区间值序列与区间值函数列的收敛性

借助区间值空间上的Hausdorff度量(距离),引入了区间值序列及其收敛性概念、区间值函数列及其收敛性概念,并给出一些相关性质。

一类区间值时间序列IO型异常点检测方法及其在金融时序分析中的应用

针对区间值时间序列的异常点检测问题,从区间数据的区间中心和区间半径出发,基于ARIMA的点值时间序列IO型异常点检测原理,构造一类区间值时间序列IO型异常区间的检测方法。其中,对区间值时间序列IO型异常区间的概念和类型进行了具体的界定,给出了区间值时间序列IO型异常区间的检测步骤。最后,针对上证指数2016年1月4日到2018年12月28日每日最高价和最低价构成区间值时间序列且其每日收盘价构成点值时间序列,用所提方法进行IO型异常区间的检测,通过和传统点值异常检测结果的对比分析表明,所提方法能够更有效地识别出金融时间序列中存在的异常状况。

基于Vague集的时间序列聚类算法

在区间值时间序列的基础上,重点讨论了区间值时间序列的聚类算法。对于区间个数相等的Vague集,提出了Vague集之间的相似度量。分析了传统模糊聚类方法,特别是基于模糊等价矩阵的聚类方法和编网法聚类方法的不足,根据编网法的思想,设计了区间值时间序列Vague集聚类快速算法,降低了计算复杂度。

区间值时间序列预测效果测度研究

传统的区间时间序列有效性度量方法在处理具有同等水平绝对误差的不同区间信息时具有一定的局限性,为了更全面的反映区间值时间序列的预测效果,本文基于区间的相对位置,提出了包含可信度,有效度,趋势误差和动态相关性指标等在内的多个预测效果测度。本文首先就传统的区间值预测效果测度进行了梳理和定性分析,就不同位置的预测区间所体现的预测效果及其测度进行了分析和定义。为从整体上对多个区间值预测结果进行调整和优化,提出区间值组合预测方法,并基于所构建预测效果测度构建最优化模型确定组合预测各单项方法的权重,结合上证综合指数的实例表明所提方法的可行性和合理性。

考虑协整的VECM-CoinSVR区间预测组合模型

为了提高区间预测的精度,提出一种考虑时间序列上下限协整关系的区间预测组合模型(VECM-CoinSVR).首先,用向量误差修正模型(VECM)捕获时间序列的线性成分,得到VECM的预测结果和预测残差序列;其次,通过协整检验获得残差序列上下限之间的协整向量,把该向量与残差序列的历史数据作为支持向量回归模型(SVR)的输入,得到Coin-SVR模型,并对残差序列进行预测;最后,将VECM的预测结果和残差序列Coin-SVR的预测结果相加得到区间组合预测结果.为了验证模型的有效性,将VECM-CoinSVR模型用于全国市场的牛肉、羊肉和活鸡价格的区间预测,与三个单模型(VECM,SVR, Coin-SVR)进行比较,在MAPE、MSEI和U;三个预测精度指标上,VECM-CoinSVR组合模型的预测精度都明显提高.通过区间中心序列点预测结果的比较分析,进一步论证了区间预测优于点预测的观点.