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。