论文部分内容阅读
时间序列分析是数理统计学科中一个活跃的分支，其应用现代统计学和信息处理技术研究时间序列的变化发展规律及特征，并预测时间序列将来的变化趋势。为了提高预测精度，这就需要更好地拟合时间序列模型，因而就要提出更加有效地时间序列模型参数估计法。从这一点出发，论文提出了两种时间序列模型参数估计优化方法，使得模型拟合效果显著。又由于时间序列常常含有非线性和高噪声，尤其是股票序列，这就需要合适的模型来提高预测精度。为了解决这个问题，引入了小波分析理论和人工神经网络模型，提出了两者相组合的方法对股票序列分析和预测。 论文利用共轭梯度法和谱共轭梯度法来估计时间序列模型的参数，然后利用小波变换理论对时间序列进行预处理，将预处理后的时间序列再应用神经网络进行建模和预测。 首先，论文对时间序列分析的有关理论作出了概述，给出了共轭梯度法及谱共轭梯度法的研究原理，概述了小波分析和神经网络的研究与发展。 其次，介绍了时间序列分析的两个重要模型：ARMA模型和ARIMA模型，系统地阐述了时间序列分析模型参数估计方法中的优化方法，深入研究了共轭梯度法和谱共轭梯度法的基本思想。在给出理论的基础上，把时间序列模型的参数估计问题转变为无约束的优化问题。文中第3章，基于现有文献构建了一种改进的混合共轭梯度法，第4章给出了一种改进的谱共轭梯度法，两种方法分别用测试函数检验，数值结果证明算法有效，并应用时间序列实例表明两种方法能有效地拟合模型参数。 再次，介绍了小波分析和小波去噪的相关理论，研究了小波阈值去噪算法。提出了改进的阈值函数以及阈值，并应用三个加噪信号作仿真实验，通过仿真图及数值结果说明算法有效，证明了小波分析可以用于对非平稳时间序列的去噪研究。 最后，概述了人工神经网络及其相关理论，又详细讨论了Elman神经网络模型，提出了小波去噪方法与Elman神经网络模型组合的方法。对上证指数收盘价实例序列进行去噪预处理，然后应用Elman神经网络对其进行建模和预测，并和其它方法相比较，说明预测效果较好。