应用ARFIMA模型对金融时间序列长期记忆性的研究[PDF].pdf

2024-06-29

10

7.8MB

基于ARFIMA模型的长记忆性参数度量方法比较研究.docx

基于ARFIMA模型的长记忆性参数度量方法比较研究标题：基于ARFIMA模型的长记忆性参数度量方法比较研究摘要：自回归分数移动平均模型（ARFIMA）是一种用于时间序列分析和预测的模型，其具有捕捉长期记忆效应的能力。随着ARFIMA模型在金融、经济和其他领域的广泛应用，对于其长记忆性参数度量方法的比较研究显得尤为重要。本文通过对比不同的长记忆性参数度量方法，包括分数阶差分、持续时间法和Hurst指数，对ARFIMA模型的性能进行评估，并给出了一些建议和实践意义。关键词：ARFIMA模型，长记忆性参数，分数

2024-10-20

5

11KB

时间序列短期预测和长记忆性研究.pptx

,目录PartOnePartTwo时间序列预测的重要性和应用领域短期预测和长记忆性的研究现状研究目的和意义PartThree传统时间序列短期预测方法机器学习在短期预测中的应用深度学习在短期预测中的应用短期预测方法的比较和评估PartFour长记忆性的定义和检测方法长记忆性在时间序列分析中的应用长记忆性对预测精度的影响长记忆性研究的局限性和未来发展方向PartFive数据集介绍和预处理实验方法和模型选择实验结果分析和比较结果的可视化和解释PartSix研究结论总结本研究的贡献和局限性对未来研究的建议和展望T

2024-10-02

20

4.5MB

时间序列ARMA模型的应用.docx

时间序列ARMA模型的应用时间序列ARMA模型的应用时间序列是指在时间上连续测量的一组数据，是描述各种现象和经济变量的重要工具。时间序列分析是针对时间序列进行的一种分析方法，旨在通过对时间序列历史数据的分析和特征提取，对未来的趋势进行预测。ARMA模型是时间序列分析中最为常用的模型之一，它结合了自回归（AR）模型和移动平均（MA）模型的优点，能够捕捉到时间序列的自相关和随机性。ARMA模型的全称为“自回归移动平均模型”（AutoregressiveMovingAverageModel），它可以描述时间序列

2024-11-16

5

11KB

WA--ANN模型在水文时间序列长期预报中的应用的中期报告.docx

WA--ANN模型在水文时间序列长期预报中的应用的中期报告随着水文气象学的发展，利用气象和水文数据以及模型来预测年降水量、径流和汛期等变量已成为水资源管理和防洪减灾的基础。传统的统计模型和物理模型都有其局限性，而人工神经网络（Artificialneuralnetwork，ANN）模型因其具有自学习和适应能力，能够处理非线性和多变量的问题，近年来在水文时间序列长期预报中越来越受到关注。本中期报告旨在探讨ANN模型在水文时间序列长期预报中的应用，具体包括模型原理、建模方法、数据预处理、模型优化及评价等方面。

2024-10-15

5

12KB