闵 盈 盈

(1. 东北农业大学 工程学院，哈尔滨 150001; 2. 哈尔滨商业大学，哈尔滨 150028)

信息技术的飞速发展以及广泛应用，使我们总在寻找数据统计或者数据处理的方法，从而产生了数据挖掘这一学科，数据挖掘可以应用于任何类型的数据信息源，有的数据中含有时间的因素，而且时间之间还会存在有某种联系，这样的一些数据被称为时间序列，时间序列目前在很多的领域都得到了应用，时间序列模型也应用于数据挖掘中，这种基于模型的时间序列数据挖掘具有很好的研究前景，目前的时间序列模型主要有隐马尔可夫模型、隐半马尔可夫模型、BOX-Jenkins回归、ARIMA模型等方法[1-2].其中ARIMA模型是一种很重要的时间序列数据挖掘模型，但是这个模型往往只是对某个时间点进行研究，事实上一段时间往往影响未来的预测，所以改进ARIMA模型使其成为一段时间的预测模型有着重要的意义[3-5].

1 ARIMA模型介绍

ARIMA(Auto Regressive Moving Average)模型是在1976年由Box和Jenkins等人提出,当时应用这个序列模型仅仅是在经济和金融等领域.可以把模型ARIMA(p,d,q) 的通式写成以下形式：

yt=φ1yt-1+φ2yt-2+…+φpyt-p+et-(θ1et-1+θ2et-2+…+θqet-q)

(1)

该模型分为前后两个部分，φ1yt-1+φ2yt-2+…+φpyt-q这部分是自回归方程，et-(θ1et-1+θ2et-2+…+θqet-q)这部分是误差移动方程.

2 对ARIMA模型的改进

这样式(1)就变为：

利用这个模型会更加精确的给出预测值.

对于这个改进的ARIMA模型可以用图1描述：

图1 应用ARIMA模型的流程图

3 应用改进前和改进后的ARIMA模型对美国IT股票价格进行了预测

这个预测以当天股票价格和对未来一天的收益率为基础来预测未来的股票价格……