预测是关于未来的描述。提高预测能力,加强预测精度一直是众多学者所关注的热点和孜孜以求的目标。对于同一个预测对象,可以通过不同的预测模型进行预测,每一种预测模型均基于不同信息集并在一定假设条件下给出。由于信息不对称与预测水平的差异,某个模型在一定时期或者一定环境下的预测精度可能高于其他竞争模型；而当环境发生变化时,该模型的预测精度却可能很差。因此,如何在提高预测精度的同时,降低预测的不确定性,也就是预测的风险,是本文所关注的问题。J.M.Bates和C.W.J.Grange第一次提出了“组合预测”的思想,通过把不同的单项预测模型用特定的组合方法进行组合,来提高预测的精度。虽然关于组合预测的文献有很多,但主要集中在新的组合方法特别是智能算法研究上；对于组合预测的精度研究也大多局限在样本拟合上,缺少实践价值。此外,现有的研究很少涉及到在不同的预测环境下,如何进行组合预测中单项预测模型的遴选及组合方法的遴选。论文首先证明了组合预测的优势是：在保证预测的精度的同时,最大程度地降低预测的风险。根据不同的标准,选择了十二个单项预测模型作为备选模型；利用权威的M3-Competition作为样本序列进行实证分析,证明了组合预测的精度超过了大多数单项预测模型；但如果与预测精度最优的单项预测模型相比,组合预测并无优势。其次,本文对M3-Competition样本进行了组合预测实证分析,证明了简单组合方法并不比复杂智能组合方法的精度差。在众多的组合预测方法中,简单方法与复杂方法一直存在孰优孰劣的争论,复杂模型往往能够很好的拟合样本数据,并通过显著性很强的假设检验；但由于将相同数据段同时用于参数估计和模型结构识别的传统做法,更由于模型存在不确定性,所得模型很可能仅具有预测精度高的假象。然后,论文研究了如何根据实际的预测环境,对备选的单项模型进行遴选。通过计算不同单项预测模型数量下的组合预测结果,证明了组合预测中单项模型的数量并非越多越好,最佳的单项模型数为不超过五个。现有的组合预测研究在选择单项模型时很随意,忽视了预测对象内在的特征；论文通过协整验证和包容检验,辅以实证分析,给出了单项模型的遴选方法。接着,基于实证分析,论文通过偏度分析、单项模型预测误差方差比、误差相关性等指标,给出了一个基于专家选择的组合预测方法遴选原理；并根据该原理,建立了一个基于巴克斯范式的组合预测模型遴选规则,提高了组合预测的精度和稳定性。最后,考虑到预测对象的内部特性可能随着时间的变化而发生变化,而且组合预测方法也可能用于不同的预测领域,因此论文在模型遴选规则中引入基于NARX神经网络自适应调节机制,从而让组合预测能更好地适应环境的变化。论文以一个汇率预测的案例验证了自适应组合预测方法高精度、低风险、高适用性的特点。