文摘
英文文摘
声明
第一章 绪论
1.1 前言
1.2 时间序列模型的发展及国内外研究现状
1.2.1 线性时间序列模型
1.2.2 非线性时间序列模型
1.2.3 神经网络及其混合模型
1.2.4 金融市场波动率模型
1.3 模型的估计方法及国内外研究现状
1.3.1 传统基于梯度的优化方法
1.3.2 计算智能中的进化算法
1.3.3 混合优化方法
1.3.4 模型的定阶
1.4 本文的研究内容和结构安排
第二章 基于RBF-AR模型的非线性时间序列预测
2.1 概述
2.2 问题的描述
2.3 RBF-AR模型
2.4 RBF-AR模型的稳定性分析
2.5 RBF-AR模型估计方法
2.5.1 参数分类
2.5.2 初始化
2.5.3 优化
2.6 数值实验及分析
2.6.1 预测加拿大山猫时间序列
2.6.2 预测太阳黑子时间序列
2.6.3 预测Mackey-Glass混沌时间序列
2.6.4 预测Lorenz吸引子混沌时间序列
2.7 本章小结
第三章 不同基函数对RBF-ARX模型的影响研究
3.1 概述
3.2 RBF-ARX模型
3.3 基函数
3.4 比较实验
3.4.1 Mackey-Glass时间序列
3.4.2 Lorenz吸引子时间序列
3.4.3 Box-Jenkins煤气炉时间序列
3.5 本章小结
第四章 基于带回归权重RBF网络的状态相依AR模型
4.1 概述
4.2 RBFRW-AR模型
4.3 RBFRW-AR模型的稳定性
4.4 RBFRW-AR模型的估计
4.4.1 参数分类
4.4.2 初始化
4.4.3 优化
4.5 应用
4.5.1 指数自回归和平滑转移自回归过程
4.5.2 扭曲长记忆自回归时间序列
4.5.3 Mackey-Glass混沌时间序列
4.5.4 Lorenz吸引子时间序列
4.5.5 EEG时间序列
4.6 本章小结
第五章 RBF型模型的全局-局部混合优化方法
5.1 RBF神经网络参数估计的两种混合优化算法
5.1.1 RBF神经网络结构
5.1.2 第一种混合优化算法
5.1.3 第二种混合优化算法
5.1.4 中心数目的确定
5.1.5 数值实验及分析
5.2 进化优化RBF网络结构和参数
5.2.1 编码策略
5.2.2 进化优化RBF神经网络
5.2.3 预测Box-Jenkins煤气炉数据
5.2.4 预测Mackey-Glass时间序列
5.3 RBF-AR(X)模型的全局-局部混合优化方法
5.3.1 全局-局部混合优化方法
5.3.2 预测Mackey-Glass混沌时间序列
5.3.3 建模三容水箱系统
5.4 本章小结
第六章 多目标优化与自适应惩罚的混合约束优化进化算法
6.1 概述
6.2 约束优化问题及其相关定义
6.3 相关工作
6.4 提出方法的描述
6.4.1 一种自适应的决策者(ADM)
6.4.2 一种基于群的算法发生器模型
6.4.3 交叉算子
6.4.4 算法框架
6.5 数值实验及分析
6.5.1 测试函数和实验条件
6.5.2 提出方法的结果
6.5.3 与其它算法结果比较
6.5.4 自适应决策者的有效性分析
6.5.5 等式约束转换容忍值的影响
6.5.5 参数λ对算法的影响
6.6 约束进化算法优化RBF-AR模型
6.7 本章小结
第七章 基于金融市场微结构模型和进化算法的最优动态资产分配
7.1 概述
7.2 模型
7.2.1 Bouchaud-Cont模型
7.2.2 连续时间微结构模型
7.2.3 离散时间微结构模型
7.3 模型参数的估计
7.3.1 Kalman滤波和对数似然函数
7.3.2 基于一种进化模型的参数优化
7.3.3 仿真实验
7.3.4 深证综合指数时间序列建模
7.3.5 长江实业时间序列建模
7.4 动态资产分配控制
7.4.1 动态资产分配策略
7.4.2 门限参数的优化
7.4.3 深证综合指数时间序列资产分配控制
7.4.4 长江实业时间序列资产分配控制
7.5 本章小结
第八章 结论与展望
8.1 结论
8.2 展望
参考文献
附录1
攻读学位期间主要的研究成果