针对高维数据集的复杂性，提出基于弹性网的两阶段模型平均方法，并将其应用于上证180指数的分析与预测研究中.首先通过弹性网进行变量降维并构建稀疏的候选模型；再根据Jackknife模型平均方法平均候选模型，最大限度用最少的成本获取更多的信息，减少有用信息的损失以提高模型预测精度，并使用各类预测误差指标来验证各预测模型的有效性.研究表明，两阶段模型平均方法可以有效降低上证180指数预测模型的预测误差；弹性网-JMA方法在高维有效样本下具有更好的预测表现和稳健性.
科研之友
微信
新浪微博
Facebook
分享链接
