第1章 时间序列分析概述 1
1.1关于时间序列分析 1
1.1.1引例 1
1.1.2 时间序列分析及预测的产生与发展 7
1.2时间序列分析的基本步骤 9
1.2.1特征分析 9
1.2.2 模型识别 10
1.2.3模型参数估计 11
1.2.4模型检验 11
1.2.5 模型应用 12
1.3时间序列分析软件 12
本章小结 13
思考题 14
第2章 时间序列分析的基本概论 15
2.1随机过程 15
2.1.1随机过程的相关概念 15
2.1.2随机过程的分布及其特征 16
2.1.3几种重要的随机过程 18
2.2平稳随机过程 18
2.3时间序列的平稳性与非平稳性 20
2.4时间序列数据的预处理 21
2.4.1平稳性检验 21
2.4.2正态性检验 24
2.4.3独立性检验 26
2.4.4异常点的检验与处理 27
本章小结 27
思考题 28
第3章 时间序列模型及预测方法 29
3.1几种典型的时间序列模型 29
3.1.1向量自回归模型 29
3.1.2滑动平均模型 32
3.1.3向量自回归滑动平均模型 33
3.1.4向量误差修正模型 35
3.1.5自回归条件异方差模型 37
3.2最小均方误差预测 39
3.3区间预测 41
3.4基于计算智能技术的时间序列模型及预测方法 42
3.4.1人工神经网络模型及预测方法 43
3.4.2贝叶斯网络模型及预测方法 46
3.4.3支持向量机预测方法 47
3.5平稳时间序列模型的建立 48
3.5.1模型识别与定阶 48
3.5.2模型参数估计 54
本章小结 58
思考题 59
第4章 模糊时间序列模型及预测方法 61
4.1引言 61
4.2模糊集合的基础知识 62
4.2.1模糊集合的概念 62
4.2.2模糊集合的运算 66
4.2.3 λ水平截集及分解定理 68
4.3模糊时间序列预测模型 72
4.3.1模糊时间序列模型简介 72
4.3.2模糊时间序列模型及其基本框架 74
本章小结 80
思考题 80
第5章 基于信息粒度的模糊时间序列模型及预测 82
5.1引言 82
5.2基于信息粒度和模糊聚类的论域划分方法 82
5.2.1方法的理论知识 82
5.2.2本节提出的论域划分方法 85
5.3基于信息粒度的模糊时间序列模型 87
5.4仿真实验与分析 89
5.4.1 Alabama大学入学人数预测 89
5.4.2 DAX股票月值指数预测 94
本章小结 97
思考题 97
第6章 包含时域信息的模糊时间序列模型及预测 99
6.1引言 99
6.2包含时间变量信息的论域划分方法 100
6.2.1方法的理论知识 100
6.2.2本节提出的论域划分方法 102
6.3包含时间信息的模糊时间序列模型 105
6.4实验结果与分析 106
6.4.1 Alabama大学入学人数预测 106
6.4.2 TAIEX预测 112
本章小结 116
思考题 116
第7章 基于Granger相关性的时间序列模型及预测 118
7.1引言 118
7.2基础知识 119
7.2.1 Granger相关性及假设检验 119
7.2.2利用神经网络识别函数关系 121
7.3基于Granger相关性的时间序列模型 121
7.4实验结果与分析 123
7.4.1人工合成数据预测 124
7.4.2真实数据预测 128
本章小结 132
思考题 132
参考文献 134
附录A标准正态分布表 139
附录B t分布的分位点 141
附录C F分布上侧α分位数表 143
附录D x2分布表 149
附录E协整检验临界值表 151