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 รวมเคลื่อนเฉลี่ยแบบได้ครอบงำหลายพื้นที่ของเวลาชุดการคาดการณ์ เมื่อเร็ว ๆ นี้ แอนได้แสดงให้เห็นความสามารถในการถ่ายรูปแบบข้อมูลเชิงเส้น การศึกษานี้เป็นแรงบันดาลใจ โดยหลักฐานที่แตกต่างกันที่การคาดการณ์สามารถส่งเสริมกันในชุดข้อมูลที่ใกล้เคียง และแบบไฮบริด ARIMA และ SVMs ที่เสนอ รูปแบบนำเสนอเชื่อว่าช่วยปรับปรุงประสิทธิภาพการคาดเดาของอาริมะแบบเดี่ยวหรือแบบ SVMs เดียวในการคาดการณ์ราคาหุ้น ในทางทฤษฎี เป็นเชิงประสบการณ์ ด้วย hybridizing สองรุ่นแตกต่างกันช่วยลดการคาดการณ์ผิดพลาด [31,32] อย่างไรก็ตาม การวิจัยในอนาคตควรจัดการปัญหาบางอย่าง การศึกษานี้แสดงให้เห็นว่า การรวมง่ายของสองดีที่สุดแต่ละรุ่นไม่จำเป็นต้องผลิตที่ดีที่สุด ดังนั้น การเลือกโครงสร้างพารามิเตอร์ของรูปแบบไฮบริดสลีจะน่าสนใจมาก

ผลลัพธ์ (ไทย) 2:

เป็นเวลากว่าครึ่งศตวรรษอัตแบบบูรณาการรูปแบบการเคลื่อนไหวเฉลี่ยได้ครอบงำหลายพื้นที่ของการพยากรณ์อนุกรมเวลา เมื่อเร็ว ๆ นี้แอนได้แสดงให้เห็นความสามารถในการจับภาพรูปแบบข้อมูลที่ไม่เป็นเชิงเส้น การศึกษาครั้งนี้เป็นแรงจูงใจจากหลักฐานที่แสดงว่ารูปแบบการพยากรณ์ที่แตกต่างกันสามารถเติมเต็มซึ่งกันและกันในการใกล้เคียงกับชุดข้อมูลและนำเสนอรูปแบบไฮบริดของ ARIMA และ SVMs รูปแบบที่นำเสนอเชื่อว่าจะช่วยเพิ่มประสิทธิภาพการทำนายของรูปแบบ ARIMA เดียวหรือรูปแบบ SVMs เดียวในราคาหุ้นคาดการณ์ ในทางทฤษฎีเช่นเดียวกับการสังเกตุ hybridizing สองรูปแบบที่แตกต่างกันลดข้อผิดพลาดในการคาดการณ์ [31,32] อย่างไรก็ตามการวิจัยในอนาคตควรจะแก้ไขปัญหาบางอย่าง การศึกษาครั้งนี้แสดงให้เห็นว่าการรวมกันที่เรียบง่ายของทั้งสองรุ่นที่ดีที่สุดของแต่ละบุคคลไม่จำเป็นต้องผลิตผลลัพธ์ที่ดีที่สุด ดังนั้นการเลือกของพารามิเตอร์ที่เหมาะสมของรูปแบบไฮบริดที่มีโครงสร้างเป็นที่น่าสนใจมาก

ผลลัพธ์ (ไทย) 3:

เป็นเวลากว่าครึ่งศตวรรษ , ตัวเองรวมเฉลี่ยเคลื่อนที่แบบมีความโดดเด่นหลายพื้นที่ของการพยากรณ์อนุกรมเวลา เมื่อเร็ว ๆนี้ได้แสดงให้เห็นถึงความสามารถของแอน บันทึก ข้อมูลเชิงเส้นรูปแบบ การศึกษานี้เป็นแรงจูงใจ โดยหลักฐานที่แตกต่างกันแบบพยากรณ์สามารถเติมเต็มซึ่งกันและกันในประเภทชุดข้อมูล และการนำเสนอรูปแบบของไฮบริดพยากรณ์และแบบ . เสนอแบบจำลองที่เชื่อว่าช่วยเพิ่มการคาดการณ์ประสิทธิภาพของแบบจำลองหรือโมเดลแบบเดี่ยวเดี่ยวในการพยากรณ์ราคาหุ้น ในทางทฤษฎี รวมทั้งจากผล hybridizing สองรุ่นแตกต่างกันลดการคาดการณ์ผิด [ 31,32 ] อย่างไรก็ตาม การวิจัยต่อไป ควรแก้ไขปัญหาบางอย่าง การศึกษานี้แสดงให้เห็นว่าการรวมกันง่ายของทั้งสองที่ดีที่สุดแต่ละรุ่นไม่จําเป็นต้องสร้างผลลัพธ์ที่ดีที่สุด ดังนั้น การเลือกพารามิเตอร์ที่เหมาะสมของโครงสร้างแบบไฮบริดจะน่าสนใจมาก