基于GMDH的LSSVM预测模型及其实证.pdfVIP

第43卷第6期 数学的实践与认识 V01．43，No．6 2013年3月 MATHEMATICSINPRACTICEANDTHEORY Mar．，2013 李秋敏·，一，田益祥·，张高勋， (1．电子科技大学经济与管理学院，四川 成都610054) (2．电子科技大学成都学院文理系，四川成都611731) 摘要：自从Suykens提出新型统计理论学习方法一最小二乘支持向量机(LSSVM) 以来，这种方法引起了广泛的关注，它在预测方面的良好性能得到了广泛应用．应用 法选择有效的输入变量，再将这些变量作为LSSVM模型的输入，进行时间序列的 列对本文模型进行了实证．结果表明，混合模型预测精度得到了明显的提高． 关键词： 最小二乘支持向量机；分组数据处理算法；预测 1引言 传统的汇率预测方法以汇率决定理论(如购买力平价假说、利率平价假说、资产市场假 说等)【1-4】为基础，在汇率与影响汇率的各种经济变量之间建立线性模型．但是基于线性模式 的传统汇率决定模型无法解释现实中的很多异像，如统计分布的“尖峰厚尾”性、波动的集 群性等，越来越多的研究表明汇率系统具有复杂的非线性特征【5_引．因此，近年来大量的非 参数、非线性方法被应用到汇率预测的研究中，比如遗传算法(Genetic Neural Vector 经网络(ArtificialNetwork，ANN)【9J、支持向量机(Support Vector 非参数支持向量回归(Support 法113】等等．不同的方法预测汇率时间序列有不同的效果，但是由于时间序列的复杂性和多 变性，预测精度都不太尽人意．近年来，一些研究将多个神经网络算法进行组合，结合各个算 法的优点，使所得混合模型的预测效果明显好于单一模型的预测效果． 汪寿阳等【14】将TEI@I方法应用到外汇汇率预测中，用传统的计量模型处理外汇汇率的 主要趋势，用神经网络技术分析外汇汇率的非线性，用文本挖掘和专家系统处理外汇市场中 的突现性和不稳定性，最后利用支持向量回归技术对上述各个部分进行非线性集成，取美元 分进化算法和分组数据挖掘(GMDH)的混合模型用于人口预测，研究表明混合模型较单一 的GMDH算法有更好的预测效果．Ismail 向量机(LSSVM)，用于太阳黑子数据和妇女失业数据的时间序列预测，基于绝对误差均值和 根均方误差的判断标准，混合模型的预测能力优于单一的LSSVM． 收稿日期：2012—10—19 资助项目：教育部人文社科基金(12YJA790125) 万方数据 6期 李秋敏，等：基于GMDH的LSSVM预测模型及其实证 63 vector LSSVM(Leastsquaressupport 功应用于各种问题，如函数估计和逼近[19--22]，时间序列的预测等等．最小二乘支持向量机在 MethodofDataHan— 非线性预测控制方面具有很好的收敛性和很高的精度．GMDH(Group 于1971年提出【23】．利用多层神经网络，借助自组织原理，由计算机利用数据相对客观地选 择变量之间的关系，用外准则选取最优模型，实现对研究对象内部结构的模拟．GMDH算法 可以避免神经网络过拟合的缺点，同时可以建立显式模型，便于结构分析[24--25]． 本文充分利用GMDH算法的较强建模能力和LSSVM的较强预。,…14邑力，将GMDH和 则选择有效的输入变量，根据其输出的显式模型，确定变量，作为LSSVM模型的输入，再利 用LSSVM方法进行时间序列预测． 2最d--乘支持向量机模型(LSSVM) LSSVM是一种新的学习方法，将一组时间序列数据作为输入变量，输出值作为预测目标 值．其算法如下： 出向量，利用非线性映射妒(z)将输入向量从原空间映射到一个高维特征空间，在高维特征空 间构造最优决策模型： y(x)=∽