新型模糊时间序列模型与应用

为了提高模糊时间序列的预测精度,文章利用小波分析多尺度分解方法,选择适当的小波函数,把一维数据分解为低频逼近部分和高频细节部分,在低频部分和高频部分根据各自数据特征利用模糊C一均值聚类算法分别建立模糊时间序列模型并预测,然后把每个部分的预测值根据小波重构得到最终预测结果.通过对国家财政收入实例验证对比发现,该模型在预测精度方面有较大提高.     

基于季节性ARIMA模型的居民消费水平预测

文章以居民消费价格指数(CPI)的短期预测作为切入点,采用定量的时间序列分析方法,建立季节自回归综合移动平均(季节性ARIMA模型)模型对CPI时间序列进行量化分析.首先阐述基于该模型的CPI预测的一般过程,即:平稳化处理、差分变换的阶数辨识、参数估计,时间序列模型的构建,然后对模型进行性能检验,确定较适合的季节自回归综合移动平均模型,最后在实证分析中探讨经济变量CPI与时间变量之间的变动规律,对CPI时间序列进行适当的差分处理,取得了较为理想的预测效果.     

中国国防费时间序列预测模型的建立

时间序列模型(ARMA)是一种精度较高的短期预测模型.本文综合运用B-J时间序列建模方法,对中国国防费时间序列平稳性进行了判别;利用单位根方法检验了时间序列的单整阶数;利用自相关函数和偏自相关函数判别了时间序列模型的自回归阶数(AR(p))和移动平均阶数(MA(q));最后利用Eviews统计软件建立了合适的中国国防费时间序列模型,并进行了分析和预测.     

基于小波分析的AR-GREY预测模型及其应用

文章介绍了小渡分析、自回归模型和灰色预测模型,建立了基于Maliat小波分析的AR-GREY预测模型.将非平稳时间序列用小波分解到不同尺度上以减少原始序列的随机性.然后再利用灰色模型对低频信息(趋势)进行预测,对于高频信息(短期波动)则建立自回归模型,从而在充分拟合趋势的同时,避免了短期波动的过拟合:通过BDI预测算例验证了预测模型的实用性和精度.因利用了MATLAB软件和Eviews软件,模型构建、修改方便,可在实际中应用.     

我国月度居民消费价格指数的预测方法与应用

文章用时间序列的BP神经网络和ARMA模型的方法对我国2005年1月～2011年5月的月度CPI进行了模型分析并检验了预测效果。对比分析表明,利用月度CPI时间序列的BP神经网络方法相比ARMA模型有更好的预测精度。     

基于回归方法的灰色包络带预测模型改进

传统灰色包络带预测模型在上(下)界函数构造上有其不足,从而造成对预测精度影响。文章利用回归分析的方法构建上缘点连线的逼近曲线,并由此构建上缘点的序列点的上界函数。利用GM(1,1)模型得到时间响应式,并由时间响应式得到改进包络带预测模型。通过比较传统包络带模型、改进包络带模型和中位线序列模型预测精度,以说明改进的包络带模型在预测精度上得到了显著提高。     

基于ARIMA模型的北京居民消费价格指数预测

自回归单整移动平均模型(ARIMA)是目前较为广泛应用的时间序列建模方法之一,文章以北京市1998年1月~2013年5月的CPI月度数据为样本,采用Eviews6.0软件,建立了ARIMA(12,18)模型,模型对样本内数据拟合较好,预测误差较小,用该模型对北京市2013年6月~2013年12月的CPI指数进行了预测。     

居民消费价格指数的GM(1,1)模型预测

影响居民消费价格指数(CPI)的因素很多,难以通过回归模型来预测其未来走势.在一个较长的时间序列内,CPI变化具有较强的规律性,这满足使用GM(1,1)建模并用于预测的基本要求.文章通过创建CPI的GM(1,1)模型,并对该模型可用性进行了验证;在验证通过的情况下进行了CPI的模拟及预测.事实证明,使用GM(1,1)模型来预测CPI未来的走势,且具有较高的预测精度.     

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.     

基于混合时间序列模型的粮食产量预测

粮食产量的预测是保障粮食安全的重要组成部分.文章结合河南省许昌市粮食产量的历史数据,首先建立趋势外推预测模型,并对模型进行相应的分析;然后运用趋势外推与ARIMA模型(求和自回归移动平均模型)结合起来的混合时间序列模型对趋势值和真实值之间的离差序列即残差进行分析,得到混合时间序列模型的预测结果;最后通过比较得出的混合时间序列模型预测的精度较高,可作为粮食总产量预测的有效工具之一.     

基于小波分析的基金净值预测模型

基于小波分析提出了一种基金净值预测模型。此模型利用小波分析理论用改进的小波阈值去噪方法对基金净值数据进行去噪处理,再对经过去噪处理后得到的较为平稳的数据,利用计量经济学中时间序列自回归模型进行短期预测。研究证明：该预测模型能较好地预测基金净值的短期趋势,预测结果优于传统的基金净值预测模型。     

我国CPI时间序列预测模型的比较及实证检验

文章运用时间序列的几个不同模型,对我国居民消费价格指数(CPI)的变化规律进行了比较研究;通过对我国2001年1月至2007年8月共80个月份的CPI值进行实证分析,建立了一个反映CPI变化规律的较优统计预测模型,该模型的相对误差控制在1%之内,得到较好的结果;最后,利用该模型对2007年9月至2008年8月的CPI变化趋势进行了预测。     

基于小波变换的时间序列奇异性问题探析

文章讨论了基于小波变换模极大值的时间序列奇异性问题探测,突破了傅立叶分析在时域和频域方面的局部化能力。时间序列的局部奇异性可由其小波变换模随尺度参数的衰减特性来刻画,文章通过小波变换在小尺度下的局部模极大值来检测信号奇异性;并通过建立目标函数计算Lipschitz指数,简化了计算过程。     

基于ARIMA-GMDH的GDP预测模型

文章先对四川省GDP分别建立了ARIMA时间序列模型和GMDH变量自回归模型来进行预测;然后利用GMDH自组织建模方法建立ARIMA-GMDH组合预测模型来预测;最后使用Bonferroni-Dunn方法对三个模型的稳定性进行分析检验。模型预测结果和稳定性检验结果表明:基于ARIMA-GMDH组合的GDP预测模型的拟合和预测都优于另外两种单预测模型。相比之下组合模型在拟合和预测效果具有较高的可靠性、准确性和稳定性。     

中国制造业PMI与CPI的相关性分析

文章选取了2005年1月至2015年4月的中国制造业采购经理指数(PMI)与居民消费价格指数(CPI)的数据进行相关性分析,并对两个时间序列构建向量自回归模型,进而通过Granger因果检验、脉冲响应函数分析、方差分解分析说明了中国制造业PMI与CPI之间的定性定量关系,得出PMI与CPI互为Granger因果关系,PMI与CPI之间存在相互作用关系,且PMI对CPI具有较长时间和较大程度的正向影响.     

组合模型对统计数据准确性检验的适用性研究

文章以GDP数据的准确性为例,根据Cramer分解定理的基本理论对我国GDP数据时间序列建立了确定性趋势模型,对模型得到的平稳残差序列拟合ARMA模型;将两种模型组合起来对我国GDP数据进行预测,用预测值代表"真值",考察了预测值与观察值之间的差异;用异常值检验法对2001～2007年我国GDP数据的准确性进行了检验和分析,证明了组合预测模型在统计数据准确性检验中的适用性总体上不强,并提出了模型改进应用的思路.     

基于残差自回归和自适应过滤的生活能源消费量组合预测模型

文章主要应用残差自回归模型和自适应过滤模型,对1980年到2006年间我国生活能源消费量时间序列建模,并通过两种模型组合预测得到了2007年到2010年的我国生活能源消费量的预测值。     

基于混沌特性参数的股指神经网络建模及预测

文章针对嵌入维数较高的混沌时间序列很难在相空间中找出一种映射关系来预测其变化趋势,提出基于序列的混沌特性参数建立RBF神经网络预测模型。该模型以相空间中的各个相点作为输入,通过高斯函数的多次复合来逼近复杂的映射关系。以具有混沌特性的上海证券交易所股指时间序列为例对模型进行了验证。结果表明,该模型具有较好的预测能力和预测精度。     

股指期货信息内含股价变动信息的挖掘 ――小波框架与支持向量回归的金融建模应用

 内容提要：中国股指期货的推出指日可待，交易者多了一种投资工具的同时也带来了新的风险。建立准确的金融时间序列预测模型是逐利及避险的方法之一，一直是学者专家研究的热点。本研究结合小波转换与支持向量回归，提出一个二阶段时间序列预测模型。先以离散小波框架将预测变量分解成不同尺度的多个子序列，揭示隐藏在预测变量内的信息，再以支持向量回归为工具，以这些子序列为预测变量建构SVR模型。本研究以日经225指数开盘价为预测目标，以期货开盘价为预测变量对模型进行实证研究，结果显示，该模型的预测绩效比单纯SVR模型及随机漫步模型好。未来可尝试以不同的基底函数作进一步研究。     

LMSV模型波动的长记忆与相关性的小波分析

本文提出了LMSV模型的波动自相关函数的定义,将小波分析方法引入到LMSV模型的建模研究中,提出了基于最大重复小波变换(MODWT)的不同尺度下的LMSV模型,并进一步讨论了不同尺度下的波动自相关函数的性质,并用该方法对上海和深圳证券市场综合指数收益波动序列进行建模,对在同一尺度和不同尺度下的长记忆性与相关性进行了实证分析。