基于自适应增量集成学习的非平稳金融时间序列预测

金融市场对于社会经济的发展非常重要,因此金融时间序列预测(Financial time series prediction,FTSP)一直是人们研究的焦点.至今,许多基于统计分析和软计算的方法被提出以解决FTSP问题,其中大多数方法将金融时间序列(Financial time series,FTS)视为或转化为平稳序列进行处理.但是,由于绝大部分FTS是非平稳的,因此这些方法通常存在伪回归或预测性能不佳等问题.本文提出了一种自适应增量集成学习(Self?adaptive incremental ensemble learning,SIEL)算法,用于解决非平稳金融时间序列预测(Non?stationary FTSP,NS?FTSP)问题.SIEL算法的主要思想是为每个非平稳金融时间序列(Non?stationary FTS,NS?FTS)子集增量地训练一个基模型,然后使用自适应加权规则将各基模型组合起来.SIEL算法的重点在于数据权重和基模型权重的更新:数据权重基于当前集成模型在最新数据集上的性能进行更新,其目的不是为了数据采样,而是为了权衡误差;基模型权重基于其所处环境进行自适应更新,且基模型在越新环境下的性能应具有越高的权重.此外,针对NS?FTS的特征,SIEL算法提出了一种能协调新旧知识以及应对环境重演的策略.最后,给出了SIEL算法在3个NS?FTS数据集上的实验结果,并将其与已有算法进行了对比.实验结果表明,SIEL算法能很好地解决NS?FTSP问题.