高斯混合模型de矩阵推广.pdfVIP

专 题 研 究 … … 蜘… … 瓣 霸 熊 模 艇 撬 ◎王 栋 (山西职业技 术学院 030031) 【摘要】时间序列分析中经常出现的非高斯性质，使得 个模 型的特点在于它能表现出像平坦趋势 、异常值 、变点等 传统的时间序列分析建模方法无法适用 ，所得到的预测值 实际时间序列数据常表现 出来 的非高斯性．并且 GMTD模 出现偏差，预测精度受到影响．本文推广 了一维时间序列混 型的形式简单 ，容易处理 ，可以利用 EM 算法进行参数 的估 合模型到多维高斯混合转移分布模 型(MGMTD模型)，证 计和拟合．近年来 ，为 了使模型具有更广泛 的应用范围，很 明了该多维时间序列混合模 型下 的一阶平稳性条件 ，并给 多人对这个模 型做 了推广 ，例如 ：2000年 Wong和 Li将 出了该 多维模型下的 EM估 计算法．本 文将 MGMTD模型应 GMTD模 型 推 广 为 MAR 模 型 ，在 2001年 又 推 广 为 用于对我 国炼焦煤炭和天然原油 的价格预测分析 中，实证 logisticMAR模型和异方差情形 ，Wong和 Chan(2003)将模 结果显示，MGMTD模型可以得到较好 的预测结果． 型应用到市场收益上． 【关键词】混合模型；多元正态分布；MGMTD模型；EM 混合模型是统计模式识别非常重要 的方法之一 ，它是 算法；预测 描述真实数据复杂性 的常用方法 ，也是解 决分类或者聚类 问题的常用方法之一 ，在最近兴起 的数据挖掘研 究 巾也常 1．引 言 用到它．混合模型的参数估计方法有很多，通常人们所熟知 在生产实践 、科学实验与 自然科学的研究 中，常常需要 的是 EM算法 ，在用它来做模 型参数 的估计 时 ，混合 的权重 我们去分析一系列的随时间变化 的前后相互关联 的观测数 及成分参数是通过数据似然的局部最大化来一起估计的． 据 ，也就是我们所说的时间序列 ，对时间序列数据 的精确处 2．GMTD模型的矩阵推广 理可 以使我们对未来 的情况做到较好 的预报和控制 ，对数 在现实世界里，很多的时间序列数据并不是仅仪用一 据进行正确的建模，从而使我们发现数据中隐藏的内在规 维的模型就能够得到很好 的建模 ，有些时候我们需要 的是 律．时间序列的例子在一些领域 中是极丰 富的，诸如经济 、 多维 的模型．例如在股票数据里 ，某一只股票 当前的价格可 商业 、工程 、自然科学 (特别是地球物理学和气象学 )和社会 能不仅仅是和这只股票过去 的价格有关 ，也许还 同另外 的 科学，从 Bax和 Jenkins所普及 的ARIMA类模型到现在 ，处 其他股票的过去价格有关，为此 ，为 了更好 的对数据有更加 理 时间序列 的问题一直是被人们所广泛研 究 的，在使用线 准确 的描述 ，我们对 GMTD模型进行 了推广 ，将它 由一维的 性和非线性 的方法上都取得 了很大 的发展． 混合正态分布转化为多维的混合正态分布 ，即： 在通常处理实际的时间序列 问题时，为 了便于计算和 f(Y】y)： (21T)一号1I一iexp{一-(y一 得到一些较好 的性质 ，我们总是假定时间序列的误差项是 服从高斯分布的白噪声 ，但实际情况并非如此简单 ，很多时 妒 一)∑ I(y一 )， (2) 问序列表现出非高斯性，例如：序列的平坦趋势、突变性、异 其中Y是m维向量，