在上一节中，本书对支持向量回归、神经网络和线性回归的预测结果进行比较后，我们验证了SVR优秀的预测能力，接下来本书将进一步对核心通货膨胀的短期趋势进行预测。
根据公式6-3和格兰杰因果检验结果中，上证最低价格、上证收盘价格和深证最低价格的滞后5期与核心CPI存在因果关系，本书以核心CPI的滞后1期和上证最低价格、上证收盘价格和深证最低价格的滞后5期作为自变量来预测未来5期的核心CPI，预测方案采用递推式预测，在预测得到2014年1月的核心CPI后，将其与2013年9月的上证最低价格、上证收盘价格和深证最低价格作为自变量预测得到2014年2月的核心CPI，再用2月的核心CPI结合2013年10月的上证最低价格、上证收盘价格和深证最低价格作为自变量预测得到2014年3月的核心CPI，以此类推直至预测到2014年5月的核心CPI。
由于支持向量回归的理论结构风险最小化，也就是经验风险和置信风险的和最小，从实际运用上来说就是支持向量回归把样本数据分为两部分：一部分用来训练；一部分用来验证。训练部分也就相当于我们预测时的建模数据，验证部分也就相当于我们预测时的预测参照数据，结构风险最小化就要求计算出拟合出的数据和建模数据的误差与预测出的数据和预测参照数据的误差，并使两种误差的平方和最小。在以往的支持向量回归预测研究里，大部分的文献做的都是期内的预测，就是预测参照数据已知的这种类型预测，因为在参照数据未知情况下，Matlab建模的格式是不完整的，置信风险也是不可估算的，也就无从谈起结构风险值，因此很少有文献使用支持向量回归来外推预测未来数据。本书在使用该方法时外推预测数据的预测参照数据采用的是线性回归的数据结果，从风险结构的含义上来说，采用线性回归数据的意义就变成了拟合部分的均方误差和真实预测数据与线性回归数据均方误差和最小。理论上来说，当采用线性回归出的数据作为参照数据来预测核心通货膨胀，再将预测出的核心通货膨胀作为参照数据，进行下一轮的预测得出第二轮的核心通货膨胀预测值，再将这一轮的预测值作为参照数据，一直迭代，直至数据收敛至唯一的终值不变，就得到最终的核心通货膨胀数据，但是在实际软件操作中，第一轮得到的核心通货膨胀预测值作为参照数据代入，第二轮得到的预测值与第一轮预测值不变，没有存在理论上迭代收敛的过程，分析其原因，可能是由于建模使用的数据量太大，而预测由于是递推进行，因此每期只外推一个数据，得到一个预测结果，对整体模型的影响不大，所以才使得理论上收敛的情况没有发生。最终的预测结果见表6-9，图6-4为2001年1月—2013年12月CPI与2001年1月—2014年5月核心CPI的比照图。
表6-9 SVR预测短期核心CPI趋势数据
图6-4 2001年1月至2013年12月CPI和2001年1月至2014年5月核心CPI比照图
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
