A neural-network-based nonlinear metamodeling approach to financial time series forecasting
A neural-network-based nonlinear metamodeling approach to financial time series forecasting
复制标题
基于神经网络的非线性元建模方法进行金融时间序列预测
DOI：
10.1016/j.asoc.2008.08.001
复制
发表时间：
2009-03
影响因子：
8.7
通讯作者：
Wang, Shouyang
中科院分区：
文献类型：
--
作者：
Yu, Lean;Lai, Kin Keung;Wang, Shouyang
在金融时间序列预测中，如何利用含有噪声的金融数据尽可能地提高预测精度是我们经常遇到的问题。在这项研究中，我们讨论了使用有监督神经网络作为元学习技术来设计一个金融时间序列预测系统来解决这一问题。在该系统中，首先使用一些数据采样技术从原始数据集生成不同的训练子集。根据这些不同的训练子集，训练具有不同初始条件或训练算法的不同神经网络，以形成不同的预测模型，即基本模型。随后，为了提高元模型预测的效率，主成分分析(PCA)技术被用作一种剪枝工具来生成最优的基本模型集。最后，通过对所选择的基本模型进行学习，生成基于神经网络的非线性元模型，从而提高预测精度。为了说明和验证的目的，提出的元模型是在四个典型的金融时间序列上进行的。实证结果表明，基于神经网络的非线性元建模技术是一种非常有前途的金融时间序列预测方法。
In financial time series forecasting, the problem that we often encounter is how to increase the prediction accuracy as possible using the financial data with noise. In this study, we discuss the use of supervised neural networks as a meta-learning technique to design a financial time series forecasting system to solve this problem. In this system, some data sampling techniques are first used to generate different training subsets from the original datasets. In terms of these different training subsets, different neural networks with different initial conditions or training algorithms are then trained to formulate different prediction models, i.e., base models. Subsequently, to improve the efficiency of predictions of metamodeling, the principal component analysis (PCA) technique is used as a pruning tool to generate an optimal set of base models. Finally, a neural-network-based nonlinear metamodel can be produced by learning from the selected base models, so as to improve the prediction accuracy. For illustration and verification purposes, the proposed metamodel is conducted on four typical financial time series. Empirical results obtained reveal that the proposed neural-network-based nonlinear metamodeling technique is a very promising approach to financial time series forecasting.
登录
查看更多内容
DOI：
--
发表时间：
1994
期刊：
--
影响因子：
--
作者：
A. Krogh;Jesper Vedelsby
通讯作者：
A. Krogh;Jesper Vedelsby
DOI：
--
发表时间：
1994-04
期刊：
--
影响因子：
--
作者：
G. Deboeck
通讯作者：
G. Deboeck
影响因子：
3.7
作者：
M. Timmerman
通讯作者：
M. Timmerman
影响因子：
3.2
作者：
Abdi, Herve;Williams, Lynne J.
通讯作者：
Williams, Lynne J.
影响因子：
1.9
作者：
Gregory P. DeCoster;W. Labys;D. W. Mitchell
通讯作者：
Gregory P. DeCoster;W. Labys;D. W. Mitchell