数据驱动的金融时间序列预测模型研究-网络科技-文化科教-太极之巅书单号

书刊介绍

数据驱动的金融时间序列预测模型研究内容简介

以非线性动力学的观点看来，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。基于此，本书借鉴复杂系统视角建模的思想，结合智能计算、计算实验金融、数据挖掘及控制论等相关领域的*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。

数据驱动的金融时间序列预测模型研究本书特色

以非线性动力学的观点看来，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。基于此，本书借鉴复杂系统视角建模的思想，结合智能计算、计算实验金融、数据挖掘及控制论等相关领域的**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。

数据驱动的金融时间序列预测模型研究目录

第1章绪论1.1 研究的背景和意义1.2 文献回顾与评述1.3 主要研究成果及创新1.4 研究方法及技术路线第2章相关理论基础2.1 ARIMA模型2.2 GARCH模型族2.3 支持向量机第3章基于微分信息的ARMAD-GARCH股票价格预测模型3.1 ARMAD-GARCH模型3.2 实证研究3.3 本章小结第4章基于梯度因子的G-ARMA-GA-RCH股票价格预测模型4.1 G-ARMA-GARCH模型4.2 实证研究4.3 本章小结第5章基于近邻互信息的SVM-GARCH股票价格预测模型5.1 SVM-GARCH模型构造5.2 实证研究5.3 本章小结第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6.1 时间相关性经验知识6.2 基础模型介绍6.3 混合预测模型构造6.4 实证研究6.5 本章小结第7章基于ARmA和泰勒展开的金融时序混合预测模型7.1 模型构建背景知识7.2 基于跟踪微分器的泰勒展开预测模型7.3 混合预测模型ARIMA-TEF构建7.4 本章小结第8章结论与展望8.1 结论8.2 不足与展望参考文献