半参数回归的线性小波光滑

考虑半参数回归模型上未知函数,ｙｉ＝ｘ_ｉβ＋ｇ（ｔｉ）＋ｅｉ,１≤ｉ≤ｎ,ｇ（·）为Ｒ~１上未知参数,β∈Ｒ~ｐ为待估参数, Ａｎｔｏｎｉａｄｓ［３］中给出了非参数回归模型的小波估计,借鉴［３］我们利用偏残差法给出了β、ｇ（·）的小波估计β、ｇ（·）．本文研究了β、ｇ（·）的弱相合性及它们偏差和方差的渐近性质,并且得到了β的渐近正态性．     

基于半参数分位数回归的居民个人收入研究

教育、性别、年龄、城乡、地区经济都是影响居民个人收入的重要因素,这些因素影响收入的作用方式是不同的,有的以参数形式存在,有的则是非参数形式存在.同时,这些因素在收入的不同分位点影响收入的程度也是不同的,通过构造半参数分位数回归模型,对影响收入诸因素的作用方式与程度进行了研究.     

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。     

基于支持向量机的粒子群神经网络集成股市预测模型

为有效提高神经网络集成的泛化能力,先利用量子粒子群和主成分分析提高集成个体的泛化能力,再利用泛化能力强的支持向量机回归集成生成输出结论,建立一个基于支持向量机的粒子群神经网络集成股市预测模型.试验表明,该模型能有效提高神经网络集成系统的泛化能力,预测精度高,稳定性好.     

基于非参数自回归模型的黄金价格短期分析预测

黄金价格的变化受到众多因素的影响,总体呈波动上涨趋势。为了拟合我国黄金现货价格的非线性趋势,本文基于局部线性估计理论,建立了我国黄金现货价格的非参数自回归预测模型NAR(P)。文中结果表明,NAR(P)模型能够较好的拟合黄金价格的非线性趋势,预测误差较小。该模型具有较高的应用价值。     

半参数回归模型在空气质量指数分析和预测中的应用

根据2013年6月到2013年8月年武汉市一个检测点有关空气质量指数的数据,运用半参数回归模型对空气质量指数进行拟合,得到了空气质量指数与各有关指标的关系．实证分析表明,半参数回归模型拟合比较准确,预测结果也比较理想．     

偏最小二乘回归的贝叶斯正则化神经网络集成模型在证券分析预测中的应用

神经网络集成技术能有效地提高神经网络的预测精度和泛化能力,已经成为机器学习和神经计算领域的一个研究热点.利用Bagging技术和不同的神经网络算法生成集成个体,并用偏最小二乘回归方法从中提取集成因子,再利用贝叶斯正则化神经网络对其集成,以此建立上证指数预测模型.通过上证指数开、收盘价进行实例分析,计算结果表明该方法预测精度高、稳定性好.     

半参数回归模型研究综述

本文总结了国内外学者对半参数回归模型研究的贡献,理清了对该模型理论研究演进的方向和脉络.     

半参数回归模型研究的若干进展

本文综述了近年来国内外统计学者在半参数回归模型方面研究的若干结果，这包括最近获得的一些深刻结论。     

基于神经网络的股票预测模型

针对股票市场的特征提取困难、预测精度较低等问题,本文基于深度学习算法,构建了一系列用于股票市场预测的神经网络模型,包括基于多层感知机(MLP)、卷积神经网络(CNN)、递归神经网络(RNN)、长短期记忆网络(LSTM)和门控神经单元(GRU)的模型。 针对RNN、LSTM和GRU无法充分利用所参考的时间维度的信息,引入注意力机制(Attention Mechanism) 给各时间维度的信息赋予不同权重,区分不同信息对预测的重要程度,从而提升递归网络模型的性能。上述模型均基于股票数据进行了优化,基于上证指数对各类模型进行了充分的对比实验,探索了模型中重要变量对性能的影响,旨在为基于神经网络的股票预测模型给出具体的优化方向。     

基于MTS特征选择的神经网络集成方法

在Bagging算法基础上,运用马田系统进行特征选择,形成双重扰动改善神经网络集成的分类性能.实验表明,双重扰动增加了集成网络个体精度和差异度,基于MTS-Bagging算法的分类性能相比于Bagging有明显提高.     

基于多元混沌时间序列的油田产量预测模型

油田产量的预测一直是石油工作者研究的重要课题.针对油田产油量、产水量、地层压力和时间之间有着混沌的特征,利用多变量混沌时间序列等方法研究了油田产量的混沌建模和预测问题.用C-C算法确定每一个变量的嵌入维数和延迟时间,重构多元混沌时间序列的相空间;使用基于奇异值分解的主成分分析消除重构相空间的冗余变量和噪声干扰,建立了有较好泛化性能的多元混沌时间序列油田产量预测模型;最后将混沌时间序列预测和Elman神经网络进行耦合,创建了基于主成分分析前馈网络的多元混沌时间序列油田产量预测方法.应研究表明,提出的多变量混沌时间序列预测方法的预测精确度优于单变量预测,它可用于解决具有多变量混沌时间序列的预测问题.     

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.     

神经网络汛期降水短期气候预测模型

用1960-2005年每年5-9月安徽宣城7县(市)平均降水量作为预报对象,在对应降水前期逐月74项大气环流特征量资料、500hPa月平均高度场和月平均海温场资料中选取因子.采用主分量分析方法构造网络学习矩阵,降低矩阵维数,提高网络预测模型泛化性能.建立的神经网络汛期降水短期气候预测模型对历年样本拟合精度高,试报效果较好,可在气候预测业务中使用.     

基于多分辨率分析的股票市场预测模型研究

采用多分辨率分析技术将深证成指收盘数据序列分解为多个子序列,然后采用神经网络技术对每个子序列分别建立预测模型,将各个预测结果叠加后得到最终预测结果.研究首先发现多分辨率技术可以有效提高预测模型的预测精度,表明分析我国股市波动时应该按照不同因素对股市影响大小及周期的差异分别研究,才能更有效分析股市运行状况及对其预测;其次结果表明不同类型神经网络预测模型预测性能差异明显,在选择股市预测模型的神经网络类型时应该注意其学习算法及收敛过程,以便能更好捕获股市变化规律.     

基于BP.网络的工程投资估算模型

选择δ学习规则、有监督学习方式的BP神经网络模型作为本次应用的模型.对30个案例进行分析研究,挖掘有用的数据,找出影响工程造价的主要特征,并对这些特征按其对应分类定性处理,模拟从定性分类处理后的工程特征到工程造价的非线性映射关系.模型估算误差率在±10%以内,满足投资估算阶段的精度要求.     

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.