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

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。随着技术的进步，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 法或模仿生物界的进化过程，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 思维过程的特性等。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。本书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。

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 数据集来源及准确度检测方法 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 抑制端点效应的方法 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 数据集来源及准确度检测方法 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