Traditionally, the autoregressive i

Traditionally, the autoregressive integrated moving average (ARIMA) model has been one of the most widely used linear
models in time series forecasting. However, the ARIMA model cannot easily capture the nonlinear patterns. Support vector
machines (SVMs), a novel neural network technique, have been successfully applied in solving nonlinear regression estimation problems. Therefore, this investigation proposes a hybrid methodology that exploits the unique strength of the ARIMA model and the SVMs model in forecasting stock prices problems. Real data sets of stock prices were used to examine the forecasting accuracy of the proposed model. The results of computational tests are very promising.

2004 Elsevier Ltd. All rights reserved

ผลลัพธ์ (ไทย) 1:

ประเพณี autoregressive รวมเคลื่อนเฉลี่ย (ARIMA) แบบจำลองได้รับหนึ่งที่ใช้กันอย่างแพร่หลายเส้น แบบจำลองในการคาดการณ์เวลาชุด อย่างไรก็ตาม แบบจำลอง ARIMA ไม่สามารถถ่ายรูปแบบไม่เชิงเส้น สนับสนุนเวกเตอร์เครื่อง (SVMs), เทคนิคโครงข่ายประสาทนวนิยาย ถูกใช้ในการแก้ปัญหาการประมาณการถดถอยเชิงเส้นเรียบร้อย ดังนั้น การตรวจสอบนี้เสนอวิธีไฮบริดที่นำความแข็งแรงเฉพาะแบบจำลอง ARIMA และ SVMs รูปแบบในการคาดการณ์ปัญหาราคาหุ้น ชุดข้อมูลที่แท้จริงของราคาหุ้นถูกใช้เพื่อตรวจสอบความถูกต้องการคาดการณ์ของแบบจำลองนำเสนอ ผลการคำนวณทดสอบมีแนวโน้มมาก2004 Elsevier จำกัด สงวนลิขสิทธิ์

ผลลัพธ์ (ไทย) 2:

ตามเนื้อผ้าอัตรวมค่าเฉลี่ยเคลื่อนที่ (ARIMA) รุ่นได้รับหนึ่งที่ใช้กันอย่างแพร่หลายในเชิงเส้น
รูปแบบในการพยากรณ์อนุกรมเวลา อย่างไรก็ตามรูปแบบ ARIMA ไม่สามารถจับภาพรูปแบบไม่เชิงเส้น เวกเตอร์สนับสนุน
เครื่อง (SVMs) เทคนิคเครือข่ายประสาทนวนิยายที่ได้รับการใช้ประสบความสำเร็จในการแก้ปัญหาการประมาณค่าการถดถอยแบบไม่เชิงเส้น ดังนั้นการตรวจสอบนี้นำเสนอวิธีการไฮบริดที่ใช้ประโยชน์จากความแรงที่ไม่ซ้ำกันของรูปแบบ ARIMA และรูปแบบในการพยากรณ์ SVMs ปัญหาราคาหุ้น ชุดข้อมูลที่แท้จริงของราคาหุ้นที่ถูกนำมาใช้ในการตรวจสอบความถูกต้องของการคาดการณ์ของรูปแบบที่นำเสนอ ผลที่ได้จากการทดสอบการคำนวณที่มีแนวโน้มมาก.
? 2004 เอลส์ จำกัด สงวนลิขสิทธิ์

ผลลัพธ์ (ไทย) 3:

ตามธรรมเนียม , ตัวเองรวมเฉลี่ยเคลื่อนที่ ( ARIMA ) รุ่นได้รับหนึ่งในที่สุดที่ใช้กันอย่างแพร่หลาย เชิงเส้นแบบจำลองในการพยากรณ์อนุกรมเวลา อย่างไรก็ตาม โมเดลอริมาไม่สามารถจับเส้นลวดลาย เวกเตอร์ที่สนับสนุนเครื่อง ( แบบ ) , เทคนิคโครงข่ายประสาทเทียมใหม่ ได้รับเรียบร้อยแล้ว ใช้ในการถดถอยเชิงเส้นการแก้ไขปัญหา ดังนั้น การศึกษานี้เสนอวิธีการที่ใช้ประโยชน์จากพลังไฮบริดที่ไม่ซ้ำกันของรูปแบบและรูปแบบการตลาดแบบในการพยากรณ์ราคาปัญหาสต็อก ชุดข้อมูลที่แท้จริงของราคาหุ้นถูกใช้ในการตรวจสอบความถูกต้องในการพยากรณ์ของแบบจำลอง ผลของการทดสอบการคำนวณมีแววมาก2004 บริษัท จำกัด