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

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
4．3．6 实验结果讨论
4．3．7 本节小结
4．4 一种考虑端点效应的多步预测方法
4．4．1 研究背景及研究动机
4．4．2 文献综述
4．4．3 EMD-SBM-FNN多步预测模型的构建过程
4．4．4 实验设计
4．4．5 实验结果讨论
4．4．6 本节小结
4．5 基于多输出支持向量机的多步预测方法
4．5．1 研究背景及研究动机
4．5．2 多输出支持向量机
4．5．3 实验设计
4．5．4 实验结果讨论
4．5．5 本节小结
4．6 本章小结
5 区间型时间序列预测
5．1 引言
5．2 基于多输出支持向量回归和萤火虫算法的区间型时间序列预测方法
5．2．1 研究背景及研究动机
5．2．2 多输出支持向量回归及区间型股票价格指数序列
5．2．3 FA—MSVR区间型预测模型
5．2．4 实验设计
5．2．5 实验结果讨论
5．2．6 本节小结
5．3 基于双变量EMD和支持向量机的区间型时间序列预测方法
5．3．1 研究背景及研究动机
5．3．2 双变量EMD技术及区间型电力需求序列
5．3．3 BEMD-SVM区间型预测模型
5．3．4 实验设计
5．3．5 实验结果讨论
5．3．6 本节小结
5．4 基于复值径向基函数神经网络与粒子群优化算法的区间型时间序列预测方法
5．4．1 研究背景及研究动机
5．4．2 复值径向基函数神经网络及区间型股票价格指数序列
5．4．3 DPSO／PSO-FCRBFNN的基本原理
5．4．4 实验结果讨论
5．4．5 本节小节
5．5 基于误差修正模型和多输出支持向量机的区间型时间序列预测方法
5．5．1 研究背景及研究动机
5．5．2 区间型混合预测模型及区间型农产品期货价格序列
5．5．3 实验设计
5．5．4 实验结果讨论
5．5．5 本节小节
5．6 本章小结
6 全文总结
参考文献