数据驱动的金融时间序列预测模型研究
全新正版 极速发货
￥ 40.66 6.0折 ￥ 68 全新
库存5件
作者张贵生 著
出版社科学出版社
ISBN9787030542502
出版时间2018-01
装帧平装
开本其他
定价68元
货号1201632201
上书时间2024-10-01
商品详情
- 品相描述：全新
- 商品描述
-
目录
第1章绪论1
1.1研究的背景和意义1
1.2文献回顾与评述3
1.3主要研究成果及创新13
1.4研究方法及技术路线17
第2章相关理论基础21
2.1ARIMA模型21
2.2GARCH模型族23
2.3支持向量机27
第3章基于微分信息的ARMAD-GARCH股票价格预测模型33
3.1ARMAD-GARCH模型35
3.2实证研究38
3.3本章小结46
第4章基于梯度因子的G-ARMA-GARCH股票价格预测模型48
4.1G-ARMA-GARCH模型50
4.2实证研究52
4.3本章小结60
第5章基于近邻互信息的SVM-GARCH股票价格预测模型61
5.1SVM-GARCH模型构造63
5.2实证研究66
5.3本章小结78
第6章基于ARIMA和时间测地线距离SVM的股票价格时序数据混合预测模型80
6.1时间相关性经验知识80
6.2基础模型介绍82
6.3混合预测模型构造83
6.4实证研究84
6.5本章小结90
第7章基于ARIMA和泰勒展开的金融时序混合预测模型92
7.1模型构建背景知识94
7.2基于跟踪微分器的泰勒展开预测模型97
7.3混合预测模型ARIMA-TEF构建103
7.4本章小结118
第8章结论与展望120
8.1结论120
8.2不足与展望122
参考文献124
内容摘要
1997年诺贝尔经济学奖获得者美国经济学家RobertCarhartMerton提出，现代金融理论的核心问题就是如何在不确定的环境下对资源进行跨期的很优配置。而按照非线性动力学的观点来看，现代金融理论中金融系统的不确定性恰恰源于其自身就是一个受多种因素综合影响的具有开放性质的复杂巨系统，相应地，作为系统观测值的金融时序数据则从形式上表现了该系统的复杂运动规律。相关金融时序可预测性的文献研究表明，无论是线性范式下的传统统计方法，还是非线性的计算智能方法，以及多种不同类型方法的组合模型都在一定范围内提升和改善了人们对于金融时序数据预测的准确性和稳定性，但大多缺乏对不同类型金融时序数据内部时间相关性知识、价格变化趋势信息以及不同市场间互信息等经验知识的有效融合，制约了其预测性能的进一步提高。基于此，本书借鉴复杂系统视角建模的思想，针对各种不同类型的金融时序数据，结合智能计算、计算实验金融、数据挖掘以及控制论等相关领域的近期新研究成果，“自底向上”地展开金融时序数据经验知识融合下的机器学习预测建模创新研究，以探索金融系统的复杂演化规律。
相关推荐
-
数据驱动的金融时间序列预测模型研究
全新广州
￥ 40.63
-
数据驱动的金融时间序列预测模型研究
全新广州
￥ 40.69
-
数据驱动的金融时间序列预测模型研究
全新北京
￥ 44.30
-
数据驱动的金融时间序列预测模型研究
全新广州
￥ 40.69
-
数据驱动的金融时间序列预测模型研究
全新广州
￥ 40.65
-
数据驱动的金融时间序列预测模型研究
全新北京
￥ 49.10
-
数据驱动的金融时间序列预测模型研究。
全新北京
￥ 44.50
-
数据驱动的金融时间序列预测模型研究。
全新北京
￥ 44.50
-
数据驱动的金融时间序列预测模型研究
全新无锡
￥ 45.56
-
数据驱动的金融时间序列预测模型研究。
全新北京
￥ 44.50
— 没有更多了 —
以下为对购买帮助不大的评价