區(qū)間型混合預測模型及區(qū)間型農(nóng)產(chǎn)品期貨價格序列
5．5．3 實驗設計
5．5．4 實驗結(jié)果討論
5．5．5 本節(jié)小節(jié)
5．6 本章小結(jié)
6 全文總結(jié)
參考文獻