出行量预测不确定下基于灵敏度分析的拥挤收费定价模型

拥挤收费是改善城市交通的有效手段.对拥挤收费定价的研究方法之一,就是针对固定的出行量进行收费设计.由于出行量预测不确定的因素,应针对长期出行量预测不确定的情况,利用灵敏度分析的方法,对拥挤收费定价的问题进行研究.首先研究了出行者出行的广义费用,然后考虑出行者的出行决策及出行量预测不确定的因素,给出一个拥挤收费定价模型,为交通管理者提供理论依据.     

基于GMDH的LSSVM预测模型及其实证

自从Suykens提出新型统计理论学习方法-最小二乘支持向量机(LSSVM)以来,这种方法引起了广泛的关注,它在预测方面的良好性能得到了广泛应用.应用自组织数据挖掘(GMDH)方法改进LSSVM,提升了预测精度.首先利用GMDH方法选择有效的输入变量,再将这些变量作为LSSVM模型的输入,进行时间序列的预测,从而建立LSSVM和GMDH组合的混合模型GLSSVM.并通过汇率时间序列对本文模型进行了实证.结果表明,混合模型预测精度得到了明显的提高.     

财务重述对分析师预测行为的影响研究

本文以我国2005-2009年间A股市场发生年度财务报表重述的公司并结合相应的分析师预测数据作为样本,分别考察了财务重述和财务重述调整金额对分析师跟进及预测特征的影响。多元回归结果表明:财务重述会减少分析师跟进、增加分析师预测误差,重述调减以前年度损益的程度越大,分析师预测的分歧和误差就越大;而财务重述增加分析师预测分歧、重述调整金额影响分析师跟进的假设却未得到证实。本研究发展了财务重述、分析师预测的研究内容,为提高公司财务报告质量、规范分析师行业提供了相应的思路。     

Bidding strategy with forecast technology based on support vector machine in the electricity market

The participants in the electricity market are concerned very much with the market price evolution. Various technologies have been developed for price forecasting. The SVM (Support Vector Machine) has shown its good performance in market price forecasting. Two approaches for forming the market bidding strategies based on SVM are proposed. One is based on the price forecasting accuracy, with which the rejection risk is defined. The other takes into account the impact of the producer’s own bid. The risks associated with the bidding are controlled by the parameter settings. The proposed approaches have been tested on a numerical example.     

基于蒙特卡罗方法的中国中长期煤炭需求预测

为避免传统预测方法的参数取值主观性问题,采用参数随机产生的蒙特卡罗方法预测中国中长期煤炭需求。首先分析了经济增长、能源结构和产业结构三个主要煤炭需求影响因素,并基于1980~2015年间各影响因素及煤炭消费的历史数据和最小二乘法的多元线性回归拟合煤炭需求方程。在此基础上,构建各影响因素的概率分布,采用蒙特卡罗方法模拟1981~2015年的煤炭需求,发现仿真结果可以较好拟合现实,可作为仿真预测的有效工具。结合经济新常态和能源结构调整的现状,控制参数取值范围进行蒙特卡罗仿真预测,结果显示,2016~2025年的煤炭需求呈先上升后下降趋势,并于2020年达到需求的峰值40.25亿吨,这些结果对于煤炭产业的科学决策有重要的作用。     

基于灰关联分析的GA-BP神经网络在汽车油耗估算中的应用

从设计参数特征入手分析影响汽车油耗的因素,利用灰关联分析方法,解析了各设计参数对汽车油耗的影响程度,选择其中灰关联度较大的设计参数作为输入数据,综合工况油耗作为输出数据,构建6-5-1层结构的BP神经网络预测模型,并利用遗传算法获得优化后的BP神经网络的权值和阈值,然后训练BP神经网络得到最优值,最后以国内市场340款汽车作为研究样本,进行有效性验证.研究结果表明,模型利用灰关联分析获得影响汽车油耗的主要因素,简化了网络结构;与优化前的BP神经网络相比,具有更高的预测精度和可靠性.     

基于ARIMA模型的我国大宗农产品价格指数预测

以2006年6月至2015年12月我国大宗农产品价格指数月度时间序列作为研究对象.构建ARIMA(1,1,1)模型对我国大宗农产品价格指数进行了拟合和预测,并对模型拟合效果和预测准确度进行了检验,效果均良好.预测结果表明,从长期变化趋势看,我国大宗农产品价格指数上涨是大势所趋.从短期变化趋势看,大宗农产品面对较大的价格下行压力.     

基于产品需求替代的两级供应链牛鞭效应分析

考虑两种产品需求替代下的自回归移动平均时间序列,零售商采用最小均方差技术预测市场需求,以订货点法确定订货量的两级供应链牛鞭效应量化模型,并对该模型牛鞭效应的大小及其影响因素进行理论分析和算例验证,研究表明:1)需求替代情形下牛鞭效应的表达式对有无需求替代的情况都适用;2)替代系数对被替代产品的牛鞭效应无影响,对替代产品的牛鞭效应有影响,并且替代系数同替代产品的牛鞭效应变化方向一致;3)需求替代情形下缩短提前期并不一定能减少替代和被替代产品的牛鞭效应.     

Lee-Carter模型的理论分布和区间预测

死亡率预测是人口预测、长寿风险度量以及寿险公司产品定价和风险管理的基础。在死亡率预测模型中,Lee—Carter模型被广泛采用,但关于Lee-Carter模型的理论分布函数、期望和方差等分布特征,并没有专门的研究。本文在文献研究的基础上,对Lee-Carter模型进行了完整的理论研究,给出了完整的Lee-Carter模型理论分布和区间预测表达式,为相关研究提供了可靠的理论依据。同时,对传统的Lee-Carter预测区间估计方法和文中给出的区间预测估计方法进行了对比研究,发现使用传统Lee-Carter预测区间估计方法得到的预测区间较窄,对长寿风险存在低估,在预测时间较短时,这种低估更严重。     

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.