基于SARIMA、GM(1,1)和BP神经网络集成模型的GDP时间序列预测研究

本文深入分析了灰色预测模型、自回归移动平均(ARIMA)模型和BP神经网络模型的预测特性和优劣,并在此基础上建立了由ARIMA、GM(1,1)和BP神经网络集成的时间序列预测模型。针对呈现趋势变动性和周期波动性二重特性的时间序列,首先建立GM(1,1)模型对序列的趋势项进行预测,然后建立基于ARIMA和BP神经网络的组合模型对序列的周期波动项进行预测,最后用乘积模型对二者预测值进行集成。GDP时间序列实证结果表明:集成模型的预测效果显著高于单一模型,从而证实了集成模型用于GDP预测的有效性.     

人民币兑美元汇率长期趋势分析及预测

旨在研究人民币汇率在相对较长时间内的趋势及更优的预测模型.基于时间序列分解原理将人民币兑美元汇率的时间序列分解为长期趋势及随机波动两部分,采用Logistic曲线拟合长期趋势,建立了包含长期趋势的复合预测模型.实证检验结果表明此预测模型的预测效果优于单一的ARIMA模型,根据分离的长期趋势,可以判定,人民币尚处于一个升值过程中,其未来的升值极限在5.5左右.     

基于ARIMA-GM组合模型的邮电业务总量预测

对传统预测具有波动性及季节性双重趋势时间序列的模型—ARIMA乘积季节模型进行了改进,先用ARIMA乘积季节模型对邮电业务总量历史数据进行识别和拟合,然后用GM(1,1)模型对其带阀值的残差序列进行修正,最后结合二者得到ARIMA-GM这一组合预测模型.利用此模型对09年上半年中国邮电业务总量进行了预测,结果表明,组合预测方法比单项ARIMA乘积季节模型预测具有更高的精度.     

混合区间多尺度分解的区间时间序列组合预测

鉴于传统预测方法一直基于“点”来衡量时间序列数据,然而现实生活中在给定的时间段内许多变量是有区间限制的,点值预测会损失波动性信息。因此,本文提出了一种基于混合区间多尺度分解的组合预测方法。首先,建立区间离散小波分解方法(IDWT)、区间经验模态分解方法(IEMD)和区间奇异普分析方法(ISSA)。其次,用本文构建的IDWT、IEMD和ISSA对区间时间序列进行多尺度分解,从而得到区间趋势序列和残差序列。然后,用霍尔特指数平滑方法(Holt's)、支持向量回归(SVR)和BP神经网络对区间趋势序列和残差序列进行组合预测得到三种分解方法下的区间时间序列预测值。最后,用BP神经网络对各预测结果进行集成得到区间时间序列最终预测值。同时,为证明模型的有效性进行了AQI空气质量的实证预测分析,结果表明,本文所提出基于混合区间多尺度分解的组合预测方法具有较高的预测精度和良好的适用性。     

基于ARIMA的基金组合绩效成长性的预测

对投资机构而言,准确预测其投资组合的成长性能够为其未来的组合管理提供有效参考.ARIMA时间序列模型能够针对具有时间序列属性的数据进行预测.选取三只债券型基金组成投资组合A并计算其组合指数,以中信标普全债指数为参考,通过ARIMA时间序列模型预测投资组合A的组合指数与中信标普全债指数的差额来预测投资组合A的成长性.     

基于因子分析法的金融高频已实现波动的预测

金融高频数据的已实现波动(RV)在风险管理中扮演着非常重要的角色,已有大量文献对如何预测资产的已实现波动进行了研究.采用因子分析法来预测RV,探讨了不可观测的金融序列的公共因子在预测已实现波动时所起的作用,并考虑了资产价格中跳跃的影响,建立了基于因子分析法的波动预测模型(F-RV-J).从损失函数、MCS检验和在险价值VaR的预测能力三个方面,将F-RV-J模型与其它常用的预测模型进行了比较,发现F-RV-J模型明显要优于其它波动预测模型.     

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。     

期权标的资产波动率的重构方法

在B lack-Scho les公式中,波动率σ是一个非常重要的参数.并且在诸如股票、利率、股指期货等标的资产的交易市场中,人们往往希望知道标的资产未来价格的波动率,从而知道该资产的未来风险结构.但一般来说,由于事件还没有发生,人们对σ的未来走向很难预测.但可以运用B lack-Scho les的理论框架,从期权市场获取的信息去重构标的资产价格的波动率.论文使用的是基于T ikhonov正则化的数值微分方法,利用Dup ire公式去重构标的资产的未来预期波动率.相对于其他方法,该算法更加快速有效,并且能识别标的资产的预期风险突变.     

组合预测模型在农产品价格短期预测中的应用——以苹果为例的实证分析

以我国苹果批发市场价格为研究对象,利用2006年7月7日至2012年3月30日期间的300个周数据作为分析样本,通过对时间序列的平稳性、趋势性、季节性、异方差等数据特征进行统计检验,筛选出双指数平滑模型、Holt-Winters乘法模型、ARIMA(1,1,4)模型为我国苹果市场价格短期预测的适用模型,以此为基础,以误差平方和最小为最优准则建立了组合预测模型.经对未来3期的苹果市场价格开展预测,结果表明,组合预测的精度要高于单项时间序列模型,组合预测方法完全适用于农产品市场价格的短期预测.     

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.     

基于M-LSTM的股票指数日内交易量分布预测研究

针对现有预测建模方法难以高效提取日内交易量分布复杂变化规律,影响VWAP策略执行效果的问题,本文提出一种MEMD分解下基于LSTM-Attention的股市指数日内交易量分布预测方法M-LSTM。首先,运用MEMD方法将区间多维交易量时序同步分解为若干个独立的本征模态函数(IMF);其次,对各维度分解中高频IMF进行去噪与重构,构建基于LSTM-Attention神经网络的日内交易量分布预测模型,并深入分析股票指数不同走势阶段下模型预测的有效性;最后,分别采用M-LSTM、ARIMA以及SVR等主流方法,对上证指数等四个代表性指数的日内交易量分布进行预测。实验结果表明:M-LSTM预测误差更小,是一种更有效的股票指数日内交易量分布预测方法。     

最优组合预测模型的构建及其应用研究

由于证券价格是随机游走的,在证券定价研究中RBF神经网络模型、灰色GM（1,1）模型、ARIMA模型不具备时效性,通过对上述三个模型进行综合分析,结合三者中有用的信息集合,构建一个最优组合预测模型．在此基础上选取了深发展A在2007年全年的收盘价作为研究样本对这四个模型进行实证研究,研究结果发现,最优组合预测方法对证券价格进行预测具有很好的预测精度和很高的可靠性．     

基于小波分析的ARIMA模型对上证指数的分析与预测

股票价格的预测一直受到广泛关注,其预测方法虽然很多,但是往往存在预测精度有限、容易陷入局部极小等问题.为了提高股票价格预测的准确性,提出了基于小波分析的A砒MA模型的股票价格预测方法,同时利用该方法对上证指数收盘价的月平均值进行实例分析,并与其他方法的预测结果进行了比较,结果表明了提出方法的有效性.     

A novel hybrid decomposition-ensemble model based on VMD and HGWO for container throughput forecasting

This paper built a hybrid decomposition-ensemble model named VMD-ARIMA-HGWO-SVR for the purpose of improving the stability and accuracy of container throughput prediction. The latest variational mode decomposition (VMD) algorithm is employed to decompose the original series into several modes (components), then ARIMA models are built to forecast the low-frequency components, and the high-frequency components are predicted by SVR models which are optimized with a recently proposed swarm intelligence algorithm called hybridizing grey wolf optimization (HGWO), following this, the prediction results of all modes are ensembled as the final forecasting result. The error analysis and model comparison results show that the VMD is more effective than other decomposition methods such as CEEMD and WD, moreover, adopting ARIMA models for prediction of low-frequency components can yield better results than predicting all components by SVR models. Based on the results of empirical study, the proposed model has good prediction performance on container throughput data, which can be used in practical work to provide reference for the operation and management of ports to improve the overall efficiency and reduce the operation costs.     

我国货币供应量的ARIMA模型与预测

本文介绍了符合金融系统预测规律的ARIMA时间序列模型，并根据我国货币供应量实际数据对2008年5月-2009年4月货币供应量走势进行了预测检验。实证预测结果显示与实际№相对照，模型预测精度较高，平均相对误差绝对值仅为1．56％，说明ARIMA模型能比较准确地预测我国货币供应量走势，可为我国货币供应量的预测和走势提供可靠的参考依据，并由此预计在2009年9月货币供应量将突破60万亿元。     

沪市股票风险与收益关系实证研究

由于我国股票市场每日报酬时间序列的非正态性和厚尾性,且呈现波动集群性,基于正态假设的静态模型存在很大的缺陷,而Arch类模型具有很好的处理厚尾的能力,能较好的描述股价等金融变量的波动特征,因此将Garch-M模型引入,通过实证分析,结果表明,Garch-M模型能显著提高预测的准确性.     

模糊时间数列的分析与预测:以台湾地区加权股价指数为例

随着我国经济快速成长，衍生性金融商品的投资分析，已成为国内财务数学研究热门课题。以股票市场而言，人们总希望比别人早一步掌握行情的脉动，以获取最高的报酬率，然而，影响股市加权股价指数波动的因素众多，要如何进行趋势分析与预测，是很多学者相当感兴趣与研究的主题。本文考虑以模糊统计方法，作模糊时间数列的趋势分析与预测。其望应用模糊统计分析方法比传统的时间数列分析方法能得到更合理的解释，且预测结果可以提供决策者更多的信息，做出正确的决策。最后以台湾地区加权股票指数为例，做一实证上的详细探讨。     

基于遗传算法和半参数回归的神经网络集成股市预测研究

股票时间序列预测在经济和管理领域具有重要的应用前景,也是很多商业和金融机构成功的基础.首先利用奇异谱分析对股市时间序列重构,降低噪声并提取趋势序列.再利用C-C算法确定股市时间序列的嵌入维数和延迟阶数,对股市时间序列进行相空间重构,生成神经网络的学习矩阵.进一步利用Boosting技术和不同的神经网络模型,生成神经网络集成个体.最后采用带有惩罚项的半参数回归模型进行集成,并利用遗传算法选择最优的光滑参数,以此建立遗传算法和半参数回归的神经网络集成股市预测模型.通过上证指数开盘价进行实例分析,与传统的时间序列分析和其他集成方法对比,发现该方法能获得更准确的预测结果.计算结果表明该方法能充分反映股票价格时间序列趋势,为金融时间序列预测提供一个有效方法.     

基于ARIMA模型与神经网络模型的股价预测

了解并掌握股价运行的规律是许多投资者和学者所关注的领域,采用了ARIMA模型和BP神经网络对百度、阿里巴巴两支股票的收盘价进行建模与预测,并对比了两模型的预测精度,结果表明两种预测模型都达到比较理想的预测精度和短期预测可行的效果.