基于GRNN模型的鲜猪肉市场日度价格预测与实证研究

应用广义回归神经网络(GRNN)模型对上海市某区菜市场2011.3.1-2014.3.25期间鲜猪肉的日度价格(合计732组数据)进行建模预测研究,用逐步减小光滑因子值的办法确定其合理值范围.建模结果表明:训练样本、检验样本和测试样本(简称三类样本)的均方根误差和平均绝对误差非常接近,模型具有较强的泛化能力,绝大部分三类样本的误差都在土0.33元范围内,最大相对误差都小于3%,平均百分比相对误差小于0.45%,预测未来10日鲜猪肉价格的最大绝对误差为0.14元,最大相对误差为0.82%,平均百分比相对误差为0.44%,表明建立的GRNN模型具有很好的鲁棒性、可靠性和较高的预测精度,可用于上海市某区菜市场鲜猪肉日度价格的实际预测,为政府和有关物价部门进行市场调控提供决策依据.     

GRNN和PNN模型在信用风险评估中的应用

广义回归神经网络GRNN和概率神经网络PNN,与传统的BP神经网络相比,收敛速度快,学习能力强.本文将其应用到信用风险评估,选取1057组公司财务数据作为训练数据,350组数据作为测试数据,分别建立基于不同属性的模型对样本公司财务状况评判其是守信公司还是违约公司,最终选取精度较高的作为最终模型对财务系统进行预测.结果表明,PNN对于信用风险评估泛化能力好,测试集正确率高,因此可以用作风险预警的模型,给决策者提供智力支持.     

基于误判代价加权的Logistic财务预警模型研究

1:1样本配比的财务预警模型的系数和概率估计是有偏的,全市场公司的样本数据又高度不平衡.为克服两类样本不平衡给预警模型带来的影响,引入公司误判代价分析,以ST公司误判代价为权重,通过最小化加权的对数似然损失函数,建立误判代价加权的Logistic回归财务预警模型.实证结果表明,误判代价加权的Logistic回归模型具有较好的预警效果,2007年的训练样本上正常公司和ST公司的识别率为89.43%和93.33%,2008年测试样本上两类公司的识别率分别为:92.1%和95.83%.     

生猪价格风险预警模型的建立与应用

随着生猪市场由以往的卖方转换为买方市场，生猪生产者的生产经营活动经常受到价格波动的困扰．其所面临的价格风险也越来越大，而生猪价格风险的防范通常要通过管理水平的提高。本文研究和探讨了基于BP人工神经网络的生猪价格风险预警模型的建立与应用，并用年度数据进行了验证，实现了生猪价格风险管理方法的创新。此方法也可用于生猪的季度或月度价格风险预警。     

基于HP-ENN-MC模型降雨量预测

综合HP滤波、Elman神经网络、马尔科夫链的优点建立HP-ENN-MC模型对某地区10年内降雨量进行预测.以某地区1990-2015年植物生育期(6-10月)的降雨量数据作为实验训练样本,以2010-2015年(6-10月)的降雨量数据为实验的测试样本,证明HP-ENN-MC模型的实用性.由最后实验结果得到,预测平均相对误差为3.83%.所建模型能够对降雨量准确预测,与Elman、ENN-MC模型相比,HP-ENN-MC模型对降雨量预测更有效.     

结构突变视角下生猪价格波动的时空特征的异质性

基于结构突变理论,从时空两个维度研究全国生猪价格波动特征的异质性.借助Bai-Perron、Mann—kendall突变检验模型识别生猪价格数据的结构变点,建立(G)ARCH模型探索生猪价格波动特征的异质性;构建空间计量模型研究全国层面生猪价格的空间相关性、聚集性和异质性.结果表明,2007年3月生猪价格发生了突变,2007年4月之前生猪价格存在波动聚集性,不具有风险性和非对称特征.之后生猪市场具有高风险高回报和杠杆效应;整体上来看价格存在较为显著的空间聚集性,距离越近,两地的生猪市场相关性越大;局部来看,全国生猪价格具有空间分布的异质性.     

基于数据的生猪价格风险分析模型研究与实证分析

生猪价格的大起大落,养殖户、相关研究人员和政府都密切关注.如何分析影响生猪价格的风险因素、预测未来生猪价格的走势分布,具有重要的意义.通过对生猪价格及其影响因素的风险分析,运用落点概率和多元线性回归等方法建立了生猪价格风险分析模型,预测未来4～6期生猪价格的风险分布,以期对养殖户和政府提供一定的参考意义.     

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.     

时间序列模型和神经网络模型在股票预测中的分析

利用MATLAB软件编程建立AR模型、RBF和GRNN神经网络模型,滚动预测上证指数开盘价、最高价、最低价和收盘价与实际价格对比,分析误差.结果表明,3种模型用于股票预测均是可行的,误差很小.AR模型不稳定,对个别预测较准;RBF和GRNN网络训练速度都很快,但GRNN比RBF预测效果好.     

规避风险的多阶段最优库存研究

基于市场需求是随机的,并且在进行市场销售前,就要确定每个阶段的生产数量的背景下,建立了具有规避风险的多阶段库存凸随机规划模型.该模型以最小化损失函数的期望值为目标函数,以规避风险为约束条件,以价值风险(VaR)和条件价值风险(CVaR)为风险度量;采用样本平均近似方法(SAA)求解该模型,并分析样本平均近似方法的收敛性;最后,给出数值结果.     

Forecasting tender price index under incomplete information

Tender price index (TPI) is essential for estimating the likely tender price of a given project. Due to incomplete information on future market conditions, it is difficult to accurately forecast the TPI. Most traditional statistical forecasting models require a certain number of historical data, which may not be completely available in many practical situations. In order to overcome this problem, the grey model is proposed for forecasting TPIs because it only requires a small number of input data. For this study, the data source was based on the TPIs produced by the Government's Architectural Services Department. On the basis of four input data, the grey model forecasted TPIs from 1981Q1 to 2011Q4. The mean absolute percentage errors of forecast TPIs in one quarter and two quarters ahead were 3.62 and 7.04%, respectively. In order to assess the accuracy and reliability of the grey model further, the same research method was used to forecast other three TPIs in Hong Kong. The forecasting results of all four TPIs were found to be very good. It was thus concluded that the grey model could be able to produce accurate TPI forecasts for a one-quarter to two-quarter forecast horizon.     

基于价格持续时间的中国股市日内风险价值预测

基于高频数据度量日内交易活动的风险是目前日内金融数据与风险管理中极具挑战性的研究课题之一。本文从实时交易的角度,使用中国股市分笔交易数据,基于价格持续时间的自回归条件持续时间(ACD)模型,研究日内不规则交易数据的风险测度,利用日内不等间隔波动模型估计了日内交易的即时条件波动率,对日内不等间隔风险价值进行了预测和检验。实证结果发现日内不等间隔风险价值模型能够比较好的刻画日内交易风险,股票投资者和市场监管者可以基于该工具对日内风险做出合理的预测,达到止损避险和控制风险的目的。     

Cash demand forecasting in ATMs by clustering and neural networks

To improve ATMs’ cash demand forecasts, this paper advocates the prediction of cash demand for groups of ATMs with similar day-of-the week cash demand patterns. We first clustered ATM centers into ATM clusters having similar day-of-the week withdrawal patterns. To retrieve “day-of-the-week” withdrawal seasonality parameters (effect of a Monday, etc.) we built a time series model for each ATMs. For clustering, the succession of seven continuous daily withdrawal seasonality parameters of ATMs is discretized. Next, the similarity between the different ATMs’ discretized daily withdrawal seasonality sequence is measured by the Sequence Alignment Method (SAM). For each cluster of ATMs, four neural networks viz., general regression neural network (GRNN), multi layer feed forward neural network (MLFF), group method of data handling (GMDH) and wavelet neural network (WNN) are built to predict an ATM center’s cash demand. The proposed methodology is applied on the NN5 competition dataset. We observed that GRNN yielded the best result of 18.44% symmetric mean absolute percentage error (SMAPE), which is better than the result of Andrawis, Atiya, and El-Shishiny (2011). This is due to clustering followed by a forecasting phase. Further, the proposed approach yielded much smaller SMAPE values than the approach of direct prediction on the entire sample without clustering. From a managerial perspective, the clusterwise cash demand forecast helps the bank’s top management to design similar cash replenishment plans for all the ATMs in the same cluster. This cluster-level replenishment plans could result in saving huge operational costs for ATMs operating in a similar geographical region.     

Day‐ahead price forecasting based on hybrid prediction model

Short‐Term Price Forecast is a key issue for operation of both regulated power systems and electricity markets. Energy price forecast is the key information for generating companies to prepare their bids in the electricity markets. However, this forecasting problem is complex due to nonlinear, nonstationary, and time variant behavior of electricity price time series. So, in this article, the forecast model includes wavelet transform, autoregressive integrated moving average, and radial basis function neural networks (RBFN) is presented. Also, an intelligent algorithm is applied to optimize the RBFN structure, which adapts it to the specified training set, reduce computational complexity and avoids over fitting. Effectiveness of the proposed method is applied for price forecasting of electricity market of mainland Spain and its results are compared with the results of several other price forecast methods. These comparisons confirm the validity of the developed approach. © 2016 Wiley Periodicals, Inc. Complexity 21: 156–164, 2016     

基于最小二乘法的GM(1,1)模型在我国猪肉产量预测中的应用研究

猪肉产量受诸多因素影响,因此数据波动性大,并且具有小样本性及贫信息等特点.本文采用基于最小二乘法的GM(1,1)模型对我国未来几年内猪肉产量进行了短期预测.首先,介绍了GM(1,1)模型;然后,通过最小二乘法的原理弱化波动较大的数据,减少随机性,加强规律性,建立基于最小二乘法的GM(1,1)模型;其次,结合2008至2014年我国猪肉产量数据建立预测模型;最后,使用2014年数据对模型的可靠性进行验证,基于最小二乘法的GM(1,1)模型的预测结果更加接近实际值.预测结果显示未来3年中国猪肉产量将持续增加.该模型为其他相关预测提供了理论依据,也便于我国对未来猪肉产品市场进行宏观调控,维持猪肉市场平衡,避免猪肉价格波动风险.     

汽车保险损失率期权定价模型及实证研究

随着汽车保险行业的迅速发展,如何通过证券衍生产品来转嫁汽车保险越发引起人们的重视。本文在Taehan Bae等人的研究基础上给出了当索赔额分布服从指数分布、Γ-分布、混合指数分布、对数正态分布时的汽车保险损失率期权的定价公式,并以太平洋保险公司的有关索赔数据作为样本,利用Γ-分布下的汽车保险损失率期权定价公式对其进行实证研究,得到汽车保险损失率期权价格的近似值,具有很好的理论意义和现实意义。     

基于多因素SVM的油价预测模型研究

准确预测国际原油价格,对于维护经济稳定和规避风险具有重要意义.由于国际油价的波动是由多种因素引起的,本文采用误差修正模型确定原油价格与因素的关系.将结果作为SVM回归预测模型的输入模式,建立基于多因素SVM的油价预测模型.通过实证研究,发现基于多因素SVM的油价预测模型相对于误差修正模型和基于国际油价本身的自回归SVM预测模型具有更好的拟合和预测效果.     

基于残差修正的非等时距GM(1,1)模型及其应用

针对很多预测案例中历史数据序列非等时距的特点,构建了非等时距的GM(1,1)预测模型,将序列的时间间隔作为乘子嵌入模型中,同时通过动态采用最新分量作为初始值、动态优化背景值和累积残差修正等方法,解决了非等时距预测模型长期预测精度不易控制的难题.将该模型应用于某发动机油液监测数据预测中,预测效果较好.     

基于关联分析广义回归神经网络模型在艺术陶瓷定价中的应用

通过提取对陶瓷企业定价的影响因素,采用了灰色关联度分析法,构造了陶瓷企业定价的评价模型,得到了各个因素之间的灰色关联度,从而确定各因素对陶瓷企业定价影响的关键因素,结合广义回归神经网络模型,采用组合输入向量建立陶瓷定价的组合广义回归神经网络预测模型.实例表明:模型比其它模型的预测值更加精确,并且算法能应用到其它数据处理中,具有较广泛的适应性.