考虑模型相关性的组合预测过程中单项模型筛选研究

针对组合预测过程中单项模型筛选难以刻画模型之间相关性的问题,采用模糊测度和模糊积分来刻画模型的相关性,并对单项模型预测结果进行集成,进而提出一种考虑模型相关性的组合预测过程中单项模型筛选方法.采用2可加模糊测度来刻画不同模型之间的相关性,并利用Choquet积分依据模糊测度值,将单项模型的预测值集成起来,形成组合预测结果.在这个组合预测过程中,采用基于模糊测度定义的Shapley值和交互作用指标来对单项模型进行筛选.为了验证文章提出的考虑模型相关性的组合预测单项模型筛选方法的有效性,选择软件工程领域的软件成本估算问题进行算例分析,选择基于案例推理方法(CBR)、最小二乘回归(OLS)、支持向量回归机(SVR)、分类回归树(CART)、人工神经网络(ANN)等数据驱动模型作为软件成本组合预测过程中的单项模型.选择常用的Desharnias数据库来验证模型的有效性.实证结果表明文章提出的单项模型筛选方法是一种有效方法,经过筛选后的组合预测模型能有效提高软件成本估算的精度,此外,研究结果还表明组合估算过程中最重要的模型(Sharply值最大)并不是估算精度最高的模型,即单个模型的重要性与该模型的估算精度没有必然联系,说明传统的以单个模型估算精度为依据的组合预测模型存在着一定的缺陷.     

运用最小二乘模型平均法预测外汇实际波动率（英文）

金融风险管理的重中之重在于对金融资产实际波动率的预测.因为汇率市场的复杂性以及多变性,汇率波动率数据具有极强的异方差性.文章着重研究在异方差环境下,如何正确地使用最小二乘模型平均法来提高实际波动率的预测精度.文章以异质自回归(HAR)模型为基础,以不同的滞后项构建出多个候选模型.最终模型是所有候选模型的加权平均.而通过为每个候选模型配给不同的权重,模型平均法可以灵活动态地调节最终模型的结构.文章首先证明了所提出的最小二乘模型平均法具有渐近最优性.在随后大量实证中,发现所提出的方法在汇率实际波动率的预测精度方面优于很多同类方法.     

加速失效时间模型下现状数据的Jackknife模型平均

文章研究了响应变量为现状数据的情况下,加速失效时间模型的Jackknife模型平均方法.首先对数据进行合理的无偏变换,进而得到回归参数的最小二乘估计.然后引入删一交叉验证准则来选取候选模型的权重,并在一定正则性条件下,建立对应模型平均估计量的渐近最优性.此外,数值模拟表明,与现有的其他模型平均和模型选择方法相比,本文所提出的方法在预测上表现更佳.最后将所提方法应用于尼日利亚儿童死亡率的数据进行实证研究,进一步验证了所提方法的优良性质.     

大数据背景下分布式支持向量回归模型研究

为解决传统的支持向量回归模型在处理大规模数据时计算效率较低的局限,文章将交互有效方法与支持向量回归模型相结合,提出了基于交互有效方法的分布式支持向量回归模型(CE-SVR).该模型首先采用分布式存储方式将大规模数据随机分配给多台机器,其次采用交互有效方法构建支持向量回归的近似损失函数替代全局损失函数获得近似预测结果,能够有效地分析大规模数据.数值模拟和应用研究的结果表明:在线性模型中,文章所提出模型的预测性能与全局支持向量回归模型基本一致,且显著优于基于单轮型方法的分布式支持向量回归模型(OS-SVR);在非线性模型中,文章所提出模型的预测性能会随着机器数的增加而降低,但其预测性能显著优于OS-SVR模型.     

基于小波神经网络与ARIMA组合模型在股票预测中的应用

为了实现对股票价格变化的短期预测,提出了一种基于小波神经网络(WNN)与自回归积分滑动平均模型(ARIMA)的组合预测模型.将股票的收盘价序列数据划分为线性以及非线性(误差项)两个部分,分别利用统计学中ARIMA模型和小波神经网络分别对两部分数据进行预测并得到结果,将两部分结果组合相加合成为整个股票价格的预测结果.实验结果表明该组合模型在预测精度方面有提高,是一种比较有效的预测模型.     

EMD-SVM在南京市月平均气温预测中的应用

南京市月平均气温具有非平稳性、噪声大、序列宽频等特征.为了提高温预测精度,本文提出一种经验模态分解(EMD)和支持向量机(SVM)回归相组合的预测模型(EMD-SVM).首先应用EMD分解算法把南京市月平均气温分解成不同尺度的基本模态分量(IMF),再运用支持向量机回归模型对每个IMF预测,最后将预测结果重构得到南京市月平均气温预测值.结果表明:EMD-SVM模型预测与单一支持向量机回归模型预测相比,平均预测精度提高0.59度,是一种有效的预测气温的模型.     

四层参数自调整BP神经网络模型及其在人口死亡率预测中的应用

为有效提高神经网络的学习效率并降低其陷入局部极小值的概率,文章构建了四层参数自调整BP神经网络模型,该模型具有四层特殊的网络结构,采用附加动量法与自适应法调整参数.数值试验表明,与常规的BP神经网络相比,该方法的学习收敛速度与预测精度均有较大改进.鉴于人口死亡率的复杂变化趋势,使用单个模型无法准确预测,文章同时建立了GM(1,1)模型与ARMA(2,2)模型,结合三种模型的优势,应用模型平均方法预测了中国人口的死亡率.结果显示,2018-2020年中国人口的死亡率分别为7.1042‰,7.1040‰。和7.1045‰.     

基于网络舆情支持向量机的股票价格预测研究

提出一种基于网络舆情和股票技术指标数据的支持向量机回归模型(NPOSVM),提高了股票价格的预测精度.模型首先将抓取的微博、股吧等股评观点分为正面和负面两类,计算正面观点所占的比例作为网络舆情,然后对网络舆情和股票技术指标数据作主成分分析,最后对保留的主成分运用支持向量机回归建模预测.实证分析国药股份(SH600511),仿真结果表明网络舆情与股票价格之间的相关系数为0.76;基于股票技术指标数据的支持向量机回归模型(TI-SVM)预测平均相对误差为1.29%、趋势准确率为57.14%,而NPO-SVM预测平均相对误差为0.66%、趋势准确率为71.43%.于是证明,NPO-SVM模型显著地提高了预测精度,是一种有效的预测股票价格的模型.     

基于相空间重构和最小二乘支持向量回归模型参数同步优化的碳市场价格预测

为提高碳市场价格预测的准确性,提出了一种基于相空间重构(PSR)和最小二乘支持向量回归(LSSVR)模型参数同步优化的碳市场价格预测模型(PSO-PSR-LSSVR).该模型基于碳市场价格数据特征,利用PSO算法自适应同步优化PSR和LSSVR参数,有效克服了模型参数单独优化和轮流优化的缺陷,保证了参数组合的整体最优.以欧盟碳排放交易体系(EU ETS)下两个碳期货价格为研究对象,实证结果表明,相比常用的预测方法,该模型能够获得更高的预测精度.     

分数阶反向累加非等间距GM(1,1)模型及应用

针对非等间距递减序列的预测问题,首先构建了一阶反向累加非等间距GM(1,1)模型(简称为非等间距GOM(1,1)模型),并给出了模型参数的最小二乘解和可用于预测的离散时间响应式.为进一步提高模拟预测精度,利用分数阶累加思想,提出了分数阶非等间距GOM(1,1)模型.以平均模拟相对误差最小化为目标,建立非线性规划模型可求解得到最优阶数.最后,以数值模拟和钛合金疲劳强度随温度变化预测为例,证实了该文提出模型的有效性和实用性.     

一种基于在线训练的交通信息实时预测快速算法

对于实时交通信息预测,预测精度与预测时间效率始终是一对难以解决的矛盾.重点研究如何提高预测时间效率问题.以精确在线支持向量回归算法(AOSVR)为基础,提出了基于云模型的sigmoid核函数简化计算方法,建立了改进的AOSVR交通信息实时预测模型.该模型应用于实际的交通流实时预测,预测结果表明,由于简化了计算,以损失较小回归精度的代价,显著提高AOSVR模型预测效率.     

基于区域房价的空间自回归模型平均

文章是基于模型平均的方法对我国重点省会城市月度房价数据的空间自回归模型的拓展研究.通过一定的宏观经济解释变量和房价数据,构建区域房价的空间自回归模型,并在基于MMA准则的模型平均框架下,将不同的候选模型组合进行房价预测.对比经典空间自回归模型的预测,基于模型平均的MMA, SAIC和SBIC的预测有更高的精确度和更好的稳定性.     

灰色GM(1,1)模型的改进模型在房地产价格指数预测中的应用

提出了一种结合非线性回归技术的灰色GM(1,1)模型的改进模型.利用我国的房地产价格指数预测作为研究对象,用以验证所提方法的有效性和准确性.根据实证结果,说明了新的改进模型有效提高了经典灰色模型的预测精度.     

部分函数线性模型的模型平均方法

部分函数线性模型是一种被广泛研究和应用的模型,其响应变量与一般的随机变量有关,也与函数型的随机变量有关.文章首先利用传统的谱分解方法来表示协方差函数,将部分函数线性模型的函数部分线性化,其次基于Hansen (2007)的Mallows模型平均方法,提出了该模型下的最优权重的选择准则,并证明了模型平均估计量的渐近最优性,此外还考虑了候选模型为两个特殊模型的情况下的模型平均估计量的渐近最优性.最后,进行了模拟研究,并对肉类和玉米样本的近红外反射光谱数据集进行分析,均表明所提出的模型平均方法是有效的.     

半变系数模型的Back-Fitting估计

针对半变系数回归模型给出了一种后向拟合方法,该方法可得到模型中常值系数估计量的精确表达式;同时给出了实验设计方法和数值模拟结果,用于验证所提出的估计方法对估计常值系数具有满意的精度和稳定性.     

半参数空间变系数回归模型的Back-Fitting估计

针对半参数空间变系数回归模型给出了一种估计方法-后向拟合估计,该方法可得到模型中常值系数估计量的精确解析表达式,广泛的数值模拟表明所提出的估计方法对估计常值系数具有满意的精度和稳定性,最后,利用该方法分析了一个实际的例子.     

一种基于支持向量机预测模型的精度提高方法与应用

介绍了支持向量机模型的特点 ,针对该模型在经济预测中的应用 ,提出了一种提高该模型预测精度的方法 ,并进行了理论分析和实际应用的验证 ,说明了该方法能够获得更加准确的预测结果 .     

基于岭回归模型大数据最优子抽样算法研究

随着大数据时代的来临,为了提高计算效率,Wang等(2018)提出基于logistic回归的最优子抽样算法,在保证参数估计精度的前提下,节省了大量的运算时间.为解决变量间的多重共线性,文章提出基于岭回归模型的最优子抽样算法,并证明岭回归模型中参数估计的一致性与渐近正态性.利用数值模拟与实证分析对最优子抽样算法进行评估,...     

基于Jackknife模型平均方法的中国港口集装箱吞吐量预测

使用多元序列的Jackknife模型平均(JMA)方法平均向量自回归模型,并将该方法用于预测中国六大港口的集装箱吞吐量.由于JMA方法在自相关异方差结构下的渐近最优性,因此更适用于具有大的波动性、复杂性和不规则性的港口集装箱吞吐量的预测.另外,相比单序列,多元序列的JMA平均方法也考虑了港口之间的相关影响因素.比较发现,在大多数案例中,此方法比常用模型选择和模型平均方法具有更高的预测精度.     

基于离散指数函数优化GM(1,1)模型的再优化

分析了基于离散指数函数优化的GM(1,1)模型虽然大幅度提高建模的精度,但在构造新背景值过程中仍存在误差的原因,并针对此原因提出了进一步优化此背景值的方法,从而再次提高了建模的精度.经过严格理论验证该模型具有白化指数重合性,所以既适合用于低增长指数序列建模,也适合用于高增长指数序列建模.同时通过大量的数据模拟,并与原GM(1,1)模型及其基于离散指数函数优化的模型对比,发现本文优化的GM(1,1)新模型有非常高的模拟精度和预测精度.