基于模型遴選規(guī)則的自適應組合預測研究.pdf

1、預測是關于未來的描述。提高預測能力，加強預測精度一直是眾多學者所關注的熱點和孜孜以求的目標。對于同一個預測對象，可以通過不同的預測模型進行預測，每一種預測模型均基于不同信息集并在一定假設條件下給出。由于信息不對稱與預測水平的差異，某個模型在一定時期或者一定環(huán)境下的預測精度可能高于其他競爭模型;而當環(huán)境發(fā)生變化時，該模型的預測精度卻可能很差。因此，如何在提高預測精度的同時，降低預測的不確定性，也就是預測的風險，是本文所關注的問題。

2、　　J.M.Bates和C.W.J.Grange第一次提出了“組合預測”的思想，通過把不同的單項預測模型用特定的組合方法進行組合，來提高預測的精度。雖然關于組合預測的文獻有很多，但主要集中在新的組合方法特別是智能算法研究上;對于組合預測的精度研究也大多局限在樣本擬合上，缺少實踐價值。此外，現(xiàn)有的研究很少涉及到在不同的預測環(huán)境下，如何進行組合預測中單項預測模型的遴選及組合方法的遴選。
　　論文首先證明了組合預測的優(yōu)勢是:在保證預測的

3、精度的同時，最大程度地降低預測的風險。根據(jù)不同的標準，選擇了十二個單項預測模型作為備選模型;利用權(quán)威的M3-Competition作為樣本序列進行實證分析，證明了組合預測的精度超過了大多數(shù)單項預測模型;但如果與預測精度最優(yōu)的單項預測模型相比，組合預測并無優(yōu)勢。
　　其次，本文對M3-Competition樣本進行了組合預測實證分析，證明了簡單組合方法并不比復雜智能組合方法的精度差。在眾多的組合預測方法中，簡單方法與復雜方法一直存在

4、孰優(yōu)孰劣的爭論，復雜模型往往能夠很好的擬合樣本數(shù)據(jù)，并通過顯著性很強的假設檢驗;但由于將相同數(shù)據(jù)段同時用于參數(shù)估計和模型結(jié)構(gòu)識別的傳統(tǒng)做法，更由于模型存在不確定性，所得模型很可能僅具有預測精度高的假象。
　　然后，論文研究了如何根據(jù)實際的預測環(huán)境，對備選的單項模型進行遴選。通過計算不同單項預測模型數(shù)量下的組合預測結(jié)果，證明了組合預測中單項模型的數(shù)量并非越多越好，最佳的單項模型數(shù)為不超過五個?，F(xiàn)有的組合預測研究在選擇單項模型時很隨意

5、，忽視了預測對象內(nèi)在的特征;論文通過協(xié)整驗證和包容檢驗，輔以實證分析，給出了單項模型的遴選方法。
　　接著，基于實證分析，論文通過偏度分析、單項模型預測誤差方差比、誤差相關性等指標，給出了一個基于專家選擇的組合預測方法遴選原理;并根據(jù)該原理，建立了一個基于巴克斯范式的組合預測模型遴選規(guī)則，提高了組合預測的精度和穩(wěn)定性。
　　最后，考慮到預測對象的內(nèi)部特性可能隨著時間的變化而發(fā)生變化，而且組合預測方法也可能用于不同的預測領域，