姜闪闪，夏 旻

（1.南开大学商学院，天津 300071；2.南京信息工程大学信息与控制学院，南京 210044）

0 引言

经济增长预测历来都是经济学领域研究的热点，经济预测支持着政府部门的战略决策。利用模型对经济问题进行分析研究是重要的分析手段之一。模型选择对预测精度起着关键的作用，如果没有合理的建模方法，预测精度会很低，给决策者以错误的导向。经济时间序列预测一直是预测领域的研究热点[1]，针对经济时间序列，国内外学者对其进行了大量的研究，形成了众多的预测方法，主要有：简单移动平均、自回归滑动平均、线性回归、Kalman滤波[2]和非参数回归模型等。传统的方法，如回归分析，指数平滑法和自回归移动整合（ARIMA），都是基于线性模型的[3]。所有这些方法都是假定预测变量是线性关系，很难把握宏观经济系统中的非线性现象。现代统计学习理论中神经网络在非线性时间序列模中应用最为广泛，该方法具有更好的预测性能和预测效果,能够有效实现经济数据的短期预测[4]。人工神经网络以其良好的非线性品质、灵活而有效的自组织学习方法以及完全分布的存储结构等特点[5,6]。许多文献证实神经网络方法在预测中的效果优于其它的传统方法[7,8]。而在国内也有大量的文章证明了该人工智能算法既可以用于短期经济预测，又可用于中长期经济预测[9,10,11]。神经网络相对于其他的学习模型具有更强的非线性化处理能力，更好的鲁棒性及容错性，但是神经网络自身存在的一些缺点，具有学习速度较慢、过拟合、迭代次数过多、求解易于陷入局部极小等缺点。……