基于贝叶斯时序模型的甘肃省人均GDP预测

本文应用Eviews软件对甘肃省1953-2010年人均GDP数据建立时序模型,利用模型的先验信息给出两种先验分布下的贝叶斯模型与算法,并依次计算出2011-2015年的甘肃省人均GDP的预测值,结果显示,两种贝叶斯模型的拟合效果都优于传统模型。与经典时序模型相比,贝叶斯时间序列模型能充分利用样本信息和参数的先验信息,因而具有更小的平方误差,估计参数更科学。文章最后运用稳健先验的贝叶斯模型对甘肃省"十三五"时期人均GDP进行了预测。     

机器学习方法在股指期货预测中的应用研究——基于BP神经网络、SVM和XGBoost的比较分析

机器学习在人工智能领域取得了巨大的成就,在学界和业界都掀起了机器学习的热潮.针对股指期货交易速度快、交易频率高和交易量巨大且交易数据具有高纬、时序的特征,构建了新的股指期货量化投资模型,采用沪深300股指期货1分钟高频数据作为研究对象.并对比分析了神经网络、支持向量机和XGBoost对股指期货下1分钟价格的变动方向的预测能力.研究结果表明,三种机器学习方法都具有较好的预测能力,但XGBoost的预测能力要优于传统的神经网络和支持向量机.     

基于VAR和DAG的中国经济增长实证研究

本文利用近年来新发展的DAG方法对我国的GDP、投资、消费和出口的因果关系进行研究.与以前的研究方法相比较,DAG方法可为宏观经济变量的结构VAR模型的过度识别提供限制,同时能给出经济变量的同期和动态因果关系.实证研究表明,投资和消费既是我国GDP增长的同期原因,又是经济增长的短期和长期原因,而且实证结论不支持我国的出口导向型经济增长假设.     

基于ARMA模型的中国农产品价格的分析与预警

采用ARMA模型,对中国农产品生产价格指数(1979-2010)时间序列进行了建模分析.结果表明,ARMA(5,1)模型是平稳的且是可逆的.对2011-2013的中国农产品生产价格指数GPIFP进行了短期预测.预测结果分别是112,102和108.采用ARMA模型进行农产品生产价格指数的分析与预测,能较好地反映其动态变化,对促进我国农产品价格市场和谐发展具有重要的参考价值.     

我国省域人口的时序预测模型的选择——基于预测精度、偏差和不确定性的分析

人口预测作为区域规划和政策决策的依据对于区域经济社会可持续发展有重要理论价值和现实意义.目前已有不少学者使用时序模型进行了人口预测,但从预测精度、偏差和不确定性角度考虑时序模型选择的研究几乎没有.利用ARIMA模型对我国部分具有代表性的省域进行人口预测的基础上,探讨了不同基区间、临界年及预测区间等条件下人口最优时序预测模型选择的一般性规律.研究发现,一些ARIMA模型能提供相对精确的结果,另一些则不能;线性与非线性模型在预测精度上有较大差异;历史数据长短可能导致选择不同的模型;不同精度视角下的模型选择有较强一致性,但也有一定程度的不确定性.     

基于逆向预测的初值修正Verhulst模型

国防开支关乎军队的发展和战斗力的提升,是宏观经济预测的一项重要内容.利用Verhulst模型解决"小样本、不确定性"问题的优势对国防开支进行预测.首先对Verhulst模型机理进行了简要的叙述,说明其初值选取不合理是产生误差的一个重要原因;其次提出一种逆向预测的模型改进思路,通过设定迭代次数等参数,对传统的Verhulst模型的初值进行修正,建立一种基于逆向预测的Verhulst模型.采集我国2009-2016年国防开支数据进行实例检验,并对2017年国防开支进行预测,证明该模型能够有效提高预测精度.     

基于背景值优化的GM(1,1)模型在牡丹江GDP预测中的应用

针对GDP是制定地区经济发展战略目标和宏观经济政策的重要参考指标,若能对此指标进行准确的预测,则将会极大有利于该地区制定科学有效的经济政策.鉴于此,对能够影响传统GM(1,1)模型预测精度的背景值进行了优化分析,得到了背景值优化的GM(1,1)预测模型,利用牡丹江市近六年来的GDP数据,将背景值优化的GM(1,1)模型与传统GM(1,1)模型的预测误差做了对比分析,发现前者较后者在预测精度上有了较好的改善,并利用背景值优化的GM(1,1)模型对牡丹江市未来几年的GDP进行了科学预测,并依据预测结果,给出了提高牡丹江经济增长及增长方式转变的对策建议.     

机器学习方法在MOOC学习者学业完成率预测中的应用研究

大量MOOC学习者无法获取证书顺利完成学业已成为制约MOOC普及和发展的主要原因.基于edX发布的MOOC公开数据,通过分析学习者背景及行为特征,对中外MOOC学习者学业完成情况进行研究,利用机器学习算法中的XGBoost模型和BP神经网络模型对学习者是否能完成课程获取证书进行预测分析,将结果与传统的Logistic模型进行比较.结果表明,与传统的Logistic模型相比,基于机器学习算法的预测模型整体上优于传统的Logistic回归模型.XGBoost模型对于学习者获取证书完成学业的概率预测能力更强.最后,利用XGBoost模型的预测结果,对影响学习者完成学业的因素的相对重要性进行排序,并找出影响学习者学业完成率的重要因素,为深入研究MOOC的学习模式提供参考.     

经济转型期我国房地产业对宏观经济总量的影响北大核心CSCD

房地产业是宏观经济的重要组成部分,既受到整个宏观经济发展水平的制约,又发挥着促进宏观经济发展的作用,明确二者的关系有利于对房地产行业进行正确定位,同时又是进行宏观分析的前提和基础.文章首先基于经典的索罗经济增长模型,将资本要素分为土地要素和一般资本要素,构建房地产业对宏观经济总量影响的理论模型.其次,将第三产业占GDP比重作为衡量产业结构特征的指标将我国279个城市划分为两大类:以第一、二产业为主的城市群和以第三产业为主的城市群.最后,以2005年至2014年的8个宏观经济指标作为研究对象,运用SPSS软件对房地产业对宏观经济的影响进行实证研究,得出以第三产业为主的城市群对以第一、二产业为主的城市群具有模范参考作用.     

基于ARIMA-LSTM组合模型的原油产量时序预测研究

针对现阶段油田产量预测中所出现的一些预测效果不理想的问题,开展了对全国原油产量的时序预测研究.针对全国原油2011-2020年产量所呈现出来的特点,采用一种基于时间序列自回归移动平均模型(ARIMA)结合长短期记忆网络(LSTM)组合模型的预测方法.首先,运用时间序列ARIMA模型的建模思想,对全国原油产量进行初步预测,再通过LSTM训练拟合残差并进行预测.最后将LSTM的预测结果补偿到初步预测结果中,得到组合预测值.组合模型预测结果显示,预测结果比较可靠,对预估原油产量具有一定的参考价值.     

基于MCMC方法的ARFIMA模型贝叶斯分析及实证研究

在经济领域中,时间序列具有序列相关和长记忆等特征,用考虑了时间序列短记忆性和长记忆的ARFIMA来模型分析研究经济时间序列有利于提高拟合及预测的精度。近几十年来对ARFIMA模型参数估计和分数差分算子阶数d的研究越来越多,该模型的应用也越来越广泛。基于贝叶斯方法在参数估计中的优越性,本文结合众多应用此方法的文献所得到的后验分布特点,提出了合理的先验分布,考虑到计算难度,采用MCMC方法对模型的参数进行估计,最后应用我国过去几十年的GDP数据进行实证分析,得到了ARFIMA模型参数的后验分布图、均值、方差及95%的置信区间。     

工业化、城镇化进程中电力需求分析及预测

随着工业化、城镇化进程的不断加快,我国电力需求量将持续上升。电力的充足供应是我国经济稳步发展的重要保证,故合理准确的对电力需求进行分析及预测具有重要的现实意义。基于此,分析我国电力需求现状,利用通径分析筛选电力消费需求的核心驱动因素。在模型选择的基础上,基于单变量(ETS、ARIMA模型)和多变量(情景分析)两个维度进行电力需求量分析及预测。结果表明:GDP每提高1%使得电力需求量提高0.5249%;工业化水平每提高1%使得电力需求量提高2.2146%,城镇化水平每提高1%使电力需求量相应提高1.0076%。“十二五”末中国电力消费需求量将近61425.96KW/h,2020年中国电力消费需求将近81410.10KW/h。     

基于时间序列分析方法的伊犁州GDP的预测研究

基于时间序列理论,以伊犁州1978年至2014年来生产总值为基础数据,利用Eviewes8.0软件对数据进行处理分析,并对模型进行显著性检验,综合各种条件确定最终时间序列回归模型,对伊犁州未来三年的生产总值做出预测,为伊犁州党委、政府制定相关经济政策和发展战略提供科学依据.     

基于ARIMA与神经网络集成的GDP时间序列预测研究

本文深入分析了单整自回归移动平均(ARIMA)模型与神经网络(NN)模型的预测特性和优劣,并在此基础上建立了由ARIMA模型和NN模型集成的GDP时间序列预测模型与算法。其基本思想是充分发挥两种模型在线性空间和非线性空间的预测优势,据此将GDP时间序列的数据结构分解为线性自相关主体和非线性残差两部分,首先用ARIMA模型预测序列的线性主体,然后用NN模型对其非线性残差进行估计,最终集成为整个序列的预测结果。仿真实验表明:集成模型的预测准确率显著高于单一模型的预测准确率,从而证实了集成模型用于GDP预测的有效性。     

基于乘积季节模型的社会消费品零售总额分析

社会消费品零售总额是反映人们消费水平的重要度量指标,也是国民经济体系中的一个重要评价指标.因此,分析研究社会消费品零售总额发展趋势对于转型期的中国经济高质量发展具有重要意义.基于乘积季节模型对2001年至2020年的社会消费品零售总额数据进行时间序列分析,经过差分、单位根检验、模型识别与拟合等过程,确定最终模型为ARIMA(1,1,1)(1,1,0)12,结果表明,社会消费品零售总额数据具有明显的线性趋势和季节性特征,并进一步得出其波峰和波谷到达的时间,另外,该模型对社会消费品零售总额有非常好的拟合效果,且有较高的预测精度.     

基于贝叶斯向量自回归的区域经济预测模型:以青海为例

由于缺乏足够的观测数据等原因,常规的区域经济预测模型在我国难以获得预期的预测效果,而贝叶斯向量自回归(BVAR)模型将变量的统计性质作为参数的先验分布引入到传统的VAR模型中,能够克服自由度过少的问题,以青海为例,本文建立了一个BVAR模型,并引入了全国GDP和中央政府转移支付作为外生变量以描述国民经济与区域经济的联系...     

宏观调控“两难”新环境下中国CPI运行定量分析——基于改进的BP神经网络

当前,我国经济继续回升向好,但宏观调控面临的"两难"问题增多.如何防止经济快速下滑和防范通货膨胀成为当前宏观经济决策的重要内容,准确预见我国价格运行趋势对宏观决策具有十分重要的意义.1997年和2008年分别发生了对世界经济发展影响深远的两次金融危机.两次金融危机发生后,中国政府均实施了大规模的经济刺激计划,但反映经济运行的主要宏观经济指标CPI月度指数从危机发生当年的次年开始,步入了长达数月负区间运行.研究发现1997年金融危机发生前后月度CPI指数运行相关度非常高,2008年金融危机发生当年月度CPI指数与2007年、2009年月度CPI指数运行相关度也非常高.对此,运用改进的BP神经网络模型对1995-1999年中国月度CPI指数进行学习,以2006-2009年月度CPI指数数据为基础,对2010年中国下半年月度CPI指数进行了预测,显示全年CPI指数预计为102.85.对此,认为2010年我国面临适度的通胀压力,提出了应对政策建议.     

基于深度学习的交通运输业能耗预测——以“一带一路”主要经济体为例

为合理规划一次能源使用,深入推进节能减排,需对交通运输能耗进行预测.使用灰色综合关联度模型筛选出客运、货运和经济发展水平三个方面共八个影响因素作为模型输入,提出了主要由LSTM层、Dropout层和Bi-LSTM层构成的深度学习模型,并使用天牛群优化算法精调模型超参数,在此基础上对2019至2025年中国、印度、东南亚和巴基斯坦四个"一带一路"沿线经济体交通运输能耗进行预测.研究结果表明:首先,BSO-LSTM模型较GA-BPNN、GA-SVR、GA-LSTM和PSO-LSTM模型具有最高的预测精度.其次,2019-2025年,中、印、东、巴交通运输业能耗总体上在波动中上升,年均增长率分别为2.92%、5.64%、3.05%和4.88%.再次,2024年中、印、东、巴交通运输业单位GDP能耗分别为29.41、37.41、46.67和83.12,除巴基斯坦外,较2018年均有所下降.最后,中国、东南亚2018-2024年交通运输业能源消费弹性系数较2012-2018年有所下降,而印度、巴基斯坦仍保持上升趋势.     

Volatility forecasting for interbank offered rate using grey extreme learning machine: The case of China

Interbank Offered rate is the only direct market rate in China’s currency market. Volatility forecasting of China Interbank Offered Rate (IBOR) has a very important theoretical and practical significance for financial asset pricing and financial risk measure or management. However, IBOR is a dynamics and non-steady time series whose developmental changes have stronger random fluctuation, so it is difficult to forecast the volatility of IBOR. This paper offers a hybrid algorithm using grey model and extreme learning machine (ELM) to forecast volatility of IBOR. The proposed algorithm is composed of three phases. In the first, grey model is used to deal with the original IBOR time series by accumulated generating operation (AGO) and weaken the stochastic volatility in original series. And then, a forecasting model is founded by using ELM to analyze the new IBOR series. Lastly, the predictive value of the original IBOR series can be obtained by inverse accumulated generating operation (IAGO). The new model is applied to forecasting Interbank Offered Rate of China. Compared with the forecasting results of BP and classical ELM, the new model is more efficient to forecasting short- and middle-term volatility of IBOR.