一、基于奇异谱分析的上证指数预测模型（论文文献综述）
毛增立[1]（2021）在《基于SSA-GRU循环神经网络的地产股价指数预测研究》文中进行了进一步梳理
孙金涵[2]（2021）在《基于奇异谱分析和时序卷积网络的股价预测研究》文中认为
胡荟[3]（2020）在《基于朱格拉周期的制造业公司股票投资策略研究》文中研究指明近年来,随着中国股票市场日益发展成熟,股票市场和宏观经济之间的关联也愈来愈紧密,用来描述宏观经济中周期的朱格拉周期与股票市场的关系值得关注。宏观经济中周期的波动驱动力主要来自于制造业设备投资和更替,因此理论上而言,朱格拉周期与制造业的股价波动周期应当具有较强的联动性。本文基于奇异谱分析,实证检验了这两个周期的关联性,并据此提出了制造业上市公司股票投资策略,以期对投资者提出参考借鉴。本文首先利用2006年1月至2019年12月的样本期间数据,基于多项指标运用熵权法计算朱格拉周期和制造业股价波动周期的综合指数。然后进一步利用两个周期的综合指数从时域和频域相结合的角度采用奇异谱分析方法研究分析这两个周期的周期波动性特征及其相关关系。研究发现,朱格拉周期与制造业股价波动周期之间的相关系数为0.8177,从而表明二者具有很强的联动性。最后基于二者的强关联性,从朱格拉周期的周期性波动入手,探究设计了我国制造业上市公司的股票投资策略。本文基于朱格拉周期所探究设计的制造业上市公司股票投资策略是综合性策略,具体是兼顾了买卖时机和投资方向的择时选股策略。其中择时策略是指投资者对于制造业上市公司的股票可以在复苏和繁荣阶段买入,在衰退和萧条阶段卖出。选股策略则是指投资者可以在复苏和繁荣阶段投资配置周期性制造业上市公司股票,在衰退和萧条阶段投资组合非周期性制造业上市公司股票。同时,通过利用样本期间的历史数据进行回测检验,证实了本文的择时选股策略均有效,且可高胜率地获取投资超额回报。基于制造业上市公司的股票投资策略,在现阶段投资者可以对电气设备、医药生物、通信设备和计算机设备这四个制造业的上市公司股票进行投资组合,可在有效控制风险的条件下获得超额收益。
白明瑞[4]（2020）在《基于优化GAM模型的股价预测研究》文中指出越来越多的人尝试从海量数据中挖掘出隐藏的、有价值的信息,但是股票市场受多种因素影响,因此股价变化无常,呈现出非线性、非平稳的走势。如何准确预测股价走势、股价波动范围以及选择合适的预测方法成为投资领域亟待解决的研究热点。因此,本文的研究重点是基于海量数据的股价预测研究与股票投资策略研究。主要研究内容包括:（1）通过量化股票影响因素,本文提出基于优化广义加性模型的股价预测方法,采用傅里叶级数与logistics阻滞增长模型量化广义加性模型中的预测函数,将股票预测中的非线性问题转变为线性问题,对国际、国内上市公司的股票收盘价格进行时间序列预测。通过反拟合算法和样条平滑算法训练模型,结合变点预测方法与OLS回归算法得到平滑误差最小化、拟合效果更佳的股价演化趋势线,使得股价预测效果更优。在大量实证数据分析中:1)发现了“末尾效应”、“黑色星期四”以及“从小到大预测”现象;2)基于优化GAM模型的股价预测准确率比RBN、SVM、SSA-SVM等模型的股价预测准确率至少提高11%,为股价走势的预测提供了更有力的技术支撑。（2）为了帮助投资者判断股票市场的波动趋势,本文提出基于优化决策树模型的S-DT投资策略。通过协同因子、信息熵和灰色关联规则等方法从若干指标中选取与股价趋势密切相关的股指数据作为决策树模型的输入特征,并结合决策树模型训练历史数据。经过大量实证数据分析,基于S-DT投资策略的股价趋势预测正确率最高达到75.5%,比GRA-DT、ANN、D-M等模型的股价趋势预测准确率提高了3.9%,为股民提供了更可靠的股票投资策略。通过多种因素量化股价预测模型,并对预测模型进行优化,从而提高股价预测准确率;通过选取与股价趋势密切相关的若干指标来优化决策树模型,提出股票投资策略。因此,投资者不仅可将股价预测模型作为预测股价波动范围的参考依据,新手投资者也可根据股票投资策略预测股价波动趋势,从而帮助投资者保值与增值。
牛通[5]（2020）在《非线性范式下时间序列预测方法研究 ——计算智能与建模》文中认为在大数据环境下,数据结构及其内在模式与特征的复杂性日益增加,如何科学有效地从海量数据中萃取、过滤、筛选出有价值的信息以更好地为社会经济决策活动提供支持已成为当今时代发展的重要趋势之一。作为现代市场经济的核心,金融业在大数据背景下正在经历深刻的变革,如何有效地管理金融风险对金融业的健康发展举足轻重。为提高金融业的风险管理能力,本文以三种代表性的复杂金融时间序列为研究对象,并使用计算智能方法对其进行预测建模研究,这有利于降低金融决策风险,提高金融市场的信息效率,促进金融市场的健康稳定发展,因而这项研究工作具有重要的现实意义。然而,由于金融时间序列的复杂特性,如随机性、非线性、长记忆性,对其进行准确有效的预测一直以来都是一项极具挑战性的研究工作。长期以来,国内外学者从线性和非线性的视角对金融时间序列预测开展了大量的研究工作,所取得的研究成果一定程度上提升和改善了金融时间序列的预测精度和稳定性。然而,大多研究成果忽略数据预处理和特征选择、模型参数优化以及深度学习技术的重要性,这在很大程度上制约金融时间序列预测精度的进一步提升。为改善当前的研究现状,并进一步提高金融时间序列预测的精度,本文结合数据特征检验、数据预处理、特征选择、神经网络和计算智能理论与算法开展一系列的研究工作,并提出三种新颖的非线性金融时间序列预测模型,包括点预测模型和区间预测模型。具体而言,点预测模型用于推断金融时间序列的未来值,它旨在为宏观金融市场调控和微观投资活动提供有价值的决策信息,而区间预测的作用在于刻画金融时间序列的不确定性,它对金融市场的风险管理和控制具有重要的作用。因而,本文的研究工作对于提高金融市场管理的科学性具有重要的现实价值。为验证所提出的金融时间序列预测模型的有效性,本文将所提出的模型分别应用于金融波动率、股票和基金价格指数和原油价格指数的预测问题。其中,金融波动率是金融资产价格波动率的有效表征,它能够衡量和反映资产收益的不确定性,对该数据进行准确地预测有助于指导资产定价和配置,提高金融市场风险管理的科学性;股票基金价格指数是宏观和微观金融市场的系统表达,它可以有效地反映股票市场和基金市场的变动趋势,对其进行有效的预测研究可以为金融投资决策提供有价值的指导信息;原油价格指数是反映国际原油市场及能源金融市场供给关系的关键指标,它对指导各国的石油贸易具有重要的作用,准确的原油价格预测有助于科学地调控国际原油市场,减少原油贸易的风险性。综上所述,本文的研究工作既具有较强的理论研究价值,又具备较高的现实意义。具体而言,本文对于金融波动率、股票基金价格指数和原油价格指数的预测研究思路如下:首先,利用一系列的检验方法研究以上三类金融时间序列的系统特征,采用BDS检验和改进的替代数据法验证这三类金融时间序列的非线性以及非线性特征;基于Hurst指数检验这三类金融时间序列的长记忆性特征;结合递归图和递归定量分析调查这三类金融时间序列的递归性。然后,根据研究数据的具体特征,本文针对以上三类金融时间序列分别提出预测方案,如下所示:针对单变量的金融波动率,本文结合数据分解算法、时钟驱动循环神经网络以及改进的多目标灰狼优化算法构建一种新颖的波动率预测模型;针对多变量的股票基金价格指数,本文提出一种双阶段特征选择模型和深度学习模型;针对原油价格指数,本文结合线性预测模型、非线性预测模型以及改进的灰狼优化算法建立一种有效的集合区间预测模型。最后,基于一系列统计指标对以上三种预测模型的性能进行评估和验证。本文的研究内容由八个部分组成:第一章介绍本文的研究背景和现实意义,并说明本文的研究问题及其解决方案,构建全文的结构框架,强调本文的研究创新和不足之处;第二章梳理目前关于金融时间序列预测的研究成果,对现有成果的优点和不足进行总结,并指出相应的改进方向,该章论证了本文的选题依据及其合理性;第三章系统介绍本文的相关理论基础,主要包括神经网络模型的计算逻辑、循环神经网络的基础知识以及计算智能算法理论;第四章基于一系列的检验方法（包括BDS检验、替代数据法、Hurst指数、递归图和递归定量分析）分析研究数据的内部复杂特征;第五章构建一种单变量金融波动率预测模型并研究其收敛性和敏感性;第六章构建一种新颖的股票基金价格指数预测模型,此外,本章还研究了该模型的收敛性和敏感性;第七章建立一种原油价格指数区间预测模型,该章的研究重点为有效地定量原油价格的不确定性,并以此提高能源金融市场风险管理的科学性;第八章总结全文的研究工作和重要研究结论,并指出本文研究工作的未来发展方向。纵观全文,重要的研究结论和主要观点如下所示:（1）基于一系列的数据特征检验方法,本文发现研究的金融时间序列数据具有明显的非线性特征、长记忆性和递归性。基于以上结论,本文因地制宜地采用非线性范式模型（即循环神经网络）对金融时间序列的未来趋势进行预测建模,实验结果说明,相对于线性模型,基于非线性范式的模型在预测复杂金融时间序列时展示出明显的优势。此外,与单一预测模型相比,混合预测模型具有更高的预测精度。（2）本文针对单变量金融波动率和多变量股票基金价格指数开展确定性预测建模研究。具体而言,针对单变量的金融波动率,本文基于数据分解算法、改进的多目标灰狼优化算法以及时钟驱动循环神经网络构造一种波动率预测模型,研究发现数据分解算法和改进的多目标灰狼优化算法可以显着提高时钟驱动循环神经网络的预测精度。针对多变量的股票和基金价格指数,首先提出一种双阶段特征选择模型,该模型有效地融合过滤式特征选择和封装式特征选择的优势,本文使用该模型对所研究的多变量数据集进行特征选择。然后,基于该模型的特征选择结果,本文结合三种循环神经网络建立一种深度学习模型,实验结果发现,所提出的双阶段特征选择模型能够有效地甄别多变量数据集中的关键特征,并可以进一步地提高深度学习模型的泛化性和预测能力。此外,本文针对所提出的深度学习模型建立误差修正模型,实验结果表明,该模型能够进一步提升深度学习预测模型的精度,具有较高的可行性。（3）相对于确定性预测模型,不确定性预测模型利用预测区间可以有效地定量金融时间序列数据中的不确定性,它有助于提高金融风险管理的能力和效率。因而,本文基于线性预测模型、非线性预测模型以及改进的灰狼优化算法提出一种原油价格指数的不确定性预测模型。理论上,本文所提出的不确定性预测模型既可以刻画原油价格指数中的线性成分,又能够捕捉其中的非线性成分。实验评估结果显示,相对于基准模型,本文所提出的不确定性预测模型可以构造出具备更高综合质量的预测区间,这很大程度上有助于提高原油市场的信息效率,增强原油市场以及能源金融市场的风险管理能力。本文的主要创新之处主要包括:（1）由于原始的灰狼算法存在收敛慢和“种群停滞”的问题,本文结合自适应布谷鸟搜索算法提出改进的灰狼优化算法和改进的多目标灰狼优化算法,并分别将以上两种算法应用于金融波动率预测、股票基金指数预测以及原油价格指数的不确定性建模,实验结果验证了该算法的有效性。（2）针对多变量股票基金价格指数,本文提出一种新颖的双阶段特征选择模型,实证结果表明该模型可以有效地选择多变量股票基金价格指数中的关键数据特征,这很大程度上有利于提高预测模型的泛化性和预测精度。此外,针对多变量股票基金价格指数构建一种融合三种循环神经单元的深度学习模型,研究发现,与基准预测模型相比,该模型可以更加准确地预测股票基金指数的未来发展趋势。（3）结合改进的灰狼优化算法,本文基于线性预测模型和非线性预测模型提出一种集合区间预测模型,研究发现,与所考虑的单一区间预测模型相比,所提出的集合区间预测模型能够产生更高质量的预测区间,并能够对原油价格趋势中的不确定性进行有效的量化。本文的不足之处包括:（1）本文围绕着循环神经网络和灰狼优化算法提出三种非线性金融时间序列预测模型。然而,在实际中,除循环神经网络和灰狼优化算法外,还存在许多其他形式的非线性预测模型和计算智能算法,由于篇幅有限,因而并没有将这些模型和算法考虑在内。（2）本文仅开展金融波动率、股票基金价格指数以及原油价格指数的预测研究,在未来的研究工作中所提出的模型对于其他金融数据的适用性有待进一步的验证。
刘丽缤[6]（2020）在《深度神经网络组合模型对股指的预测研究与实证对比》文中研究表明在经济全球化、金融一体化的进程中,金融市场出现了很多异常现象,这些现象是以有效市场假说为基础的传统金融理论难以解释的,进而涌现出行为金融学、分形市场假说等新的理论,金融市场不再是有效市场理论下的理想状态,众多研究表明金融市场具有可预测性。金融市场作为一个高度复杂的系统,股票市场是其中的重要组成部分,也是经济运行状况的“晴雨表”。股票市场作为实体企业融资的渠道,也是众多投资者自身资源配置的主要渠道之一。股票指数时间序列是股票市场复杂内在特征的综合外在表现,为投资者制定投资策略提供了重要参考,因此对股指序列的预测不仅有利于更好的监测和管理与股票市场高度关联的金融市场,还能为投资者的投资决策提供有效指导。股指时间序列本身大多数是非线性的或者说是一个包含有非线性关系的复杂系统,并且股票市场的演化日益复杂,传统的股指预测模型也逐渐演变成只具备理论意义而难以有效地应用于实际市场分析的工具。在快速发展的人工智能时代,基于深度学习的神经网络,为研究存在多方博弈的极度复杂的股票市场提供了思路。因此,本文构建了经验模态分析（EMD）、主成分分析（PCA）、深度神经网络（DNN）组合的深度神经网络组合模型（EMD-PCA-DNN）对股票指数时间序列进行预测,重点探究了模型在股指收盘价、收益率时间序列预测中的可行性以及精度水平。本文在深入分析股指时间序列特征、总结已有问题、比较分析多种预测方法的基础上,构建ARIMA模型、BP神经网络（BPNN）模型、深度神经网络（DNN）模型对股指时间序列预测进行了综合对比,结果表明非线性模型对股指的预测效果比线性模型有一定的优势,深度模型较浅层模型表现出更好的预测性能。另外,考虑对时间序列进行预处理,以达到提高预测精度或者缩短模型训练时间的效果,引入经验模态分析方法（EMD）将时间序列分解为不同尺度的本征模态函数（IMF）,再使用主成分分析方法（PCA）对分解后的IMF序列排成的矩阵进行降维,提取出数据中含有股指信息最多的特征;然后将这些特征分别输入到BPNN、DNN中进行组合预测,从而构建了组合模型EMD-PCA-BPNN、EMD-PCA-DNN。对比单一模型,组合模型的命中率有明显的提高,说明EMD、PCA方法对数据的特征提取能明显改善模型的性能。最后,选取了沪深300指数日收盘价、沪深300指数五日收益率、标普500指数收盘价时间序列数据进行了实证研究。相比其他模型,深度神经网络组合模型对三者的预测命中率最高分别为78.05%、78.55%、78.57%。其中,沪深300日收盘价、五日收益率属于股指时间数据的不同输入模式,说明深度神经网络组合模型具有较好的适应性。沪深300指数日收盘价、标普500指数收盘价属于不同市场股指时间序列,对于中美不同的股市特点,深度神经网络组合模型同样有很好的预测效果,展现了较强的鲁棒性。
陈黎君[7]（2020）在《基于改进的EMD-PSR单变量混沌时间序列短期预测研究》文中提出在大数据时代,人们迫切的需要有效利用城市数据,例如空气污染、交通拥堵、股价判断等,以解决和改善我们生活中的问题。但由众多微观个体组成的复杂城市数据,其内部组成十分复杂且不可测。本文以混沌理论为基础,对混沌系统中的内在随机性进行研究与分析。重点从趋势提取、模式提取、模式识别、模型优化等方面对混沌时间序列进行建模与预测研究。全文主要研究内容如下:（1）为有效识别与提取混沌时间序列中的隐含内在特征,本文结合重构相空间与聚类分析的优势,同时结合改进的粒子群优化算法,提出了以长短期记忆神经网络为基础的PSRC-I-LSTM模型。首先,基于混沌理论相关研究,对时间序列进行混沌性判定、重构参数选取计算以及参数检验。通过FCM对重构后的相点进行识别与分类,将具有相似特征的模式聚为一簇,充分利用序列中的隐藏特征构建输入序列。针对LSTM网络复杂的参数选取问题,结合IPSO算法对相关参数进行择优选取。通过与已有算法以及在具有代表意义下的不同数据集上的实验对比,验证本文模型的有效性及实用性。（2）直接进行重构与预测会忽略混沌数据的内在趋势与结构特征,且混沌数据形成过程中不免掺杂噪声,使得重构的相空间不够精确。为此,本文结合奇异谱分析、复杂度分析以及端点效应相关分析,提出基于SSA-CEEMDAN-SE的分解算法和WLSTM的端点效应处理算法的LSTM预测模型。本文对EMD算法进行了深入研究,为了缓解端点效应问题,给出基于LSTM与窗函数的算法改进分解流程;为解决混沌序列中的噪声影响以及分解过程中的模态混叠问题,分析基于奇异谱分析与CEEMDAN的组合分解模型;为量化各本征模函数的复杂度,结合基于样本熵的量化方法对各本征模函数进行复杂度计算,将相似复杂度的本征模函数重组。最后通过0-1混沌测试法检测各分量的混沌性,并结合PSRC-ILSTM模型对混沌时间序列进行组合预测。通过不同数据集上的实验结果研究与分析,以及其他模型的实验结果对比,验证了本文模型的普遍实用性。
尹筑嘉,胡荟,唐谭岭[8]（2019）在《中国朱格拉周期与股价波动关联性研究——基于奇异谱的设备制造业分析》文中进行了进一步梳理新一轮全球朱格拉周期的判定已得到国际范围的认可,种种迹象表明中国正处于新一轮朱格拉周期的早期。文章基于2006年1月至2018年12月的月度数据,对中国朱格拉周期和设备制造业股价波动周期之间的关联性进行了研究。实证结果显示,中国朱格拉周期和设备制造业股价波动周期的整体相关系数为0.6352,说明两个周期之间存在很强的相关关系;设备制造业股价波动周期领先于朱格拉周期约3-6个月,体现了股票市场是宏观经济晴雨表这一重要功能;结合奇异谱分析方法和自回归方法构建的预测模型能较准确地预测两个周期的未来走势。文章证实了中国经济周期与股票市场波动之间的密切关系,对股票市场投资者优化投资策略和政府部门制定宏观调控政策均有重要的参考价值。
董清利[9]（2019）在《时间序列组合预测模型的建立与应用研究》文中研究指明随着科学技术的日新月异以及社会经济的快速发展,各行各业的数据和信息呈现爆炸式增长,随之兴起的互联网智能技术标志着大数据时代的来临。如何抓住时代契机,从海量数据中挖掘出有价值的信息,进而实现对未来趋势的精确预测具有重要意义。日常生活中大量的数据和信息是以时间序列形式呈现的,常规的时间序列预测是指在一定统计模型的基础上,依据时间序列的历史值和现在值对事物未来发展趋势做出定量估计。近年来,国内外学者在时间序列预测领域内做出了许多有益的探索和研究。但是,由于时间序列数据的多样性及该类问题的复杂性,截至目前仍无一项研究可以全面应对各种时间序列数据的预测问题。现有时间序列预测模型大致可分为两类,分别是传统单一模型和组合预测模型。针对组合预测模型,按照逻辑属性又可以分为确定性组合预测模型和非确定性组合预测模型。然而,当前对于各类组合预测模型的研究都有其自身的缺陷与不足。具体剖析,尚需进一步研究的问题有:首先是关于确定性组合预测模型,确定性组合预测模型的主要目的是为实际生产生活中的时间序列数据提供有效的确定性预测。鉴于不同领域及行业所产生的数据特征各不相同,对于模型预测效果的要求也各有差异,因此有必要因地制宜地针对不同数据建立不同的预测模型;其次是关于非确定性组合预测模型,目前关于模糊时间序列模型的改进主要集中在模糊化过程、模糊关系矩阵的建立过程和对预测结果进行去模糊化的过程,而涉及到模糊逻辑关系的整体逻辑权重信息的研究较少,但这会对模糊时间序列预测模型的最终效果产生较大影响;再次是关于模型效果合理性检验的研究,针对不同类型的预测模型,线性或非线性、单一或组合、确定性或非确定性预测模型,需要对模型效果的合理性进行研究。研究发现时间序列数据可预测性水平与其多重分形的来源结构有趋势关系,因而基于分形理论,可以从数据的多重分形参数特征推断数据的可预测性水平,进而对预测模型的效果合理性进行检验。针对相关背景下的研究现状及存在的问题,本文进行多重视角下时间序列组合预测模型的建立和应用研究,围绕着组合预测理论,借助于信息融合理论、智能组合方法、模糊时间序列理论和分形理论等工具和方法,针对具有不同特征的数据类型,构建相应的确定性或非确定性组合预测模型,将其成功应用到不同的实际问题背景当中,并通过分形理论从数据的分形参数特征来检验组合预测模型效果的合理性。本文的研究内容分为六部分:第一章介绍本文的研究背景与选题依据、研究内容与意义以及研究的创新与不足之处;第二章是本文对国内外学者所做研究的梳理,通过具体剖析和述评,明确本文选题依据的针对性及合理性;第三章是对基于信息融合的确定性组合预测模型的建立和应用研究,实证过程表明该确定性组合预测模型在空气污染实际问题背景下具有良好且合理的模型效果;针对不考虑外部信息的单一时间序列数据,第四章是对基于智能方法的确定性组合预测模型的建立和应用研究,在风电输出功率预测实际问题背景下进行的实证研究表明,该组合预测模型也具有良好且合理的模型效果;第五章是对基于模糊理论的非确定性组合预测模型的建立和应用研究,该组合模型在模糊数据背景下同样具有良好且合理的模型表现;第六章是对上述研究所做的总结以及对未来研究方向所做的展望。综合本文研究结果得出的观点和结论主要包括以下三个方面:首先,基于信息融合的确定性组合预测模型具有良好且合理的模型效果。该组合预测模型的基本思想是对目标周边的信息做到最大化利用和融合,并通过分级策略对训练集进行瘦身,进而实现组合预测模型的有效训练和预测。该组合预测模型在空气污染问题背景下的实证过程中表现出良好的模型效果,并通过分析污染物数据的分形参数特征检验了所构建的组合预测模型效果的合理性。本研究可以为管理层提供有效的预测预警工具,同时为相关政策决策的实施提供理论参考和数理支持,对于我国空气污染防治工作及对策研究具有较强的意义。其次,针对不考虑外部信息的单一时间序列数据,构建了基于智能方法的确定性组合预测模型,且该组合预测模型具有良好且合理的模型效果。在风电输出功率预测问题背景下的实证过程中,所构建的基于智能方法的确定性组合预测模型表现出良好的模型预测效果,进而利用分形理论分析数据的分形参数特征,并依据本文研究发现的其和可预测性水平的关系,发现实际模型效果与由分形参数推断出的可预测性相匹配,验证了所提出的组合预测模型的预测效果是合理的。本研究不仅有利于电网的有效管理,有助于缓解不断增长的风能领域中的不稳定因素,且可以对电力市场竞价策略进行优化,对于风电行业安全高效发展有一定的现实意义。最后,基于模糊理论的非确定性组合预测模型在模糊数据背景下有良好且合理的模型表现。该组合预测模型有效组合了和声搜索算法、RIM加权方法、有序加权聚合算子并考虑了模糊逻辑关系组中的整体逻辑权重信息。基于具有不同特征的数据所开展的实证分析过程表明,所提出的非确定组合预测模型具有较高的模型稳定性和良好的预测效果。进而利用分形理论分析数据的分形参数特征,依据其和可预测性水平的关系,分析实际模型效果与由分形参数推断出的可预测性的差异,验证了所提出的基于模糊理论的非确定性组合预测模型的预测效果是合理的。基于不同实证过程的模型评估及分析,说明所构建的基于模糊理论的非确定性组合预测模型可以应用在多个领域,不仅可以应用于金融领域数据,也包括工业领域数据。本文的主要创新点有:①基于掌握的中国城市空气污染数据和中国西部风电场输出功率数据,针对不同实际问题背景中数据的特征差异,分别提出并建立一个基于信息融合的确定性组合预测模型和一个基于智能方法的确定性组合预测模型,并通过实际问题背景中的实证分析证明其具有良好的模型表现;②提出并建立一个基于模糊理论的非确定性组合预测模型,通过两个不同实证过程验证组合预测模型的良好效果,并借助分形理论从数据的分形参数特征检验了所构建的非确定性组合预测模型效果的合理性,弥补了现有研究中关于模糊逻辑关系组中的整体逻辑权重信息的空白;③不同于以往直接对实际问题背景开展的模型建立及应用研究,本文在研究时间序列组合预测模型构建及实证过程的同时,还在不同实际问题背景下通过分形理论从数据的分形参数特征来检验模型预测效果的合理性,为现实问题的模型评价和理论研究提供必要的参考依据。本文主要不足之处有:①针对不同数据类型和特征,从多重视角所构建的组合预测模型研究中用到了许多单一方法和辅助工具,实际上可能存在更优的替代方法和工具。但是在篇幅及研究时效性限制下,并未对此进行更深入更细致的研究;②研究和实证中所用到的实证数据均来源于特定的实际问题背景,如果能够在研究中考虑更多其他问题背景中的数据,可能会使得研究过程更加丰富且研究结论更加充分。
袁金铭[10]（2019）在《基于奇异谱分析的ARMA-SVR模型在股指预测中的应用》文中研究指明如今,股票市场是世界最大的金融市场之一,预测股票的未来状态一直是股票市场参与者关注的焦点。然而股票市场易受多种因素影响的特点,使股票价格不断波动变成一种极不稳定的时间序列。面对瞬息万变的金融市场,人们一直致力于研究股票价格指数及其走势特点,因此,对股票价格指数变动的准确预测对于指导股票市场交易有着重要意义,主要体现在两方面:一是从国家角度看,预测股票价格指数变动能切实反映整个股市的波动规律和趋向走势,有助于预估国民经济的未来变化,为国家制定财政政策、管理金融投资提供依据,从而有效规避金融风险,加强股票市场的稳定性和流动性,促进经济事业的健康持续发展;二是从投资者角度来说,投资者可以据此预测股票市场的发展动向,进而合理配置个人资产,根据风险偏好选择不同收益水平的投资组合,在获取高收益的同时也能最大限度地规避股票市场的隐藏风险。作为时间序列分析中概念较新的一种非参数数据驱动技术——奇异谱分析（Singular Spectrum Analysis,SSA）技术,它摆脱了各种传统研究方法的限制,它通过创建时间序列的轨迹矩阵和利用线性代数中的奇异值分解（Singular Value Decomposition,SVD）来构造相应的奇异值序列,从而形成相应的奇异值谱。由于不同大小的奇异值所反映的时间序列的信息也不同,因此,SSA可将原始序列分解为几个独立的、可解释的分量之和,以捕捉时间序列的不同分量的信息,故常常被用作传统预测方法的预处理手段。然而在降噪时,若人为地通过奇异值来确定噪声成分,就不可避免地掺杂了主观因素,导致降噪后的序列要么信息损失过多要么过于拟合,预测精度并不高。而且值得注意的是,噪声分量迅速变化造成的波动虽然很小,对整个股票价格波动的影响较弱,但这种波动能反映短期内股票价格的局部变化。因此,噪声成分不适合预测股票价格的长期走势,但可用于预测股价的短期变化。基于此,本文提出的基于奇异谱分析的自回归移动平均模型（Autoregressive入Moving Average Model,ARMA）和支持向量机回归（Support Vector）Machine Regression,SVR)相结合的股票价格指数预测模型,充分发挥出不同预测模型的优势,对股指序列的短期趋势做了更为准确的预测,主要步骤如下:首先,介绍了奇异谱分析、支持向量机和自回归移动平均模型的原理和建模流程;其次,以上述模型为基础,应用奇异谱分析技术将原始数据序列分解为趋势序列、波动序列和噪声序列三部分,然后对得到的子序列分别进行平稳性检验,并采用SVR模型来预测非平稳序列,采用ARMA模型来预测平稳序列,通过整合得到最终预测结果;最后,与基于奇异谱分析的三种支持向量回归模型进行比较,并采用不同的模型评价标准对预测效果进行比较。结果表明,利用奇异谱分析的方法提取出的噪声序列中还存在着有用信息,因此保留噪声序列并对其进行分析是有必要的;经过奇异谱分析得到的子序列结构变得更为简单,更容易被模拟;本文提出的基于奇异谱分析的ARMA和SVR相结合的预测模型比基于奇异谱分析的SVR单一模型对股指预测有更高的精度。
二、基于奇异谱分析的上证指数预测模型（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于奇异谱分析的上证指数预测模型（论文提纲范文）
（3）基于朱格拉周期的制造业公司股票投资策略研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和研究意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 经济周期实证研究 |
| 1.2.2 经济周期与股市周期的关联性研究 |
| 1.2.3 股票市场投资策略研究 |
| 1.2.4 现有文献述评 |
| 1.3 研究内容和研究方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.4 主要创新和不足 |
| 第二章 相关理论分析和方法 |
| 2.1 朱格拉周期理论 |
| 2.2 股票市场周期理论 |
| 2.3 朱格拉周期和股票市场周期的相关性机理分析 |
| 2.3.1 朱格拉周期决定股票市场周期 |
| 2.3.2 股票市场周期反作用于朱格拉周期 |
| 2.4 股市投资策略方法 |
| 2.4.1 择时投资策略 |
| 2.4.2 选股投资策略 |
| 第三章 朱格拉周期和制造业股价波动周期指标体系的构建 |
| 3.1 朱格拉周期指标体系的构建 |
| 3.1.1 指标选择 |
| 3.1.2 数据来源和测算方法 |
| 3.1.3 测算结果分析 |
| 3.2 制造业股价波动周期指标体系的构建 |
| 3.2.1 指标选取 |
| 3.2.2 指数的测算 |
| 第四章 朱格拉周期和制造业股价波动周期的关联性检验 |
| 4.1 奇异谱分析 |
| 4.1.1 奇异谱分析的算法步骤 |
| 4.1.2 奇异值分解 |
| 4.2 奇异谱分析实证结果 |
| 4.2.1 朱格拉周期和制造业股价波动周期的周期波动性分析 |
| 4.2.2 朱格拉周期和制造业股价波动周期的相关性分析 |
| 第五章 制造业股市的投资策略研究 |
| 5.1 制造业的择时投资策略 |
| 5.2 制造业的选股投资策略 |
| 5.3 现阶段制造业的投资策略 |
| 结论 |
| 参考文献 |
| 致谢 |
| 附录A 攻读学位期间所发表的学术论文 |
| 附录B 论文综合指数数据 |
（4）基于优化GAM模型的股价预测研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 股价预测模型 |
| 1.2.2 股票投资策略 |
| 1.3 主要研究内容与贡献 |
| 1.3.1 研究内容 |
| 1.3.2 研究贡献 |
| 1.4 论文组织结构 |
| 1.5 本章小结 |
| 第2章 相关技术和理论基础 |
| 2.1 股价预测 |
| 2.1.1 广义加性模型 |
| 2.1.2 反拟合算法 |
| 2.1.3 样条平滑算法 |
| 2.2 股票投资策略 |
| 2.2.1 决策树模型 |
| 2.2.2 灰色关联规则 |
| 2.3 本章小结 |
| 第3章 基于GAM模型的股价预测研究 |
| 3.1 数据 |
| 3.2 数据预处理 |
| 3.3 GAM模型的构成 |
| 3.3.1 趋势函数 |
| 3.3.2 周期函数 |
| 3.4 GAM模型的拟合 |
| 3.5 GAM模型的优化 |
| 3.5.1 变点预测分析方法 |
| 3.5.2 模型优化 |
| 3.6 新发现的股票市场现象 |
| 3.7 实验结果与分析 |
| 3.8 本章小结 |
| 第4章 基于决策树模型的股票投资策略 |
| 4.1 数据 |
| 4.2 数据预处理 |
| 4.3 基于协同因子与决策树模型的股票投资策略 |
| 4.3.1 协同因子 |
| 4.3.2 选择输入特征 |
| 4.3.3 最优特征选择 |
| 4.3.4 构建决策树 |
| 4.4 基于灰色关联规则与决策树模型的股票投资策略 |
| 4.4.1 选择输入特征 |
| 4.4.2 最优特征选择 |
| 4.4.3 构建决策树 |
| 4.5 实验结果分析 |
| 4.6 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间发表的学术论文及研究成果 |
（5）非线性范式下时间序列预测方法研究 ——计算智能与建模（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 相关概念界定 |
| 1.2.1 时间序列预测 |
| 1.2.2 人工神经网络 |
| 1.2.3 深度学习 |
| 1.2.4 计算智能 |
| 1.3 研究问题及解决方案 |
| 1.4 研究思路及结构安排 |
| 1.4.1 研究思路 |
| 1.4.2 结构安排 |
| 1.5 研究创新与不足 |
| 1.5.1 研究创新 |
| 1.5.2 研究不足 |
| 2 文献综述 |
| 2.1 基于线性范式的金融系统预测研究现状 |
| 2.2 基于非线性范式的金融系统预测研究现状 |
| 2.2.1 神经网络模型 |
| 2.2.2 SVM模型 |
| 2.2.3 灰色模型以及模糊模型 |
| 2.2.4 深度学习方法 |
| 2.3 金融数据分解方法研究现状 |
| 2.3.1 小波分解方法 |
| 2.3.2 经验模态分解方法 |
| 2.3.3 变分模态分解方法 |
| 2.4 金融数据特征选择方法研究现状 |
| 2.4.1 嵌入式特征选择 |
| 2.4.2 过滤式特征选择 |
| 2.4.3 封装式特征选择 |
| 2.4.4 特征选择方法评价 |
| 2.5 本章小结 |
| 3 理论基础 |
| 3.1 神经网络模型的计算逻辑 |
| 3.1.1 模型选择 |
| 3.1.2 模型学习策略 |
| 3.1.3 模型优化 |
| 3.1.4 模型评估 |
| 3.2 循环神经网络 |
| 3.2.1 模型构建 |
| 3.2.2 模型优势 |
| 3.2.3 模型参数优化 |
| 3.2.4 模型局限性 |
| 3.3 单目标与多目标灰狼优化算法 |
| 3.3.1 单目标和多目标智能优化算法的计算逻辑 |
| 3.3.2 单目标和多目标灰狼优化算法及改进 |
| 3.3.3 算法性能评估指标 |
| 3.4 本章小结 |
| 4 研究数据的特征辨识研究 |
| 4.1 研究数据及其基本统计分析 |
| 4.2 金融时序的非线性检验 |
| 4.2.1 基于BDS方法的非线性检验 |
| 4.2.2 基于IAAFT替代数据法的非线性特征辨识 |
| 4.3 金融时序的长记忆性检验 |
| 4.4 金融时序的递归性检验 |
| 4.5 本章小结 |
| 5 基于多目标循环神经网络的单变量金融波动率预测模型 |
| 5.1 引言 |
| 5.2 研究数据及其分布特征分析 |
| 5.3 模型理论基础 |
| 5.3.1 ICEEMDAN算法原理 |
| 5.3.2 时钟驱动循环神经网络模型 |
| 5.3.3 MOGWOCS算法 |
| 5.4 模型框架设计 |
| 5.5 基于金融波动率预测的实证研究 |
| 5.5.1 确定性金融波动率预测 |
| 5.5.2 金融波动率的不确定性预测 |
| 5.6 模型收敛性与敏感性分析 |
| 5.6.1 模型收敛性分析 |
| 5.6.2 模型敏感性分析 |
| 5.7 本章小结 |
| 6 基于双阶段特征选择与深度学习的多变量股票基金指数预测模型 |
| 6.1 背景介绍 |
| 6.2 模型理论基础 |
| 6.2.1 双阶段特征选择模型 |
| 6.2.2 深度学习预测模型 |
| 6.2.3 预测误差修正模型 |
| 6.3 模型框架设计 |
| 6.4 模型评估与检验 |
| 6.4.1 模型性能评估 |
| 6.4.2 模型检验 |
| 6.5 基于多变量股票基金价格指数预测的实证研究 |
| 6.5.1 研究数据及其基本分析 |
| 6.5.2 特征选择结果分析 |
| 6.5.3 预测结果分析 |
| 6.5.4 预测检验 |
| 6.6 模型收敛性与敏感性分析 |
| 6.6.1 模型收敛性分析 |
| 6.6.2 模型敏感性分析 |
| 6.7 本章小结 |
| 7 基于集合区间预测模型的原油价格指数预测 |
| 7.1 研究背景 |
| 7.2 模型理论基础 |
| 7.2.1 BP神经网络 |
| 7.2.2 LSTM模型和BILSTM模型 |
| 7.2.3 GPR模型 |
| 7.2.4 Lasso模型 |
| 7.2.5 AGWOCS算法 |
| 7.2.6 Stable分布及其统计性质 |
| 7.3 AGWOCS算法的性能测试与复杂性分析 |
| 7.3.1 算法性能测试 |
| 7.3.2 算法复杂度分析 |
| 7.4 模型框架设计 |
| 7.5 基于原油价格区间预测的实证研究 |
| 7.5.1 研究数据及其基本分析 |
| 7.5.2 预测误差分布建模 |
| 7.5.3 预测区间评价 |
| 7.6 模型收敛性与敏感性分析 |
| 7.6.1 模型收敛性分析 |
| 7.6.2 模型敏感性分析 |
| 7.7 本章小结 |
| 8 结论与展望 |
| 8.1 结论 |
| 8.2 展望 |
| 在学期间的研究成果 |
| 参考文献 |
| 后记 |
| 附录A 多目标优化算法的测试函数 |
（6）深度神经网络组合模型对股指的预测研究与实证对比（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外文献综述 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.2.3 文献评述 |
| 1.3 研究思路和方法 |
| 1.3.1 研究思路 |
| 1.3.2 研究方法 |
| 1.4 本文结构 |
| 1.5 本文的创新点 |
| 第二章 股指预测相关理论 |
| 2.1 中国证券市场可预测性 |
| 2.1.1 有效市场理论 |
| 2.1.2 中国证券市场可预测理论 |
| 2.1.3 证券价格预测方法 |
| 2.2 股指预测问题描述与分析 |
| 2.2.1 股指预测问题描述 |
| 2.2.2 股指预测问题分析 |
| 2.3 股指预测的关键问题 |
| 2.3.1 股指时间序列特点 |
| 2.3.2 股指预测的常用方法 |
| 2.3.3 股指预测指标的选择 |
| 第三章 股指预测模型选择 |
| 3.1 数据特征提取 |
| 3.1.1 经验模态分析(EMD)—数据分解 |
| 3.1.2 主成分分析方法(PCA)—数据降维 |
| 3.1.3 EMD分解后使用PCA降维 |
| 3.2 股指预测单一模型 |
| 3.2.1 差分自回归移动平均模型(ARIMA) |
| 3.2.2 反向传播神经网络模型(BPNN) |
| 3.2.3 深度神经网络(DNN) |
| 3.3 股指预测组合模型 |
| 3.3.1 EMD-PCA-BPNN模型 |
| 3.3.2 EMD-PCA-DNN模型 |
| 第四章 股指预测模型实证研究 |
| 4.1 数据的选择及描述 |
| 4.1.1 数据的选择 |
| 4.1.2 数据的属性描述 |
| 4.2 单一模型股指预测实证结果 |
| 4.2.1 ARIMA模型预测结果 |
| 4.2.2 BPNN模型预测结果 |
| 4.2.3 DNN模型预测结果 |
| 4.3 组合模型股指预测实证结果 |
| 4.3.1 EMD分解结果 |
| 4.3.2 PCA降维结果 |
| 4.3.3 EMD-PCA-BPNN预测 |
| 4.3.4 EMD-PCA-DNN预测 |
| 4.4 不同角度股指数据的预测 |
| 4.4.1 数据不同输入模式的预测 |
| 4.4.2 不同市场股指数据的预测 |
| 4.5 预测结果对比分析 |
| 4.5.1 预测结果对比分析 |
| 4.5.2 预测结果分析 |
| 第五章 本文总结与展望 |
| 5.1 本文总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 在学期间发表论文及参加课题情况 |
（7）基于改进的EMD-PSR单变量混沌时间序列短期预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 时间序列预测的国内外研究现状 |
| 1.2.2 时间序列重构的国内外研究现状 |
| 1.2.3 时间序列分解与重组的国内外研究现状 |
| 1.3 本文主要研究内容 |
| 1.4 章节安排 |
| 第2章 混沌时间序列预测方法研究 |
| 2.1 时间序列混沌特性分析 |
| 2.1.1 混沌理论概述与分析 |
| 2.1.2 重构相空间关键参数的选择 |
| 2.2 混沌序列特征提取相关分析 |
| 2.2.1 经验模态分解 |
| 2.2.2 经验模态分解改进 |
| 2.3 时间序列预测算法 |
| 2.3.1 时间序列预测经典算法 |
| 2.3.2 长短时记忆神经网络 |
| 2.3.3 预测效果评价指标 |
| 2.3.4 预测算法性能对比 |
| 2.4 本章小结 |
| 第3章 基于相空间重构与聚类分析的单变量时间序列预测研究 |
| 3.1 重构相空间的关键参数选取 |
| 3.2 时间序列混沌的定量分析 |
| 3.2.1 最大Lyapunov法 |
| 3.2.2 Kolmogorov熵法 |
| 3.2.3 0-1 混沌测试法 |
| 3.3 模糊C均值聚类算法分析 |
| 3.3.1 模糊C均值聚类原理简述 |
| 3.3.2 硬聚类与软聚类效果对比 |
| 3.4 基于改进的粒子群优化的预测模型IPSO-LSTM |
| 3.4.1 粒子群优化算法理论介绍 |
| 3.4.2 PSO算法对比 |
| 3.4.3 粒子群优化算法应用实例分析 |
| 3.5 PSRC-I-LSTM预测模型实例研究 |
| 3.5.1 模型分析 |
| 3.5.2 数据集介绍 |
| 3.5.3 模式提取实验结果与分析 |
| 3.5.4 模型有效性分析 |
| 3.6 本章小结 |
| 第4章 改进的经验模态分解组合模型预测研究 |
| 4.1 端点效应改进分析 |
| 4.2 CEEMDAN算法分析 |
| 4.2.1 CEEMDAN方法原理介绍 |
| 4.2.2 分解性能对比 |
| 4.3 奇异谱分解相关分析 |
| 4.3.1 奇异谱分解算法流程与参数讨论 |
| 4.3.2 实例对比分析 |
| 4.4 基于样本熵的CEEMDAN优化分析 |
| 4.4.1 样本熵计算与参数选取 |
| 4.4.2 基于CEEMDAN-SE的特征提取研究 |
| 4.4.3 基于CEEMDAN-SE的模型预测研究 |
| 4.5 基于SCEEMDAN-SE-PSRCI的组合预测模型 |
| 4.5.1 组合预测模型分析 |
| 4.5.2 分步实验与分析 |
| 4.5.3 对比实验与分析 |
| 4.6 本章小结 |
| 第5章 总结与展望 |
| 5.1 全文工作总结 |
| 5.2 未来工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间的研究成果 |
（8）中国朱格拉周期与股价波动关联性研究——基于奇异谱的设备制造业分析（论文提纲范文）
| 一、引言 |
| 二、经济周期和股票市场周期理论分析 |
| （一）经济周期理论和股市周期理论 |
| 1. 经济周期理论 |
| 2. 朱格拉周期理论 |
| 3. 股市周期理论 |
| （二）朱格拉周期与设备制造业股价波动周期关联性的研究假设 |
| 三、朱格拉周期和设备制造业股价波动周期的综合指数构建 |
| （一）朱格拉周期综合指数的指标选取 |
| （二）指数计算方法和数据来源 |
| （三）朱格拉周期综合指数的测算 |
| （四）设备制造业股价波动周期指数的指标选择 |
| （五）设备制造业股价波动周期指数的计算 |
| 四、朱格拉周期和设备制造业股价波动周期的奇异谱分析研究 |
| （一）奇异谱分析理论模型 |
| （二）奇异谱分析实证结果 |
| 1. 朱格拉周期和设备制造业股价波动周期的周期性分析 |
| 2. 朱格拉周期和设备制造业股价波动周期的相关性分析 |
| 3. 结合奇异谱分析（SSA）与自回归分析（AR）进行周期波动预测 |
| 五、结论和建议 |
（9）时间序列组合预测模型的建立与应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与选题依据 |
| 1.1.1 研究背景 |
| 1.1.2 选题依据 |
| 1.2 研究内容与意义 |
| 1.2.1 研究内容 |
| 1.2.2 研究意义 |
| 1.3 研究创新与不足 |
| 1.3.1 研究创新 |
| 1.3.2 不足之处 |
| 2 文献综述 |
| 2.1 传统单一模型概述 |
| 2.2 确定性组合预测模型研究述评 |
| 2.3 非确定性组合预测模型研究述评 |
| 2.4 基于分形理论的模型效果合理性检验研究述评 |
| 3 基于信息融合的确定性组合预测模型的建立与应用 |
| 3.1 基于信息融合的确定性组合预测模型 |
| 3.1.1 利用关联规则提取信息 |
| 3.1.2 利用LVQ进行等级预测 |
| 3.1.3 利用AFNN进行实际预测 |
| 3.2 空气污染问题背景与污染物数据特征 |
| 3.3 组合预测模型的预测效果分析 |
| 3.3.1 模型实施过程 |
| 3.3.2 模型效果分析 |
| 3.4 基于分形理论的模型效果合理性检验 |
| 3.4.1 相关分形理论 |
| 3.4.2 数据多重分形分析 |
| 3.4.3 模型效果合理性检验 |
| 3.5 本章小结 |
| 4 基于智能方法的确定性组合预测模型的建立与应用 |
| 4.1 基于智能方法的确定性组合预测模型 |
| 4.1.1 相关理论及方法 |
| 4.1.2 组合预测模型设计 |
| 4.2 风电问题背景与输出功率数据特征 |
| 4.3 组合预测模型的预测效果分析 |
| 4.3.1 模型评价策略 |
| 4.3.2 模型效果分析 |
| 4.4 基于分形理论的模型效果合理性检验 |
| 4.4.1 数据多重分形分析 |
| 4.4.2 模型效果合理性检验 |
| 4.5 本章小结 |
| 5 基于模糊理论的非确定性组合预测模型的建立与应用 |
| 5.1 模糊问题背景 |
| 5.2 模糊时间序列相关定义及加权方法 |
| 5.2.1 模糊理论相关定义 |
| 5.2.2 模糊时间序列 |
| 5.2.3 加权方法 |
| 5.3 基于模糊理论的非确定性组合预测模型 |
| 5.3.1 组合预测模型设计 |
| 5.3.2 模型评估标准和对比模型 |
| 5.3.3 模型参数和数据特征 |
| 5.3.4 基于上证指数的实证分析 |
| 5.3.5 基于电力负荷需求数据的实证分析 |
| 5.4 基于分形理论的模型效果合理性检验 |
| 5.4.1 数据多重分形分析 |
| 5.4.2 模型效果合理性检验 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 在学期间发表的科研成果 |
| 参考文献 |
| 后记 |
（10）基于奇异谱分析的ARMA-SVR模型在股指预测中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 关于ARMA、SVR模型的股指预测 |
| 1.2.2 基于奇异谱分析的预测 |
| 1.3 本文的研究内容及框架 |
| 1.3.1 研究内容 |
| 1.3.2 论文框架 |
| 第二章 相关理论介绍 |
| 2.1 奇异谱分析 |
| 2.1.1 分解 |
| 2.1.2 重构 |
| 2.2 支持向量机 |
| 2.2.1 支持向量机回归 |
| 2.2.2 核函数 |
| 2.2.3 参数估计 |
| 2.3 自回归移动平均模型 |
| 2.3.1 自回归模型 |
| 2.3.2 移动平均模型 |
| 2.3.3 自回归移动平均模型 |
| 2.3.4 ARMA模型理论基础 |
| 2.4 本章小结 |
| 第三章 基于奇异谱分析的ARMA-SVR组合模型 |
| 3.1 建模流程 |
| 3.2 模型的建立 |
| 3.2.1 奇异谱分析 |
| 3.2.2 支持向量回归模型 |
| 3.2.3 自回归移动平均模型 |
| 3.3 模型评价标准 |
| 3.4 本章小结 |
| 第四章 实证分析 |
| 4.1 数据选取 |
| 4.2 组合预测模型实证研究 |
| 4.2.1 统计特征描述 |
| 4.2.2 利用奇异谱分析分解重构 |
| 4.2.3 对各子序列进行建模预测 |
| 4.3 模型比较 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 学位论文评阅及答辩情况表 |
四、基于奇异谱分析的上证指数预测模型（论文参考文献）
- [1]基于SSA-GRU循环神经网络的地产股价指数预测研究[D]. 毛增立. 哈尔滨工业大学, 2021
- [2]基于奇异谱分析和时序卷积网络的股价预测研究[D]. 孙金涵. 哈尔滨工业大学, 2021
- [3]基于朱格拉周期的制造业公司股票投资策略研究[D]. 胡荟. 长沙理工大学, 2020(07)
- [4]基于优化GAM模型的股价预测研究[D]. 白明瑞. 西北师范大学, 2020(01)
- [5]非线性范式下时间序列预测方法研究 ——计算智能与建模[D]. 牛通. 东北财经大学, 2020
- [6]深度神经网络组合模型对股指的预测研究与实证对比[D]. 刘丽缤. 重庆工商大学, 2020(10)
- [7]基于改进的EMD-PSR单变量混沌时间序列短期预测研究[D]. 陈黎君. 武汉理工大学, 2020(08)
- [8]中国朱格拉周期与股价波动关联性研究——基于奇异谱的设备制造业分析[J]. 尹筑嘉,胡荟,唐谭岭. 上海财经大学学报, 2019(06)
- [9]时间序列组合预测模型的建立与应用研究[D]. 董清利. 东北财经大学, 2019(06)
- [10]基于奇异谱分析的ARMA-SVR模型在股指预测中的应用[D]. 袁金铭. 山东大学, 2019(09)