基于EMD方法的股票价格预测

文章将经验模式分解方法(EMD)引入到中国金融市场数据预测中,利用EMD正交分解的特殊功能,提出了一种较为准确的金融市场时间序列预测其走势的方法。并与传统实践上相对比较成熟的小波分析方法(WA)进行对比分析,实证研究表明:经验模式分解方法(EMD)较小波分析方法拟和精度更高、预测功能很强。此方法为金融市场数据研究提供了一个强有力新的分析工具,在理论和实践上有其重要的指导意义。     

原油价格改进型神经网络预测方法

为了提高基于神经网络的国际原油价格预测性能,文章提出一种改进型变参数神经网络原油价格预测方法.该方法利用经验模式分解(EMD)对原油价格序列进行分解得到多个内蕴模式(IMF),对于每个IMF进行变参数的前向神经网络训练,将每个IMF下预测的结果进行综合,从而得到预测的原油价格.实证结果表明,相比已有的基于EMD和神经网络的预测方法,本方法的预测效果有一定的改善.     

基于EMD的VaR估计方法及实证研究

文章提出了一种基于经验模式分解(EMD)的市场风险价值(VaR)估计方法。通过EMD将市场价格序列分解成不同波动特征的本征模态函数(IMF),以Hurst指数为判据将其重新组合为具有长期记忆性的主体部分和高斯噪声部分。利用神经网络预测主体部分的未来走势并对噪声部分进行方差分析,以此估计出市场的风险价值(VaR)。     

基于EMD的时间序列不同频率波动及趋势研究

希尔伯特-黄转换(HHT)的经验模态分解(EMD)法为分析经济金融领域的非线性、非平稳时间序列不同频率的波动以及序列的变动趋势提供了一种新的简单有效的统计分析工具。文章利用这种新的分析方法对我国通货膨胀率以及股票实际收益率的不同频率的波动关系和长期变动趋势进行了实证分析。     

金融时间序列混合智能预测模型及实证研究

文章针对金融时间序列变化复杂、难以用单一智能方法进行有效预测的问题,提出了一种新的基于经验模式分解、支持向量回归和粒子群优化的混合智能预测模型.经验模式分解能将非平稳时间序列按其内在的时间特征尺度自适应地分解为多个基本模式分量,根据这些分量各自趋势变化的剧烈程度选择不同的核函数进行支持向量回归预测,最后通过粒子群优化算法对各预测分量进行加权组合,得到原始序列的准确预测值.证券市场实证研究表明该模型可以准确预测金融时间序列.     

大数据指数是否可以替代统计调查指数

2014年7月,澳盛银行首次将阿里巴巴系列指数纳入通胀观察标的,标志着大数据指数已经开始对传统的统计调查指数提出质疑和挑战。本文基于阿里巴巴aSPI指数和官方公布的CPI指数的比较研究,首次提出了aSPI指数显著优于CPI指数的一些基本特征;同时,通过实证分析对比了两种指数的同步性特征和分解性特征,即首先运用协整检验方法确定二者的同步性;其次通过EMD模型对二者进行序列分解,得出各自的波动成分和增长趋势;最后,在EMD对aSPI指数分解的基础上,通过Lasso回归估计了CPI指数。研究表明,随着对大数据研究的广泛性、科学性以及方法论和软件工具的进步,大数据指数对传统统计调查的佐证、补充乃至融合将会成为一种新趋势,通过实证、应用与发展,逐步产生新的CPI编制方法和分析体系,将是大数据指数理论和实践的根本出路。     

内蒙古生产总值与主要经济指标预测区间分析

研究国内生产总值(即 GDP，下同)与主要经济统计指标的预测区间，需要从大量的数据中寻找数据变化趋势及指标之间的相关性，建立数学预测模型，并以模型来预测各项指标在以后年份的数值。通常人们使用的是回归分析和相关分析方法，经过多年实践，这两种方法技术已臻成熟，在许多领域的研究应用上均有显著的成果。本文采用回归     

基于MCMC方法的GARCH模型参数估计

参数GARCH模型是最常用的度量金融市场波动性的模型.运用马尔科夫蒙特卡罗(MCMC)方法对残差基于正态分布的GARCH(1,1)的参数进行估计,由沪市股指收益率数据的实证分析结果表明:基于马尔科夫蒙特卡罗(MCMC)方法估计的GARCH模型比基于极大似然估计(ML)方法估计的GARCH模型具有更好的拟合效果和预测能力.     

动态组合型神经网络的预测模型

经济预测方法常可分为两类:一类是解释性预测方法,即找出预测量的各影响因素,建立回归分析模型;另一类是时间序列分析方法,它只依赖于被预测量的历史观测数据及数据模式,通过序列分析,找出其顺序变化规律。目前采用     

基于部分函数型线性回归模型的改进

金融市场的交易是不间断的,价格始终高频的更新,在金融数据的研究中,经常遇到函数型数据.文章主要建立部分函数型线性回归模型,分析函数型数据在上证指数预测中的应用,根据函数型数据分析的原理及其求解主成分分析的方法,使用Matlab对上证指数进行预测.     

汽车零件成本预测模型研究

成本是决定产品竞争能力的一个重要因素,成本预测是目标成本管理的一个关键环节.本文是在我国某汽车制造公司成本分解实践的基础上,运用统计分析的方法,对汽车驾驶室成本分解时相关零部件成本预测模型的研究,是一种成本管理经验的介绍和方法探讨.     

中国股票市场流动性与宏观经济变化的实证检验

文章采用我国的数据利用格兰杰因果检验、脉冲响应函数、方差分解等计量分析方法,实证检验中国股票市场流动性对于宏观经济变化的预测价值.研究发现,在现阶段我国股票流动性对于以中经网一致指数增长率衡量的宏观经济变化没有预测价值,进而我们分析了这种现象产生的原因;同时我们发现,中经网先行指数对于一致指数具有显著的预测效果,这对于政策制定者和投资者具有一定的参考价值.     

是什么使我们陷入非理性陷阱

在金融市场上,投资者经常表现出非理性行为,那么,什么样的投资者才能更好地避开金融投资中的非理性陷阱呢?本文使用生存分析方法,通过Cox比例模型,对基金投资者卖出行为的概率进行了研究。这种方法不仅可以避免为生存时间设定一个具体的概率分布;同时还可以方便地将时依协变量纳入方程之中进行分析,研究各种变量对生存时间的影响。通过对2002-2010年期间我国6290个机构投资者和101多万个人投资者投资行为的分析,我们发现基金投资者个体的"成熟度"和"投资经验"能在很大程度上减少甚至消除其在金融市场上的行为偏差。研究还发现了投资者的"成熟度"和"投资经验"对处置效应的影响程度的非对称性。     

极端事件下尾部风险度量的比较分析

金融市场极端事件的接连发生使人们不得不试图对这些极端事件,即对尾部风险做出精确的判断和预测.本文采用广义Pareto方法,对风险价值(VaR),预期损失(ES)进行的估计,并引进Omega新风险指标计算其分布的尾部特性.将这些方法应用到上证指数的实证分析中进行比较研究.     

上证综指GARCH类模型探讨

许多年来,金融市场的可预测性不仅吸引了专业人士和学术界经济学家的注意力,而且激发了众多业余投资者的兴趣.对历史价格图形模式进行的目测考察已成为投资分析的标准惯例.但是这种行情图分析表面上纯粹是描述性预测技术,缺乏理论支柱.许多学术研究者强烈反对这类分析.学术界开始利用时间序列模型分析金融价格序列.自从Box和Jenkins(1976)介绍了ARMA模型和Engle(1982)介绍了GARCH模型后,国外对这两类模型的研究已经日渐成熟.本文尝试着用这些模型分析上海证券综合指数,建立适合我国证券市场的模型.     

GARCH(1,1)模型的M-H估计及其应用

参数GARCH模型是最常用的度量金融市场波动性的模型。文章对残差基于正态分布的GARCH(1,1)模型通过构造M-H算法对其参数进行了估计,并给出了基于沪市股指收益率数据的实证分析。结果表明:基于M-H算法估计的GARCH模型比基于极大似然估计(ML)方法估计的GARCH模型具有更好的拟合效果和预测能力。     

教育回报率的性别差异研究

利用CHNS2006中的成年人数据,运用Oaxaca-Blinder分解方法,对男女工资收人分解后的系数差异进行了经验检验.研究结果表明:提高女性受教育程度可以确实有效地降低劳动力市场上的性别歧视.     

基于小波分解的汇率预测模型实证研究

基于人们的预期对汇率的影响及汇率变动中包含不同频率成分的原因,文章采用小波分解和人工神经网络(ANN)相结合的方法建立汇率预测模型,首先将原始汇率数据序列分解为不同频率序列,然后利用ANN方法针对分解后的序列分别建立模型,将每个模型预测的结果相加得到汇率的预测值.实证结果发现:(1)小波分解方法有助于提高汇率预测的精度,表明汇率变动是由不同频率成分组成并且人们预期对汇率变动具有一定的影响;(2)汇率预测中不同的神经网络模型具有不同的性能,在建立预测模型时应该慎重考虑选择的神经网络类型及其参数.     

主成分分析与经验正交函数分解的比较

在对原始资料没有限制的前提下，通过对主成分分析和经验正交函数分解两种分析方法推导过程的比较，文章认为在原始变量是距平（样本是中心化资料）或标准化距平（样本是标准化资料）时，两者的分析方法是相同的。但两者的含义有很大不同，主成分分析主要是为了寻找少数独立的变量来代替原来相关的多变量以达到压缩数据、简化运算的目的；经验正交函数分解主要是为了进行时空分解，通过分解成空间函数和时间函数来分析实际场的空间结构。所以在应用两种方法时应当规范化。以突显两者含义上的差异。