论文部分内容阅读
利用奇异谱分析方法对股市时间序列重构，降低噪声并提取趋势序列，并利用C-C算法确定嵌入为维数和延迟阶数进行相空间重构，生成神经网络的学习矩阵，进一步利用Boosting技术和不同的神经网络模型，生成神经网络集成个体，最后采用非参数回归模型进行集成，建立多元变窗宽高斯核函数的非参数回归的神经网络集成模型，以此建立股市预测模型．通过S＆P500指数开盘价进行实例分析，与传统的时间序列分析和其他集成方法对比，发现该方法能获得更准确的预测结果．计算结果表明该方法能充分反映股票价格时间序列趋势，为金融时间序列预测提