随机时间序列模型论文_黄丽丽

导读:本文包含了随机时间序列模型论文开题报告文献综述、选题提纲参考文献及外文文献翻译,主要关键词:模型,序列,时间,神经网络,噪声,协方差,效率。

随机时间序列模型论文文献综述

黄丽丽[1](2019)在《随机神经网络预测模型构造与金融时间序列波动研究》一文中研究指出预测全球金融能源时间序列的波动已经成为经济和社会研究的焦点,为了提高金融能源价格预测的准确度,本文首先将随机时效函数与小波神经网络结合构建了随机时效小波神经网络模型。小波神经网络模型是一种能够实现强非线性近似的预测系统,而随机时效函数用于刻画历史数据对当前市场预测的影响,赋予历史数据时变权重并引入到小波神经网络的训练过程中,这使得模型更符合真实市场波动趋势。此外,我们将递归层引入随机时效小波神经网络以提高模型对历史数据的记忆性,并结合小波分解构建了组合预测小波神经网络模型。小波分解的作用在于将原始不平稳的时间序列分解成不同频率较平稳的子序列,更易于预测。结合递归层,随机时效性以及小波分解方法进一步提高了模型的精度。实证研究中,我们采用两种原油现货序列和两种金融石油指数,同时研究了价格序列以及收益率序列的预测效果,并与传统神经网络模型,SVM模型,深度学习LSTM模型等进行了对比。本文除了运用常规的一些误差分析方法之外,还引入了多尺度复合复杂同步性方法,为误差分析提供了新思路。MCCS分析结合了样本熵和复杂度不变距离,用于测量两个等长时间序列之间的同步性,通过分析预测结果和真实价格之间的同步性,我们可以对比得出预测效果。综合误差分析结果表明,我们所提出的两种神经网络模型在全球金融能源价格序列拟合中具有较高的准确度。(本文来源于《北京交通大学》期刊2019-06-01)

杨学良,陶晓峰,黄福兴,熊霞[2](2018)在《基于随机森林及时间序列模型的电能量异常数据检测及修复方法》一文中研究指出传统的阈值判定方法难以准确地检测出电能量数据中的异常,并且对异常值的修复往往采用相邻点取均值的方法,修复的结果性往往不够精确。该文提出了一种基于随机森林分类器的异常数据检测方法,从数据中提取趋势特征、统计特征等特征量,从一种新的角度实现异常数据检测;并在检测的基础上,利用时间序列模型拟合数据对时间的动态变化规律,模拟异常发生时刻的数据,修复异常值。结合现场实际数据对该文提出的异常检测及修复算法的有效性进行验证,表明能够实现快速准确的异常检测及异常数据修复功能。(本文来源于《第叁届智能电网会议论文集》期刊2018-12-30)

鲁韵帆[3](2018)在《随机交互金融模型的构建及金融时间序列的统计分析》一文中研究指出随着对现代金融市场研究的加深,金融市场被新定义为一个由大量交易者相互作用、各自为获得交易标的最优价格而对外部信息做出反应的开放的非线性复杂系统,而对这个非线性复杂系统的波动动力学特征的研究促使了金融数学、金融工程学、金融物理学等一些新兴交叉学科的发展.该研究领域中两个热门的研究方向是对经济金融市场的实证分析研究和构建一个能包容显示金融市场所有基本特征的理论模型.本篇论文将对上述两个研究方向展开新的探索.随着金融物理学的发展,一些经典的统计物理粒子模型逐渐被应用于模拟金融市场的演化机制的研究,并取得了优秀成果.本文第一个重要的创新成果就是运用随机交互传染病模型和基于小世界网络的传染病模型来分别构建两个新的金融价格动态模型—随机交互金融价格模型Ⅰ和基于小世界网络的金融价格模型Ⅱ,通过运用传染病模型中病毒在个体之间的传播机制来模拟金融市场中外来信息在投资者之间的传播机制,从微观角度来探索金融市场内信息交互引起价格波动的演化机制.并且通过模型模拟数据的统计特征与真实股票市场收益率时间序列的统计特征的相似性来验证了随机交互金融价格模型Ⅰ和基于小世界网络的金融价格模型Ⅱ的合理性和有效性.本文的第二个重要的创新成果是运用已有的统计方法从新的角度对股票市场价格变动的统计特征进行实证分析,并且将叁维视图引入到结果展示中去,优化了实证分析的对比过程.本文的第叁个重要的创新成果是引入新的量化金融市场多元时间序列复杂性的统计方法—多元多尺度熵分析,并得到了新的研究成果,如每个交易小时内股票市场的复杂性不同,呈现出显着下降趋势,股票市场在上午的系统复杂性明显高于下午的.具体的研究内容如下:第2章:结合Black-Scholes期权定价公式,并运用随机交互传染病模型和基于小世界网络的传染病模型来分别构建两个新的金融价格动态模型—随机交互金融价格模型Ⅰ和基于小世界网络的金融价格模型Ⅱ.通过参考现代金融理论,设定模型的两个前提假设为:1)系统内存在基于信息的股市羊群效应;2)投资者理性程度的差异会对投资者的羊群行为有影响.通过参数定量分析思想,对每个模型的参数组合进行了介绍.为了初步证明模型的合理性,我们对实证数据和模拟数据同时进行了基础描述性统计的相关实验.第3章:基于随机交互金融价格模型Ⅰ的统计分析.通过基础描述性统计分析、幂指数分析、K-S检验、关联维数分析、修正多尺度熵分析、综合多尺度熵分析、集合经验模式分解算法和Zipf行为分析,对真实股票收益率时间序列和该模型的模拟数据进行统计特征分析,上述分析结果中相似的统计特征验证了随机交互金融价格模型Ⅰ的合理性和有效性.并且研究发现模型中初始时刻感染者比例、病毒传播速率、设定的有效交易时长和type-inf型投资者与type-imm型投资者的投资态度对股票市场的影响因子的比例均与模型系统的复杂性基本呈正相关.第4章:基于小世界网络的金融价格模型Ⅱ的统计分析.主要通过修正R/S分析和多重分形去趋势分析验证了真实股票市场日收益率序列和模型模拟收益率时间序列均具有正相关性、波动持续性和多重分形性,从而验证了基于小世界网络的金融价格模型Ⅱ的合理性和有效性.并且发现模型中相对传染性和type-inf型投资者与type-imm型投资者的投资态度对股票市场的影响因子的比例与模拟数据的长记忆性呈正相关.统计分析过程中,通过对比随机重排序列和原始时间序列的多重分形结果,发现时间序列内在相关性会影响其多重分形性;利用模型数据的可以调价序列长度的优势,验证了多重分形去趋势分析中多重分形谱宽与有限序列长度的效应.第5章:将多元多尺度熵MMSE分析引入到金融股票收益率多元时间序列的复杂性分析中.我们发现中国SSE和SZSE的每个交易小时内系统的复杂性不同,呈现出明显的下降趋势,股票市场在上午的系统复杂性明显高于下午的.通过对其随机重排多元序列和绝对收益率多元序列进行分析,发现了多元股票收益率时间序列的随机洗牌处理增加了其复杂性,且绝对多元收益率时间序列更倾向于表现出多时间尺度上的长程相关性.最后我们用多元多尺度熵方法对亚洲、欧洲和北美洲叁个不同地域的股票市场的复杂性进行分析,发现美国股市的叁个单一收益率表现出的复杂性不是最高,但是其组合成的叁元时间序列的复杂性却是最高的,其次是亚洲和欧洲股票市场.(本文来源于《北京交通大学》期刊2018-04-01)

郭银,周家俞,李怡,陈嘉玉,龙天玮[4](2017)在《时间序列模型在金沙江干流水沙随机模拟中的应用》一文中研究指出在水利工程中,长期(几十年或上百年)的水文序列实测资料对工程的建设、防洪、抗旱以及河流生态保护等方面起着至关重要的作用。然而,在实际工程中,大多数情况下较难以获得某河流特定位置处超过百年的长期水文实测数据。因此,常常需要根据有限的短期水文实测资料对该处的水文序列进行长时间的随机模拟,用以获取更多水文数据样本。文章基于金沙江中游石鼓水文站22 a的实测流量时间序列,采用水文时间序列组成成分分析方法,结合自回归模型和水沙联合随机模型共同建立了该地区的流量时间序列和水沙相关关系,并模拟了工程所在位置处500 a的流量和含沙量结果。此外,文中对模拟的流量结果进行误差分析,以充分验证文章提出的流量时间序列模型的正确性与合理性。文章的研究成果可为新建港口码头及航道工程提供一定的技术支撑。(本文来源于《水道港口》期刊2017年06期)

祝牧,刘吉臻,林忠伟[5](2016)在《基于随机Markov链的风向时间序列模型研究》一文中研究指出基于随机Markov链模型提出了一种风向时间序列模拟模型。该模型选取气象学中较为细致的风向划分方法-16风向,作为Markov链模型状态空间划分的依据。模型验证表明,随机Markov链模型生成的风向时间序列较好的保留了原始数据分布特性、自相关特性、功率谱特性等统计特性。这证明,通过Markov链建模,然后生成任意时间长度的风向时间序列的方法是可行的,且在加入阈值修正后,该模型的短期风向预测效果较好。(本文来源于《现代电力》期刊2016年03期)

明锋,杨元喜,曾安敏[6](2015)在《测站坐标时间序列随机模型的解析表达》一文中研究指出利用最大似然估计法分析测站坐标时间序列时,需根据时间序列的噪声特性构造相应的协方差阵。由于幂律噪声除包含白噪声,闪烁噪声和随机漫步噪声等谱指数为整数的噪声外,还包含谱指数为实数的噪声,且其统计特性各不相同。除白噪声和随机漫步噪声外,已有研究并没有详细给出其它幂律噪声随机模型的构造方法。本文针对有色噪声中幂律噪声类型的时间相关特性,基于分数阶差分的理论和性质,详细给出了时间域上平稳和非平稳幂律噪声的随机模型的解析表达式,并给出了相应元素之间的递推关系。该解析表达式对于研究幂律噪声时间相关性或模拟相应特征的有色噪声有一定的参考价值。(本文来源于《导航定位学报》期刊2015年03期)

邹金,赖旭,汪宁渤[7](2014)在《风电随机出力的时间序列模型》一文中研究指出提出了一种风电随机出力的时间序列模型,运用反变换方法将原始出力序列转换为平稳、正态序列,采用自回归移动平均模型对序列进行回归,再将模拟的正态序列转换回原始域,得到风电出力的模拟时间序列。运用该模型对风电出力序列进行模拟,结果同时满足风电出力的时间相关性、概率分布特性、时间分布特性以及波动特性,这说明该模型可用于风电出力不确定分析、电力系统随机优化以及风电储能系统优化运行等方面的研究。(本文来源于《电网技术》期刊2014年09期)

蓝以信,王应明[8](2014)在《时间序列随机DEA期望值模型研究》一文中研究指出为解决含有不确定性信息的多时期综合绩效评价问题,提出一个时间序列随机DEA模型,并借助机会约束规划的相关理论将其转化为确定性的等价形式.分别给出决策单元在单时期和多时期内随机期望无效,随机期望有效以及随机期望超有效的概念,为判别决策单元的随机有效性提供理论依据.最后通过一个随机模拟算例说明了该方法的有效性和实用性.(本文来源于《福州大学学报(自然科学版)》期刊2014年04期)

何俊,陈怀海,贺旭东[9](2014)在《时间序列模型中的随机共振现象》一文中研究指出在滑动自回归(auto-regressive and moving average,简称ARMA)时间序列模型的基础上,利用模态稳定性图来确定系统真实模态,描述了在求解过程中产生的随机共振现象。借助悬臂梁的有限元模型,利用精细时程积分方法计算得到了其加速度脉冲响应函数,建立了用于振动模态识别的ARMA模型。在利用模态稳定性图来确定系统真实模态的过程中发现,加入合适的噪声信号可以有效地改善识别结果,剔除虚假模态,即产生了随机共振现象。对悬臂梁进行时变化处理后,随机共振现象较之前不变系统更加显着,对最终识别结果产生了明显的优化作用。(本文来源于《振动.测试与诊断》期刊2014年01期)

蒋柏旺[10](2013)在《时间序列的AR模型和膜结构的随机风场数值模拟》一文中研究指出本文基于自然风特性通过考虑结构节点间的风速时程相关性采用AR模型模拟节点随机脉动风速时程,用Matlab编程模拟.对模拟所得的节点风速时程统计分析表明:AR模型可有效地模拟具有时间相关性、空间相关性的节点脉动风速时程。(本文来源于《门窗》期刊2013年11期)

随机时间序列模型论文开题报告

(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:

传统的阈值判定方法难以准确地检测出电能量数据中的异常,并且对异常值的修复往往采用相邻点取均值的方法,修复的结果性往往不够精确。该文提出了一种基于随机森林分类器的异常数据检测方法,从数据中提取趋势特征、统计特征等特征量,从一种新的角度实现异常数据检测;并在检测的基础上,利用时间序列模型拟合数据对时间的动态变化规律,模拟异常发生时刻的数据,修复异常值。结合现场实际数据对该文提出的异常检测及修复算法的有效性进行验证,表明能够实现快速准确的异常检测及异常数据修复功能。

(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。

随机时间序列模型论文参考文献

[1].黄丽丽.随机神经网络预测模型构造与金融时间序列波动研究[D].北京交通大学.2019

[2].杨学良,陶晓峰,黄福兴,熊霞.基于随机森林及时间序列模型的电能量异常数据检测及修复方法[C].第叁届智能电网会议论文集.2018

[3].鲁韵帆.随机交互金融模型的构建及金融时间序列的统计分析[D].北京交通大学.2018

[4].郭银,周家俞,李怡,陈嘉玉,龙天玮.时间序列模型在金沙江干流水沙随机模拟中的应用[J].水道港口.2017

[5].祝牧,刘吉臻,林忠伟.基于随机Markov链的风向时间序列模型研究[J].现代电力.2016

[6].明锋,杨元喜,曾安敏.测站坐标时间序列随机模型的解析表达[J].导航定位学报.2015

[7].邹金,赖旭,汪宁渤.风电随机出力的时间序列模型[J].电网技术.2014

[8].蓝以信,王应明.时间序列随机DEA期望值模型研究[J].福州大学学报(自然科学版).2014

[9].何俊,陈怀海,贺旭东.时间序列模型中的随机共振现象[J].振动.测试与诊断.2014

[10].蒋柏旺.时间序列的AR模型和膜结构的随机风场数值模拟[J].门窗.2013

论文知识图

数据在21000~22000点处小波六层分解...1.4不同的大气湍流谱模型[2Q]...深圳企业数生长曲线拟合(以1987年为基准...收视率部分序列数据Lorenz系统的DVV分析结果的分解过程

标签:;  ;  ;  ;  ;  ;  ;  

随机时间序列模型论文_黄丽丽
下载Doc文档

猜你喜欢