For more than half a century, the a

For more than half a century, the autoregressive integrated moving average model has dominated many areas of time
series forecasting. Recently, ANN has demonstrated the capability to capture the nonlinear data pattern. This study is
motivated by evidence that different forecasting models can complement each other in approximating data sets, and proposed a hybrid model of the ARIMA and the SVMs. The presented model is believed to greatly improve the prediction
performance of the single ARIMA model or the single SVMs model in forecasting stock prices. Theoretically as
well as empirically, hybridizing two dissimilar models reduces forecasting errors [31,32]. However, future research
should address some problems. This study demonstrated that a simple combination of the two best individual models
does not necessarily produce the best results. Therefore, the structured selection of optimal parameters of the hybrid
model is of great interest.

ผลลัพธ์ (ไทย) 1:

กว่าครึ่งศตวรรษ autoregressive รวมเคลื่อนเฉลี่ยแบบได้ครอบงำหลายพื้นที่เวลาชุดการคาดการณ์ เมื่อเร็ว ๆ นี้ แอนได้แสดงให้เห็นความสามารถในการถ่ายรูปแบบข้อมูลเชิงเส้น การศึกษานี้คือแรงจูงใจจากหลักฐานที่แตกต่างกันการคาดการณ์รุ่นสามารถส่งเสริมกันในชุดข้อมูลที่ใกล้เคียง และแบบไฮบริด ARIMA และ SVMs ที่เสนอ รูปแบบนำเสนอเชื่อว่าจะช่วยปรับปรุงการคาดการณ์ประสิทธิภาพของแบบจำลอง ARIMA เดียวหรือแบบ SVMs เดียวในการคาดการณ์ราคาหุ้น ในทางทฤษฎีเป็นตลอดจนเชิงประสบการณ์ด้วย hybridizing สองรุ่นแตกต่างกันลดการคาดการณ์ผิดพลาด [31,32] อย่างไรก็ตาม วิจัยในอนาคตควรแก้ปัญหาบางอย่าง การศึกษานี้แสดงให้เห็นว่าการรวมง่ายของสองที่ดีที่สุดแต่ละรุ่นไม่จำเป็นต้องให้ผลลัพธ์ที่ดีที่สุด ดังนั้น การเลือกโครงสร้างของพารามิเตอร์ของไฮบริรุ่นที่น่าสนใจ

ผลลัพธ์ (ไทย) 2:

เป็นเวลากว่าครึ่งศตวรรษอัตแบบบูรณาการรูปแบบการเคลื่อนไหวเฉลี่ยได้ครอบงำหลายพื้นที่ของเวลา
การพยากรณ์อนุกรม เมื่อเร็ว ๆ นี้แอนได้แสดงให้เห็นความสามารถในการจับภาพรูปแบบข้อมูลที่ไม่เป็นเชิงเส้น การศึกษาครั้งนี้เป็น
แรงบันดาลใจจากหลักฐานที่แสดงว่ารูปแบบการพยากรณ์ที่แตกต่างกันสามารถเติมเต็มซึ่งกันและกันในการใกล้เคียงกับชุดข้อมูลและนำเสนอรูปแบบไฮบริดของ ARIMA และ SVMs รูปแบบที่นำเสนอเชื่อว่าจะช่วยปรับปรุงการทำนาย
ผลการดำเนินงานของรูปแบบ ARIMA เดียวหรือรูปแบบ SVMs เดียวในราคาหุ้นคาดการณ์ ในทางทฤษฎีเป็น
เดียวกับการสังเกตุ hybridizing สองรูปแบบที่แตกต่างกันลดข้อผิดพลาดในการคาดการณ์ [31,32] อย่างไรก็ตามการวิจัยในอนาคต
ควรจะแก้ไขปัญหาบางอย่าง การศึกษาครั้งนี้แสดงให้เห็นว่าการรวมกันที่เรียบง่ายของทั้งสองรุ่นที่ดีที่สุดของแต่ละบุคคล
ไม่จำเป็นต้องผลิตผลลัพธ์ที่ดีที่สุด ดังนั้นการเลือกของพารามิเตอร์ที่เหมาะสมของไฮบริดที่มีโครงสร้าง
รูปแบบที่น่าสนใจมาก

ผลลัพธ์ (ไทย) 3:

เป็นเวลากว่าครึ่งศตวรรษ , ตัวเองรวมเฉลี่ยเคลื่อนที่แบบมีความโดดเด่นหลายพื้นที่เวลาการพยากรณ์อนุกรม . เมื่อเร็ว ๆนี้ได้แสดงให้เห็นถึงความสามารถของแอน บันทึก ข้อมูลเชิงเส้นรูปแบบ การศึกษา คือแรงบันดาลใจ จากหลักฐานที่แตกต่างกันแบบพยากรณ์สามารถเติมเต็มซึ่งกันและกันในประเภทชุดข้อมูล และการนำเสนอรูปแบบของไฮบริดพยากรณ์และแบบ . เสนอแบบจำลองที่เชื่อว่าช่วยเพิ่มการคาดการณ์ประสิทธิภาพของแบบจำลองหรือโมเดลแบบเดี่ยวเดี่ยวในการพยากรณ์ราคาหุ้น ในทางทฤษฎี เช่นรวมทั้งจากผล hybridizing สองรุ่นแตกต่างกันลดการคาดการณ์ผิด [ 31,32 ] อย่างไรก็ตาม ในการวิจัยในอนาคตควรแก้ไขปัญหาบางอย่าง การศึกษานี้พบว่า การรวมกันของทั้งสองโมเดลที่ดีที่สุดแต่ละง่ายไม่จําเป็นต้องสร้างผลลัพธ์ที่ดีที่สุด ดังนั้น การเลือกพารามิเตอร์ที่เหมาะสมที่สุดของโครงสร้างผสมโมเดลที่น่าสนใจมาก