基于計(jì)算智能的時(shí)間序列預(yù)測(cè)技術(shù)及其在金融市場(chǎng)的應(yīng)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(shí)間序列多步預(yù)測(cè)研究概況
1．2．3 區(qū)間型時(shí)間序列預(yù)測(cè)研究概況
1．3 本文結(jié)構(gòu)和主要內(nèi)容
2 EEMD—SVM時(shí)間序列預(yù)測(cè)方法
2．1 研究背景和研究動(dòng)機(jī)
2．2 EEMD-SVM混合模型的構(gòu)建過程
2．2．1 集合經(jīng)驗(yàn)?zāi)B(tài)分解
2．2．2 支持向量機(jī)
2．2．3 EEMD-SVMs模型的構(gòu)建過程
2．3 數(shù)據(jù)集來(lái)源及準(zhǔn)確度檢測(cè)方法
2．4 實(shí)驗(yàn)結(jié)果討論
2．5 本章小結(jié)
3 基于EMD的混合建?？蚣苤卸它c(diǎn)效應(yīng)研究
3．1 引言
3．2 抑制端點(diǎn)效應(yīng)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(diǎn)效應(yīng)對(duì)EMD-SVM預(yù)測(cè)模型的影響
3．3．1 研究背景和研究動(dòng)機(jī)
3．3．2 EMD—SVMs混合模型的構(gòu)建過程
3．3．3 實(shí)驗(yàn)設(shè)計(jì)
3．3．4 實(shí)驗(yàn)結(jié)果討論
3．3．5 本節(jié)小結(jié)
3．4 一種考慮端點(diǎn)效應(yīng)的混合建模預(yù)測(cè)方法
3．4．1 研究背景及研究動(dòng)機(jī)
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(lái)源及準(zhǔn)確度檢測(cè)方法
3．4．4 實(shí)驗(yàn)結(jié)果討論
3．4．5 本節(jié)小結(jié)
3．5 本章小結(jié)
4 時(shí)間序列多步預(yù)測(cè)及預(yù)測(cè)策略
4．1 引言
4．2 多步預(yù)測(cè)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(dòng)機(jī)
4．3．2 前向神經(jīng)網(wǎng)絡(luò)
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(yù)測(cè)策略的構(gòu)建過程
4．3．5 實(shí)驗(yàn)設(shè)計(jì)
4．3．6 實(shí)驗(yàn)結(jié)果討論
4．3．7 本節(jié)小結(jié)
4．4 一種考慮端點(diǎn)效應(yīng)的多步預(yù)測(cè)方法
4．4．1 研究背景及研究動(dòng)機(jī)
4．4．2 文獻(xiàn)綜述
4．4．3 EMD-SBM-FNN多步預(yù)測(cè)模型的構(gòu)建過程
4．4．4 實(shí)驗(yàn)設(shè)計(jì)
4．4．5 實(shí)驗(yàn)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(jī)的多步預(yù)測(cè)方法
4．5．1 研究背景及研究動(dòng)機(jī)
4．5．2 多輸出支持向量機(jī)
4．5．3 實(shí)驗(yàn)設(shè)計(jì)
4．5．4 實(shí)驗(yàn)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(shí)間序列預(yù)測(cè)
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(shí)間序列預(yù)測(cè)方法
5．2．1 研究背景及研究動(dòng)機(jī)
5．2．2 多輸出支持向量回歸及區(qū)間型股票價(jià)格指數(shù)序列
5．2．3 FA—MSVR區(qū)間型預(yù)測(cè)模型
5．2．4 實(shí)驗(yàn)設(shè)計(jì)
5．2．5 實(shí)驗(yàn)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(jī)的區(qū)間型時(shí)間序列預(yù)測(cè)方法
5．3．1 研究背景及研究動(dòng)機(jī)
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(yù)測(cè)模型
5．3．4 實(shí)驗(yàn)設(shè)計(jì)
5．3．5 實(shí)驗(yàn)結(jié)果討論
5．3．6 本節(jié)小結(jié)
5．4 基于復(fù)值徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)與粒子群優(yōu)化算法的區(qū)間型時(shí)間序列預(yù)測(cè)方法
5．4．1 研究背景及研究動(dòng)機(jī)
5．4．2 復(fù)值徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)及區(qū)間型股票價(jià)格指數(shù)序列
5．4．3 DPSO／PSO-FCRBFNN的基本原理
5．4．4 實(shí)驗(yàn)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(jī)的區(qū)間型時(shí)間序列預(yù)測(cè)方法
5．5．1 研究背景及研究動(dòng)機(jī)
5．5．2 區(qū)間型混合預(yù)測(cè)模型及區(qū)間型農(nóng)產(chǎn)品期貨價(jià)格序列
5．5．3 實(shí)驗(yàn)設(shè)計(jì)
5．5．4 實(shí)驗(yàn)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(xiàn)