In theory, both GRNN and AR*-GRNN m

In theory, both GRNN and AR*-GRNN models can map any nonlinear system. However, the error they cause is inevitable, because a nonlinear time series such as financial series is in fluenced by many factors, including wild market fluctuations, crashes and subsequent rebounds. From Table 3, we can see that the forecasting results from GRNN are satisfying and are more accurate than those from ARMA and GARCH models. However, a better technique is employed to examine its feasibility in forecasting nonlinear time series. Experimental results indicate that the AR*-GRNN out performs the former two approaches in terms of forecasting accuracy. Also a conclusion can be drawn that innovation series inferred from AR* models can capture volatility and statistical information of the financial time series. The results indicate that it is effective method to combine the time series models with

ผลลัพธ์ (ไทย) 1:

ในทางทฤษฎี GRNN และ AR * -รุ่น GRNN สามารถแมปใด ๆ ระบบไม่เชิงเส้นได้ อย่างไรก็ตาม ข้อผิดพลาดเกิดได้หลีกเลี่ยงไม่ได้ เนื่องจากเวลาไม่เชิงเส้นชุดเช่นชุด financial ใน fluenced กับหลายสาเหตุรวมถึงตลาดป่า fluctuations หยุดทำงาน และรีบาวน์ต่อมา จากตาราง 3 เราจะเห็นว่า ผลการคาดการณ์จาก GRNN มีความพึงพอใจ และถูกต้องมากกว่าจากอาร์มาและ GARCH อย่างไรก็ตาม เทคนิคดีกว่าเป็นลูกจ้างเพื่อตรวจสอบความเป็นไปได้ของในการคาดการณ์เวลาไม่เชิงเส้นชุด ผลการทดลองบ่งชี้ว่า AR * -GRNN ออกทำสองวิธีเดิมในการคาดการณ์ที่แม่นยำ ยัง สรุปสามารถดึงชุดนวัตกรรมเอเชีย AR * แบบจำลองสามารถจับภาพความผันผวนและข้อมูลทางสถิติของชุดเวลา financial ผลลัพธ์บ่งชี้ว่า มันเป็นวิธีที่มีประสิทธิภาพรวมแบบจำลองชุดเวลาด้วย

ผลลัพธ์ (ไทย) 2:

ในทางทฤษฎีทั้ง GRNN และ AR * รุ่น -GRNN สามารถแผนที่ใดระบบไม่เชิงเส้น แต่พวกเขาทำให้เกิดข้อผิดพลาดเป็นสิ่งที่หลีกเลี่ยงเพราะอนุกรมเวลาไม่เชิงเส้นเช่นชุดการเงินอยู่ในชั้น uenced จากหลายปัจจัยรวมทั้งป่า uctuations ตลาดชั้นเกิดปัญหาและรีบาวน์ตามมา จากตารางที่ 3 เราจะเห็นว่าผลการคาดการณ์จาก GRNN เป็นที่น่าพอใจและมีความถูกต้องมากขึ้นกว่าผู้ที่มาจาก ARMA และรูปแบบ GARCH แต่เป็นเทคนิคที่ดีกว่าที่เป็นลูกจ้างในการตรวจสอบความเป็นไปได้ในการพยากรณ์อนุกรมเวลาไม่เชิงเส้น ผลการทดลองแสดงให้เห็นว่า AR * -GRNN ออกมาดำเนินการในอดีตสองวิธีในแง่ของความถูกต้องคาดการณ์ นอกจากนี้ข้อสรุปที่สามารถวาดชุดนวัตกรรมสรุปจากรุ่น AR * สามารถจับภาพความผันผวนและข้อมูลทางสถิติของอนุกรมเวลาการเงิน ผลการศึกษาพบว่ามันเป็นวิธีที่มีประสิทธิภาพที่จะรวมเวลาที่รุ่นซีรีส์ด้วย

ผลลัพธ์ (ไทย) 3:

ในทางทฤษฎี ทั้ง grnn และ AR * - รุ่น grnn สามารถระบบแผนที่เชิงเส้นใด ๆ อย่างไรก็ตาม ความผิดพลาดของพวกเขาเพราะเป็นสิ่งที่หลีกเลี่ยงไม่ได้ เพราะเป็นแบบอนุกรมเวลา เช่น จึง nancial ชุดในfl uenced จากหลายปัจจัย ได้แก่ ป่าflตลาด uctuations เกิดปัญหา และต่อมา rebounds . จากตารางที่ 3เราจะเห็นได้ว่า ผลการพยากรณ์จาก grnn มีความพึงพอใจและถูกต้องมากกว่า อาวุธ และ ของรุ่น อย่างไรก็ตาม เทคนิคดีกว่าเป็นลูกจ้างเพื่อตรวจสอบความเป็นไปได้ของการพยากรณ์อนุกรมเวลาเชิงเส้น . ผลการทดลองพบว่า AR * - grnn ออกมาแสดงอดีตสองวิธีในแง่ของการพยากรณ์ที่แม่นยำก็เป็นข้อสรุปที่สามารถวาดว่านวัตกรรมชุดทั้งรุ่น AR * สามารถจับผวน และข้อมูลทางสถิติของเวลาจึง nancial ชุด ผลการศึกษาพบว่า มันเป็นวิธีที่มีประสิทธิภาพในการรวมรูปแบบอนุกรมเวลากับ