基于MCMC算法的人民币汇率市场的分析——双门限非对称GARCH模型的应用

本文旨在考察,汇改后美元/人民币汇率前期收益的影响下,人民币汇率市场上非美元/人民币汇率收益均值和波动不对称的程度。为了捕捉非美元汇率收益的均值和波动不对称的特点,我们设定双门限非线性的GARCH模型,结合GJR效应(即加入非美元收益利空或利好消息的影响),利用基于MCMC算法的贝叶斯推断来完成。应用中我们选取了美元(欧元、日元、港元)/人民币日汇率数据进行分析,发现了门限非线性的结果,表明在美元和非美元汇率本身双重变化的影响下,非美元汇率收益的均值和波动同时表现出非对称的特点。并且在美元收益利好消息的影响下,美元汇率对非美元汇率的溢出效应明显增强,非美元表现出低均值回归的特点。     

基于HP滤波和ARMA-GARCH模型的人民币汇率趋势预测

在复杂多变的金融市场,人民币汇率的变化受多种因素的影响,而人民币汇率的变化又影响着经济生活的方方面面,人民币汇率及其变化特征受到人们的广泛关注,研究人民币汇率变化特征,正确分析与预测人民币汇率的走势,对于国家和各个经济主体制定金融政策和投资决策具有十分重要的意义,采用HP滤波法将汇率数据序列分解为趋势成分序列和波动成分序列,然后使用自回归和ARMA-GARCH模型分别进行拟合和预测,通过实证分析发现模型有着较好的预测效果,可以为金融产品的预测研究和制定金融政策提供参考。     

基于组合预测的变压器故障诊断模型

为了快速准确地预测出变压器的故障类型,及时做好维修工作,本文提出了一种基于非线性规划的组合预测模型.首先,利用改进的鲸鱼算法优化BP神经网络建立IWOA-BP预测模型;然后,在IWOA-BP预测模型和梯度提升树的基础上,利用非线性规划与遗传算法相结合的方法确定各算法的权系数,再将各算法的结果加权得出组合模型的最终预测结果.通过实例验证,IWOA-BP预测模型的变压器故障预测效果强于BP神经网络、随机森林等多种预测模型,并且利用IWOA-BP预测模型和梯度提升树建立的组合模型,其预测准确率高于组合中任意一种算法.     

基于GARCH模型的短期汇率预测

研究人民币对美元的汇率预测,通过对2010年7月1日至2013年11月30的周汇率平均值进行数据分析,发现其基本符合时间序列分析中的GARCH模型,因此采用该模型进行预测,预测结果比较成功。预测表明人民币呈现升值的趋势.     

人民币汇率市场化,结构相依与结构突变

运用能够识别资本市场结构突变与区制变化的Markov区制转换模型,基于非线性相依结构研究中的藤Copula分析框架,文章以考察人民币汇率市场化进程中的结构相依与突变特征为切入点,重点研究两次汇改以及金融危机时期人民币汇率在四个阶段的结构转换及非对称动态相依特征。文章采用GJR-GARCH模型探讨人民币汇率市场的"杠杆效应"。在此基础上,文章对两次汇改以及美国次贷危机时期人民币汇率市场的结构突变和区制转换的进行识别。研究发现,Markov区制转换模型能够准确地捕捉到人民币汇率第一次汇改的临界点,但在捕捉第二次汇改临界点方面却存在一定的滞后反应。并且,该模型对美联储采取第一轮量化宽松的货币政策的捕获,也表现出较好的能力。进一步地,文章运用藤Copula分析框架探讨了不同人民币汇率市场之间的非线性相依结构。研究表明,整体而言,采用t-Copula的藤结构在捕捉人民币汇市之间的相依结构方面表现出良好的刻画效果。     

基于多元分析的人民币汇率波动率预测

对人民币汇率波动率建立了BEKK,CCC,O-GARCH,IC-GARCH模型。针对人民币汇率波动率的非对称性,改进了IC-GARCH模型,建立了IC-GJRGARCH,IC-IGARCH模型。给出了以上各模型的预测结果及评价,并分析IC情形下,残差类型及降维技术对预测效果的影响。人民币汇率波动率的预测实证表明,BEKK模型和IC-GJRGARCH模型比其他模型的预测效果要理想;残差类型为广义误差分布与t分布的预测效果都要优于高斯分布的预测效果;模型降维后预测效果与降维前的预测效果相差不大,甚至优于后者。     

关于外汇汇率的非线性协整分析

不同汇率的波动特征及其之间存在的相互关系是金融研究领域的一个热点。本文以人民币对美元汇率和人民币对欧元汇率为研究对象,检验出它们之间存在着非线性的协整关系,并建立了分数维非线性协整模型来定量地描述这种长期均衡关系。     

基于数据分解集成和高频数据建模的汇率波动率预测

汇率波动率是刻画外汇金融资产收益变化程度的指标，也是度量外汇风险的方法之一，汇率波动对经济与金融系统都有重要的影响。由于非平稳和非线性的特征，准确预测汇率波动率一直是金融研究的重点和难点。为了提高预测汇率波动率的准确性，本文采用基于人民币汇率高频数据计算的已实现波动率和机器学习方法，对数据进行分解集成和建模，提出了一种有效的多尺度EEMD-PSR-SVR-ARIMA预测模型。具体过程如下：首先，采用集合经验模态分解(EEMD)的方法将复杂的时间序列分解成不同尺度的本征模态函数和趋势项；然后采用支持向量回归(SVR)的方法对本征模态函数进行预测，并利用相空间重构和粒子群优化的方法来确定SVR模型的输入维数与参数。同时，使用差分自回归移动平均模型(ARIMA)预测趋势项；最后集成得到模型预测的结果。实证结果表明EEMD-PSR-SVR-ARIMA模型可以有效地提高汇率波动率预测的精度。     

基于TVAR模型的人民币汇率的价格传递效应

利用门限向量自回归模型对人民币有效汇率的价格传递效应进行了研究,分析了不同的通货膨胀环境对人民币汇率传递效应的影响.以通货膨胀率作为门限值变量,并以0.001 175和0.006 118为门限值进行实证分析.得到汇率传递效应在不同的通货膨胀环境下显著性存在差异,在高通货膨胀下汇率对国内价格的传递效应是显著的,然而在低通货膨胀下是不显著的.考虑了汇率传递对国内价格的非线性性,进而更加准确的验证了通货膨胀与汇率传递的相关性.     

基于Bass-BP组合模型的微信扩散研究

微信扩散具备非线性变化特征,仅采纳单一预测算法无法有效描述微信扩散的规律.因此,提出了Bass-BP扩散组合模型.首先利用经典Bass模型对微信数据进行初步预测,再利用BP神经网络对Bass模型预测结果进一步非线性逼近.结果表明,Bass-BP组合模型相较于Bass经典模型和BP神经网络这两种单一的预测模型,具有更好的预测效果.     

基于ARIMA和LSSVM的非线性集成预测模型

针对复杂时间序列预测困难的问题,在综合考虑线性与非线性复合特征的基础上,提出一种基于ARIMA和最小二乘支持向量机(LSSVM)的非线性集成预测方法.首先采用ARIMA模型进行时间序列线性趋势建模,并为LSSVM建模确定输入阶数;接着根据确定的输入阶数进行时间序列样本重构,采用LSSVM模型进行时间序列非线性特征建模;最后采用基于LSSVM的非线性集成技术形成一个综合的预测结果.将该方法用于中国GDP预测取得的结果,与单独预测方法及流行的其他集成预测方法相比,预测精度有了较大的提高,从而验证了方法的有效性和可行性.     

BP神经网络非线性组合预测模型在海洋冰情预测中的应用

针对海洋冰情灾害的非线性复杂问题，目前已提出了多种模型对其进行预测。在此基础上，根据神经网络的非线性和良好的函数逼近特性，提出用基于BP神经网络的非线性组合预测（NN-NLCF）模型来预测海洋冰情灾害。结果表明，NN—NLCF模型与海洋冰情的非线性特性相契合，它综合利用了参与组合的多种预测模型的有效信息，因而能更客观地反映海洋冰情的发展趋势，预测结果更为稳健、精度更高，在其它自然灾害时序预测中具有一定的推广应用价值。     

基于Theil不等系数的加权几何平均组合预测模型的性质

加权几何平均组合预测为一种非线性的组合预测方法。本文提出了基于Theil不等系数的加权几何平均的组合预测模型,针对该模型定义了优性组合预测、预测方法优超和组合预测冗余度等新的概念;探讨了非劣性组合预测和优性组合预测存在的充分条件;给出了一个冗余预测方法出现的判定定理。     

基于向量夹角余弦的加权调和平均组合预测模型的有效性

加权调和平均组合预测为一种非线性的组合预测方法.提出了基于向量夹角余弦的加权调和平均组合预测模型,针对该模型定义了优性组合预测、预测方法优超和组合预测冗余度等新的概念;探讨了非劣性组合预测和优性组合预测存在的充分条件;给出了一个冗余预测方法出现的判定定理.     

一种新的非线性模糊自适应变权重组合预测模型

对于复杂工业系统非线性时间序列预测精度不高问题,引入了多种预测方法的预测相对误差、预测对象的变化趋势、灰色基本权重和自适应调节系数等概念,建立了模糊自适应变权重非线性组合预测模型。结果表明,此模糊自适应变权重非线性组合预测模型的精度较高,并且平均误差和预测平方根误差均较小。该组合预测模型为复杂非线性工业系统所需决策提供了有力支持。     

Forecasting urban traffic flow by SVR with continuous ACO

Accurate forecasting of inter-urban traffic flow has been one of the most important issues globally in the research on road traffic congestion. Because the information of inter-urban traffic presents a challenging situation, the traffic flow forecasting involves a rather complex nonlinear data pattern. In the recent years, the support vector regression model (SVR) has been widely used to solve nonlinear regression and time series problems. This investigation presents a short-term traffic forecasting model which combines the support vector regression model with continuous ant colony optimization algorithms (SVRCACO) to forecast inter-urban traffic flow. Additionally, a numerical example of traffic flow values from northern Taiwan is employed to elucidate the forecasting performance of the proposed SVRCACO model. The forecasting results indicate that the proposed model yields more accurate forecasting results than the seasonal autoregressive integrated moving average (SARIMA) time series model. Therefore, the SVRCACO model is a promising alternative for forecasting traffic flow.     

基于对数灰关联度的加权几何平均组合预测模型的有效性

基于对数灰关联度的加权几何平均组合预测是一种新的非线性组合预测。针对该方法提出新的优性组合预测、预测方法优超、冗余度等概念,给出优性组合预测存在的充分条件,最后证明冗余预测方法的一个判定定理。     

基于人工神经网络和随机游走模型的汇率预测

由于金融数据具有随机性特征,使得建模和预测变得极其困难.提出一种组合预测方法,即假定任何金融时序数据由线性和非线性两部分组成,将其中线性部分的数据通过随机游走(RW)模型进行模拟,剩余的非线性残差部分由前馈神经网络(FANN)和诶尔曼神经网络(EANN)协同处理.从实证结果可知,该组合方法相比单独使用RW、FANN或EANN模型有更高的预测精度.     

Rainfall forecasting by technological machine learning models

Accurate forecasting of rainfall has been one of the most important issues in hydrological research. Due to rainfall forecasting involves a rather complex nonlinear data pattern; there are lots of novel forecasting approaches to improve the forecasting accuracy. Recurrent artificial neural networks (RNNS) have played a crucial role in forecasting rainfall data. Meanwhile, support vector machines (SVMs) have been successfully employed to solve nonlinear regression and time series problems. This investigation elucidates the feasibility of hybrid model of RNNs and SVMs, namely RSVR, to forecast rainfall depth values. Moreover, chaotic particle swarm optimization algorithm (CPSO) is employed to choose the parameters of a SVR model. Subsequently, example of rainfall values during typhoon periods from Northern Taiwan is used to illustrate the proposed RSVRCPSO model. The empirical results reveal that the proposed model yields well forecasting performance, RSVRCPSO model provides a promising alternative for forecasting rainfall values.     

Hybrid evolutionary algorithms in a SVR traffic flow forecasting model

Accurate urban traffic flow forecasting is critical to intelligent transportation system developments and implementations, thus, it has been one of the most important issues in the research on road traffic congestion. Due to complex nonlinear data pattern of the urban traffic flow, there are many kinds of traffic flow forecasting techniques in literature, thus, it is difficult to make a general conclusion which forecasting technique is superior to others. Recently, the support vector regression model (SVR) has been widely used to solve nonlinear regression and time series problems. This investigation presents a SVR traffic flow forecasting model which employs the hybrid genetic algorithm-simulated annealing algorithm (GA-SA) to determine its suitable parameter combination. Additionally, a numerical example of traffic flow data from northern Taiwan is used to elucidate the forecasting performance of the proposed SVRGA-SA model. The forecasting results indicate that the proposed model yields more accurate forecasting results than the seasonal autoregressive integrated moving average (SARIMA), back-propagation neural network (BPNN), Holt-Winters (HW) and seasonal Holt-Winters (SHW) models. Therefore, the SVRGA-SA model is a promising alternative for forecasting traffic flow.