文摘

经济和金融时间序列的波动受到各种因素的影响,通常表明强烈的不稳定和高复杂性。因此,准确地预测经济和金融时间序列一直是一个具有挑战性的研究课题。在这项研究中,一种新型multidecomposition和自优化混合方法集成多个改进的完整的集成经验模态分解与自适应噪声(ICEEMDANs),鲸鱼优化算法(WOA)和随机向量功能链接(RVFL)神经网络,即MICEEMDAN-WOA-RVFL,发达的经济和金融时间序列预测。首先,我们采用ICEEMDAN具有随机参数的原始时间序列分离到一群相对简单的子系列多次。第二,我们构造RVFL网络单独预测每一次分类。考虑到参数设置RVFL网络比较复杂,我们利用WOA同时RVFL网络搜索最优参数。然后,我们总个人分解子系列的预测结果的预测结果每个分解,分别,最后整合这些预测结果的所有分解作为最终的预测结果。拟议中的MICEEMDAN-WOA-RVFL相比明显优于单一和合奏基准模型预测的准确性和稳定性,实验证明的使用各种经济和金融时间序列,包括西德克萨斯中质原油(WTI)价格,美元/欧元汇率(美元/欧元),美国工业生产(IP),上海证券交易所综合指数(SSEC)。

1。介绍

经济和金融时间序列,如价格变动、股票市场指数和汇率,通常具有很强的非线性和复杂性高,因为它们是受很多外在和内在因素,包括经济环境、政治事件,甚至突然危机(1,2]。经济和金融时间序列的预测总是在社会和经济发展中扮演着重要的角色,这是巨大的经济对个人和国家的重要性。因此,经济和金融时间序列预测一直是一个非常活跃的研究领域。

在现有的研究中,提出了各种预测方法来预测各种经济和金融时间序列。这些预测方法主要包括统计和人工智能(AI)的方法。常用统计方法的经济和金融时间序列预测包括误差修正模型(ECM) (3隐马尔可夫模型(HMM) [],4),随机漫步(RW)模型(5),自回归移动平均(ARMA)模型(6),自回归综合移动平均(ARIMA)模型(7广义自回归条件异方差性,模型(GARCH) (8,9]。兰扎等人预测的一系列原油价格在两个截然不同的地区使用ECM [3]。哈桑和Nath发达HMM方法预测股票价格对相关市场(4]。克里安和泰勒RW在汇率预测的优势分析5]。溃败等人与差分进化(DE)集成ARMA开发混合模型对汇率预测(6]。Mondal等人进行了一项研究的有效性ARIMA模型预测的56个印度股市从不同领域7]。阿尔贝里等人进行了全面的分析股票指数使用各种GARCH模型和实验结果表明,非对称GARCH模型提高了预测的整体性能(9]。

因为大多数经济和金融时间序列涉及复杂的强非线性和非平稳的特点,很难通过统计方法获得令人满意的预测精度。因此,各种人工智能方法提出了经济和金融时间序列预测。这些人工智能预测方法包括人工神经网络(ANN) [10,11),支持向量机(SVM) [12,13),极端学习机(ELM) [14),随机向量功能链接(RVFL)神经网络(15递归神经网络(RNN) [],16]。普拉丹和Kumar利用ANN预测汇率在印度,和实验结果表明,安能有效地预测汇率(10]。Das和Padhy使用SVM预测商品期货合同指标,实证分析表明该模型是有效的,达到了满意的预测性能(12]。李等人做了股票价格预测使用榆树和榆树的比较结果表明,径向基函数(RBF)内核实现更好的预测性能和更快的速度比反向传播神经网络(摘要)14]。Moudiki等人采用quasirandomized功能连接网络为各种时间序列预测,该方法可以生成更健壮的预测结果(15]。门敏和金姆雇佣长期短期记忆(LSTM)股票指数预报,结果证实了LSTM模型有良好的预测精度16]。

为了有效地提高预测精度,各种混合预测模型是为经济和金融时间序列预测。安先生和Reddy ARIMA和非线性模型来开发一种新型的混合ARIMA-ANN模型,实验电价和股票指数表明,拟议中的ARIMA-ANN有更高的预测精度17]。Kumar和Thenmozhi比较三种不同的混合模型预测股票指数的回报和得出结论,ARIMA-SVM模型可以获得最高的预测精度(18]。许建立了一个混合模型基于反向传播神经网络(摘要)和遗传编程(GP)股票/期货价格预测,和实证分析表明,该混合模型能有效地提高预测精度(19]。这些混合模型能够充分利用单一模型的潜力,因此,获得比单一模型更好的预测精度。

由于原始经济和金融时间序列的复杂性,对原始时间序列进行预测是很难获得令人满意的预测精度。减少原始时间序列的复杂性,一个框架的“分解和合奏”领域的广泛利用时间序列预测。该框架包括三个阶段:分解、预测和合奏。原始时间序列首先分为子级数的和,然后预测模型用于预测每一次分类,最后,所有的次分类的预测被聚合为最终的预测结果。分解的第一步,是非常重要的,提高整体的性能模型。广泛使用的分解方法包括小波分解(WD)变分模式分解(VMD)和经验模态分解(EMD)的类方法。Lahmiri结合VMD一般回归神经网络(GRNN)开发一种新颖的集成预测模型,与实验结果表明,VMD优于EMD经济和金融时间序列的预测(20.]。花王等人WD集成,支持向量回归(SVR)和多元自适应回归样条函数(火星)来开发一个集成预测模型来预测股票价格,和获得的模型更好的预测精度21]。在第二阶段的框架”分解和合奏”,介绍了各种优化方法提高预测的性能。李等人提出了一个岭回归(RR) DE预测原油价格和获得优良的预测的准确性22]。阿訇等人介绍了研究粒子群优化(QPSO)调整自适应基于网络的模糊推理系统(简称ANFIS)对金融时间序列预测23]。王等人采用头脑风暴优化(BSO)优化SVR算法,结果表明,开发的方法是有效的股票市场分析(24]。

在分解和整体框架,分解方法和预测方法极大地影响最终的预测结果。考虑ICEEMDAN强大的分解能力,优秀的搜索效率WOA RVFL网络和准确的预测能力,我们开发一种新型的集成预测模型集成多个ICEEMDANs, WOA, RVFL网络,即MICEEMDAN-WOA-RVFL,经济和金融时间序列预测。首先,ICEEMDAN随机参数利用原来的经济和金融时间序列划分为子级数的和。其次,RVFL网络单独应用于预测每个分解子系列,WOA是用来优化同时RVFL网络的参数值。最后,预测的单个子系列聚合作为一个过程的预报值的分解和合奏。从我们的观察,我们发现分解在第一阶段有一些缺点的不确定性和随机性,从而导致预测结果的差异和不稳定。此外,大量的文献表明,结合多个预测可以有效地提高预测精度(25,26]。因此,我们随机ICEEMDAN分解参数值的第一阶段,多次重复上述流程和集成多个分解和乐团的结果作为最终值的预测。我们希望多个分解策略可以减少一个分解的随机性和稳定和进一步提高预报精度。

本文的主要贡献如下:(1)提出一种新的multidecomposition和自优化整体预测模型集成多个ICEEMDANs, WOA, RVFL网络经济和金融时间序列预测。据我们所知,这是第一次的新颖的组合是发达经济和金融时间序列预测。(2)进一步提高预测的准确性和稳定性,我们利用多个分化ICEEMDANs分解原始经济和金融时间序列,最后,合奏的预测都分解为最终的预测。(3)WOA是首先介绍了优化RVFL网络的各种参数。(4)实证结果对四种不同类型的经济和金融时间序列表明,我们建议的MICEEMDAN-WOA-RVFL显著增强了预测性能的预测的准确性和稳定性。

提出的新颖MICEEMDAN-WOA-RVFL是三个方面:(1)一种新型混合模型集成多个ICEEMDANs, WOA,和RVFL网络是专为经济和金融时间序列预测;(2)多个分解策略是首先提出克服一个分解的随机性,提高预测的准确性和稳定性;(3)WOA是首次应用于优化RVFL网络来提高个体的性能预测。

本文的其余部分组织如下。部分2提供了一个简要介绍ICEEMDAN, WOA, RVFL网络。第三节提供的架构和详细的实现提出了MICEEMDAN-WOA-RVFL。第四节分析了实证结果在各种经济和金融时间序列预测。第五节讨论了一些细节的发展预测模型,第六节本文总结道。

2。预赛

2.1。改进的完整的集成经验模态分解与自适应噪声(ICEEMDAN)

经验模态分解(EMD),一个自适应时频分析方法对非平稳的信号,是由黄等设计。27]。EMD原始时间序列分为“固有模态函数之和(货币)和一个残留,因此,它可以简化时间序列分析。由于EMD的一些缺点,如混合模式,EEMD [28]和CEEMDAN [29日)提出了提高分解性能和在各领域的应用30.- - - - - -32]。尽管如此,这些分解方法还有一些新问题。要解决这些问题,一种改进CEEMDAN (ICEEMDAN)是由Colominas et al。33]。

让E_k(·)生成的运营商k使用EMD th模式,米(·)是生成的操作符的地方平均系列,和是零均值的实现单元噪声方差。当x原始信号,ICEEMDAN的详细分解过程如下:(我)步骤1:使用EMD计算当地的手段我实现x^(我)=x+β₀E₁( )实现第一个渣 ,和β₀> 0(2)步骤2:计算第一国际货币基金组织₁=x−r₁(3)步骤3:计算当地的平均意味着第二残留的实现: (iv)第四步:计算kth残留的k= 3,…K: (v)第五步:接下来去第4步k

自从ICEEMDAN能有效分解原始时间序列,这一点经常被引入各种时间序列预测(34- - - - - -36]。在我们的研究中,我们采用ICEEMDAN分离原始经济和金融时间序列为后续预测简单子级数的和。

2.2。鲸鱼优化算法(WOA)

鲸鱼优化算法(WOA)是一种优化方法,优于粒子群优化(PSO),蚁群优化(ACO),引力搜索算法(GSA),和快速进化规划(聚全氟乙丙烯)优化性能(37,38]。模拟狩猎鲸鱼的过程,WOA包括三个主要运营商:环绕猎物,bubble-net觅食,寻找猎物。在每个迭代中,个人更新他们的位置向最好的个体最后迭代,可以制定如下: 在哪里t代表了tth迭代,一个和C两个系数向量,P_最好的是最好的个人到目前为止,P是一个单独的位置,| |代表了绝对值,然后呢·说明一个乘法中的元素。

在剥削(bubble-net觅食)阶段,个人位置更新基于其距离的最佳个体通过模拟helix-shaped运动鲸鱼,这是制定如下: 在哪里D= |P_最好的(t)−P(t)|代表最好的个体之间的距离和迄今为止获得的我个人,l是一个随机数(−1,1),然后呢b是一个常数用于定义对数螺线的形状。

在勘探(寻找猎物)阶段,个人位置更新使用一个随机选择的个体。数学模型如下所示: 在哪里P_兰德表示一个随机选择的个体。

WOA的详细流程图如图1,在那里p一个随机数在[0,1]。由于其竞争非常激烈的搜索能力,WOA已广泛应用于各领域(39- - - - - -41]。因此,我们考虑利用的有效搜索能力WOA RVFL网络寻求最优参数。

2.3。随机向量的功能链接(RVFL)神经网络

作为一种改性的多层感知器(MLP)模型,随机向量功能链接(RVFL)神经网络提出了Pao et al。42]。RVFL神经网络能够克服慢收敛,过度拟合,局部最小值本质上基于传统的梯度学习算法。如延时,RVFL神经网络的体系结构包括三层,如图2。主要修改RVFL网络是连接的网络结构。自从RVFL网络直接从输入层到输出层的连接,它可以执行比没有直接联系43,44]。

隐层的神经元,即增强节点,计算的总和输入层神经元的输出并获得它们的输出与激活功能: 在哪里表示之间的权重我_n和h_米,b_米代表的偏见米th神经元隐层,代表一个激活函数。

输出层神经元整合所有隐藏层和输入层神经元的输出,和最终的输出 在哪里代表之间的权重h_米和o_l和表明之间的权重我_n和o_l。

提高培训效率,RVFL神经网络利用给定的分布来解决的值和b_米和获得的权重和通过减少系统错误: 在哪里P表示训练样本的数量和t目标值,B的结合和 ,和d表示一个向量相结合。

RVFL神经网络已经证明非常有效和快速的预测能力,经常用于时间序列预测(44,45]。

3所示。MICEEMDAN-WOA-RVFL:提出了经济和金融时间序列预测方法

指“分解和合奏”,我们的框架设计multidecomposition并实现自我优化的混合模型,集成了多个ICEEMDANs, WOA,和RVFL网络,称为MICEEMDAN-WOA-RVFL,预测经济和金融时间序列。提出了混合模型的体系结构如图3。

我们建议MICEEMDAN-WOA-RVFL利用“分而治之”的思想,经常用于时间序列预测、图像处理、故障诊断等(46- - - - - -53]。过程的分解和合奏“MICEEMDAN-WOA-RVFL如下:(我)阶段1:分解:ICEEMDAN采用单独的原始时间序列分成几个子系列(即。,一些货币基金和一个残留物)。(2)阶段2:个人预测。每个分解子级数分为训练数据集和测试数据集,然后用WOA RVFL网络优化是发达在每个独立的训练数据集,最后,发达RVFL模型用于每个测试数据集。为什么我们选择RVFL网络作为预测是其强大的预测能力在现存的研究(15,34,44]。参数设置以来RVFL网络预测性能起着重要的作用,我们引入WOA RVFL网络寻求最优参数值在预测阶段。(3)第三阶段:合奏:所有的预测分解子系列聚合为最终的预测结果的一个“分解和合奏”使用加成聚合。

在这项研究中,以提高最终预测的准确性和稳定性,我们分解生成随机值参数的ICEEMDAN分解阶段,包括数量的实现(Nr)、噪声标准偏差(Nsd),最大数量的迭代(筛选马克斯_如果),为每个分解,重复“分解和合奏”的过程米次,最后,把所有的结果多个“分解和乐团”使用RMSE-weighted方法作为最终的预测结果。相应的重量我th预测模型如下: 在哪里米表示个体的模型和数量RMSE_我表明的RMSE值我在训练过程的预测模型。

尽管一些最近的研究也采用RVFL网络时间序列预测,他们显然不同于当前研究分解技术和网络优化:(1)他们使用WD或EMD将原始时间序列;(2)构建RVFL网络使用固定参数值。与以往的研究不同的是,我们的研究经济和金融时间序列分解使用ICEEMDAN和搜索最优参数值根据WOA RVFL网络。此外,以往的研究主要集中在原始时间序列除以一个分解或双分解(20.,35,54]。在对偶分解,首先将原始信号分解为多个组件,然后,高频组件继续分解为其他组件使用相同或不同的分解方法。本质上,对偶分解过程属于一个分解,只包括两个不同分解阶段。与以往的研究不同的是,在这项研究中是一个主要改进多个分解策略,从而成功地克服一个分解的随机性和进一步提高发达预测方法的预测精度和稳定性。据我们所知,这是第一次的多个分解策略是发展经济和金融时间序列的预测。

4所示。实验结果

4.1。数据描述

正如我们所知,经济和金融时间序列是受到各种因素的影响,有时会在短时间内提高而下降。戏剧性的波动通常导致显著的非线性和非平稳的时间序列。全面评估的有效性提出MICEEMDAN-WOA-RVFL,我们选择四个不同的时间序列,包括西德克萨斯中质原油(WTI)现货价格,美元/欧元汇率(美元/欧元),美国工业生产(IP)和上海证券交易所综合指数(SSEC),实验数据集。前三个数据集可以通过网站访问圣路易斯联储研究[55),最后一个可以获得通过网易的网站(56]。

每个时间序列分为两个subdatasets:第一个训练最后20%测试为80%。表1显示了划分样本上述四个经济和金融时间序列。

我们利用ICEEMDAN这些时间序列分解为相对简单的子系列组。图4提供一个例子,使用ICEEMDAN WTI数据集的分解。

4.2。评价指标

在这项研究中,我们使用四个评价指标,包括平均绝对百分比误差(日军)、根均方误差(RMSE),定向统计(Dstat)和Diebold-Mariano (DM)测试,以评估该模型的性能。其中,日军和RMSE是用来评估预测误差,定义如下: 在哪里N评估样品的大小,O_t表示实际值P_t代表了预测值t。RMSE值越低,日军,更好的预测模型。

Dstat指示方向的性能预测,制定如下: 在哪里d_我如果(= 1P_{t+ 1}−O_t)(O_{t+ 1}−O_t)≥0;否则,d_我= 0。更高的价值D_统计表明预测更准确的方向。

此外,测试的意义对模型的预测性能,我们采用Diebold-Mariano (DM)测试在这个研究。

4.3。实验设置

在这项研究中,我们比较建议MICEEMDAN-WOA-RVFL与几个先进的预测模型,包括单一模型和整体模型。在所有这些模型、单一模型包括一个流行的统计模型,RW和两个流行的人工智能模型。摘要利用和最小平方SVR (LSSVR)。整体模型来自单一的组合模型和ICEEMDAN的分解方法。

所有的详细参数预测模型,WOA ICEEMDAN分解方法和优化方法实验如表所示2。参数值的摘要、LSSVR RVFL, ICEEMDAN参考以前的文献[22,34,45]。

所有实验使用Matlab R2019b与64位微软的Windows PC 10 8 GB RAM和1.8 GHz i7 - 8565 u的CPU。

4.4。结果和分析

我们比较六种预测模型的预测性能,包括三种单一模型。

(LSSVR RW和摘要)和三种合奏模式(ICEEMDAN-RW、ICEEMDAN-LSSVR ICEEMDAN-BPNN)与我们的提议MICEEMDAN-WOA-RVFL日军,RMSE, Dstat。由于不同的视野,我们训练分别不同的预测模型。也就是说,我们使用该方案对不同视野训练不同的模型。表3- - - - - -5报告实验结果的每个评价指标与1 - 3 -,和6-horizon分别。

从表3,我们可以看到该MICEEMDAN-WOA-RVFL获得最低的(最好的)日军值的视野在所有的数据集。RW获得最好的日军的价值观的视野在所有的数据集在所有的单一模型相比,证明它比LSSVR和摘要经济和金融时间序列的预测。所有的整体模型,ICEEMDAN-LSSVR模型和ICEEMDAN-BPNN模型获得接近日军值,明显优于ICEEMDAN-RW。

的RMSE值在表列出四种时间序列数据集4。从这个表中,我们可以发现该MICEEMDAN-WOA-RVFL优于所有的单一和整体模型的视野在所有的数据集。统计模型RW获得最好的RMSE值10 12例,证明它是更适合经济和金融时间序列预测比LSSVR和摘要中单一模型。整体模型,提出MICEEMDAN-WOA-RVFL获得RMSE值低于整体模型相比,证明前者更有效的经济和金融时间序列预测。

表5显示了定向统计D_统计,我们可以看到MICEEMDAN-WOA-RVFL达到最高D_统计值在所有12例,表明它有更好的性能预测的方向。在单一的预测模型,LSSVR和RW获得最好的D_统计值5例,分别比摘要。同样,ICEEMDAN-LSSVR模型和ICEEMDAN-BPNN模型获得接近D_统计值,显然比ICEEMDAN-RW模型在所有12例。

从所有的预测结果,我们可以发现所有的集成预测模型,除了ICEEMDAN-RW大大优于相应的单一预测模型在所有12例,显示的框架分解和合奏改善预测性能是一种有效的工具。所有的模型相比,该MICEEMDAN-WOA-RVFL获得最高D_统计价值观和最低的日军和RMSE值在所有时间序列数据集,表明它完全优于基准预测模型。此外,对于每一个预测模型,而日军和RMSE值增加D_统计值降低的地平线。这表明更容易预测时间序列与短比长地平线。值得注意的是,该MICEEMDAN-WOA-RVFL仍然达到了相对良好的日军和RMSE模型相比增加的地平线。例如,当该模型获得0.7737D_统计WTI地平线6的数据集,它达到了日军相对较低(0.0113)和RMSE(0.8146),表明预测的值非常接近真实值虽然该模型没有方向约22.63%。换句话说,该MICEEMDAN-WOA-RVFL仍然可以达到令人满意的预测精度与地平线。

此外,我们可以发现多个分解策略并不能提高RW的预测模型。一个可能的解释是,RW推断过去的运动趋势的时间序列不能用于预测其未来的运动,因此,它不能利用历史数据和多个分解的多样性使未来的预测。因此,当我们聚合多个RW模型预测所有的分解子系列,我们只是把几个随机预测,因此,不能显著改善整体预测的结果。相比之下,LSSVR和摘要,以及RVFL,可以充分利用所有的历史数据和多个分解的多样性使未来的预测。具体来说,多个分解使用不同的参数生成许多团体不同的分解子系列,和分解的多样性可以成功地克服一个分解的随机性和进一步提高发达预测方法的预测精度和稳定性。

此外,Diebold-Mariano (DM)测试是用来评估的预测的准确性提出MICEEMDAN-WOA-RVFL是否显著优于其他模型相比的。表6显示统计数据和p值(在括号中)。

一方面,系综之间的DM统计值预测模型及其相应的单比零和相应的预测要低得多p值几乎是等于零的视野,除了RW模型,表明“分解和合奏”的体系结构有助于极大地提高预测准确性和ICEEMDAN和人工智能预测更有效的经济和金融时间序列预测。

另一方面,DM测试结果在所有四个时间序列数据集的预测表明,MICEEMDAN-WOA-RVFL明显比其他单一模型和整体模型的视野,和相应的p值远远低于0.01在所有的情况下。

总之,DM测试结果表明,结合多个ICEEMDANs RVFL网络,WOA优化可以显著提高预测精度的经济和金融时间序列预测。

5。讨论

更好地研究提出MICEEMDAN-WOA-RVFL,我们进一步讨论发达预测模型,包括比较单一的分解和多个分解,WOA的优化效果,在这个分段和合奏的影响大小。

5.1。比较单一的分解和多个分解

本研究的一个主要新奇事物的多个分解策略,从而成功地克服单一的随机分解,提高预测的准确性和稳定性预测模型。评估多个分解策略的有效性,我们比较MICEEMDAN-WOA-RVFL和ICEEMDAN-WOA-RVFL的预测结果。前乐团的预测结果米(米= 100)个人ICEEMDAN分解与随机参数,而后者只雇佣一个ICEEMDAN分解。我们随机选择100的分解和执行ICEEMDAN-WOA-RVFL时间序列预测。表7- - - - - -9报告日军、RMSE和D_统计的MICEEMDAN-WOA-RVFL值和五个ICEEMDAN-WOA-RVFL模型使用单一的分解和相应的平均值的5个模型使用单一的分解。

一方面,相比之下,五个单分解的预测结果和均值预测结果,提出MICEEMDAN-WOA-RVFL达到最低的日军和最高的D_统计值在所有12例和RMSE值最低的11 12例,表明多个分解策略可以成功克服单一的随机分解,提高预报精度。

另一方面,我们可以发现多个分解策略可以大大提高预测模型的稳定性。例如,日军的范围的五个单值分解模型在IP层6时间序列数据集从0.0034到0.1114,这表明不同单一分解会产生预测结果差异较大。当我们采用多重分解策略,我们可以克服单一的分解和随机性,因此,提高预测的稳定性。

总之,实验结果表明,该多个分解策略和预测合奏可以有效地提高预测精度和稳定性。预测的改进的主要原因在于三个方面:(1)多重分解可以同时减少一个分解的随机性和生成组微分子系列;(2)使用这些组微分预测子系列可以实现不同的预测结果;和(3)的选择和搭配这些不同预测结果可以确保准确性和多样性,因此,提高最终的整体预测。

5.2。优化WOA的有效性

当我们使用RVFL网络构造预测,许多参数需要设置。在这项研究中,介绍了WOA搜索的最优参数值RVFL预测使用其强大的优化能力。探讨优化WOA参数搜索的有效性,我们比较建议的MICEEMDAN-RVFL MICEEMDAN-WOA-RVFL没有WOA优化。根据文献[45),我们固定隐藏神经元的数量N_他= 100,激活函数函数=乙状结肠和随机的类型兰德=高斯在MICEEMDAN-RVFL。日军,RMSE,D_统计值在表10- - - - - -12,分别。

在所有四个时间序列数据集,提出MICEEMDAN-WOA-RVFL模型的预测性能优于或等于没有WOA MICEEMDAN-RVFL模型的优化在所有12例除了SSEC RMSE值与地平线1的数据集的日军和RMSE,表中列出10和11。此外,MICEEMDAN-WOA-RVFL获得更高D_统计值在10的12例,表中可以看到12。所有结果表明,WOA可以有效地搜索最优参数设置RVFL网络,进一步提高预测的整体性能。

5.3。整体大小的影响

先前的研究表明,使用所有单个预测模型的整体战略不太可能工作得很好,单个预测模型的选择有助于提高整体预测性能(57]。在这项研究中,我们所有单个预测模型基于他们过去的表现(RMSE值),然后,选择顶部N百分比随着合奏大小构建预报模型。进一步研究整体的影响大小在整体预测,我们使用不同的整体大小(西文…= 10%,20%,100%)选择N百分比单个预测模型的发展领先一步的整体预测模型,进行预测实验的四个时间序列数据集。结果显示在图5。

我们可以看到,WTI MICEEMDAN-WOA-RVFL获得最佳的预测性能,IP, SSEC合奏时数据集的大小西文20% - -40%的范围,在美元/欧元数据集整体尺寸西文在10% - -40%的范围的日军,RMSE,然后呢D_统计。当西文大于40%,日军和RMSE值继续恶化,成为最糟糕的合奏时大小增长到100。实验结果表明,整体规模整体显著影响整体预测,和理想范围的整体大小大约是20%到40%。

6。结论

为了更好地预测经济和金融时间序列,我们提出一种新颖的multidecomposition和自优化整体预测模型MICEEMDAN-WOA-RVFL结合多个ICEEMDANs, WOA, RVFL网络。MICEEMDAN-WOA-RVFL首先使用ICEEMDAN用单独的原始经济和金融时间序列组子系列很多次,然后,RVFL网络用于单独预测每一个分解的分解子系列。同时,WOA介绍优化RVFL网络,进一步提高预测精度。第三,预测每一个分解的子系列集成到每个分解使用的预测结果。最后,每一个分解的预测结果是选择基于RMSE值并结合作为最终的预测结果。

据我们所知,这是第一次,WOA是用于寻找最优参数RVFL网络和多个分解策略介绍了时间序列预测。实证结果表明,(1)该MICEEMDAN-WOA-RVFL显著提高预测精度在不同的经济和金融时间序列预测;(2)WOA可以有效地搜索最优参数RVFL网络和改善预测性能的经济和金融时间序列预测;和(3)的多重分解策略能够成功克服单一的随机分解,提高预测的准确性和稳定性预测模型。

我们将扩展我们的研究在未来在两个方面:(1)应用MICEEMDAN-WOA-RVFL预测更多的经济和金融时间序列和(2)改善单个预测模型的选择和搭配方法,进一步提高了预测的性能。

数据可用性

使用的数据来支持本研究的结果包括在本文中。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作得到了中央大学基础研究基金(批准号JBK2003001),教育部人文社会科学项目(批准号。19 yjazh047和16 xjazh002),和四川省教育部门的科学研究基金(批准号17 zb0433)。