基于时变稳健加权最小二乘法的股市收益率预测

提出一类时变参数稳健加权最小二乘法(TRWLS),并将其用于预测标准普尔500指数收益率.该方法将时间相关权重与稳健估计权重相结合,既能捕捉参数时变性,又能降低数据噪声的影响.TRWLS模型组合揭示了经济和统计意义上均显著的收益率可预测性,而且预测能力明显高于普通最小二乘法.TRWLS模型的预测表现也好于传统时变参数模型和稳健回归模型.其预测能力主要来源于时间权重和稳健性权重的互补性以及超参数的学习能力.预测结果在调整多元信息组合方法、权重核函数和验证集长度的情况下均具有稳健性.     

谁是驱动中国原油期货价格波动的关键信息?

本文首次对影响中国原油期货价格波动的驱动因素进行了量化分析.运用广义动态因子模型,结合互联网数据,为中国原油期货价格构造了六类预测因子：供需预测因子、市场金融化预测因子、汇率市场信息预测因子、商品市场预测因子、全球宏观经济预测因子以及事件预测因子.基于混频GARCH-MIDAS模型,本文发现上述六类因子能显著改善对原油价格波动的预测精度.同时,基于MCS检验结果,揭示出在不同时间尺度下,驱动中国原油价格波动的信息存在明显差异性,即在短期和中期预测中事件预测因子起主导作用,而供需因子则是在长期主导中国原油价格波动的关键因素.综上,本研究为国内原油市场参与者、政策制定者及市场监管者把握未来市场信息提供了分析工具和参考依据.     

基于贝叶斯因子模型金融高频波动率预测研究

构建了包含时变系数和动态方差的贝叶斯HAR潜在因子模型(DMA(DMS)-FAHAR),并对我国金融期货(主要是股指期货和国债期货)的高频已实现波动率进行预测.通过构建贝叶斯动态潜在因子模型提取包含波动率变量、跳跃变量和考虑杠杆效应的符号跳跃变量等预测变量的重要信息.同时,在模型中加入了投机活动变量,以考察市场投机活动对中国金融期货市场波动率预测的影响.预测结果表明,时变贝叶斯潜在因子模型在所有参与比较的预测模型当中具有最优的短期、中期和长期预测效果.同时,具有时变参数和时变预测变量的贝叶斯HAR族模型在很大程度上提高了固定参数HAR族模型的预测能力.在股指期货和国债期货的预测模型中加入投机活动变量可以获得更好的预测效果.     

组合式神经网络下的短期电力负荷预测模型分析

本文对电力负荷变化规律和影响因素进行分析,提出一种组合式神经网络下的短期电力负荷预测模型。采用神经网络、模糊聚类分析和模式识别理论的方法进行建模。以每天24点负荷数据、天气数据以及天类别数据为指标,将历时数据分成若干类别,针对每一类别建立神经网络预测模型,预测时通过模式识别,找出与预测天相符的预测类别,利用相应的神经网络预测模型进行24小时短期电力负荷预测。     

二重趋势性季节型电力负荷预测组合灰色神经网络模型

对于具有增长和波动二重趋势性的季节型电力负荷,首次提出了季节型负荷预测的组合优化灰色神经网络模型,研究了同时考虑两种(非线性)趋势的复杂季节型负荷预测问题,说明了此优化模型分别优于两种单一发展趋势负荷预测模型,给出了电力负荷预测的应用实例,为季节型电力负荷预测提供了一种新的、有效的方法。     

粒子群优化灰色模型在负荷预测中的应用

针对电力系统负荷特性,分析灰色模型GM(1,1)的应用局限性,引入向量α改进灰色模型背景值序列的计算公式,从而构建了适应性更强的GM(1,1,α)模型。应用粒子群优化算法非线性全局寻优能力来求解最优α值,提出了基于粒子群优化算法的灰色模型PSOGM,并给出了电力负荷预测的应用实例。实例证明PSOGM模型具有较高的预测精度和较广的应用范围。     

基于驱动因素控制的线性时变参数DLDGM(1,N)模型

针对传统GM(1,N)模型未考虑参数随时间变化的动态特征及未明确驱动因素作用机制的问题,首先引入线性时变参数以及驱动因素控制函数,构建基于驱动因素控制的线性时变参数DLDGM(1,N)模型,论证DGM(1,1)、NDGM(1,1)、TDGM(1,1)、DGM(1,N)、DCDGM(1,N)模型均是该模型在不同参数取值下的特殊形式;然后基于白化信息充分和匮乏的两种情况,给出驱动因素控制参数的识别方法;最后应用所提模型对河南省粮食产量进行预测,验证模型的有效性和实用性。     

上证综指的股指波动:基于模糊FEGARCH模型及不同分布假设的预测研究

本文主要对2006年至2011年上证综指收益率序列的高频波动性进行预测研究。首先,针对金融数据的非线性和不确定等特性,借助模糊逻辑系统,提出一种新的金融市场波动率的预测方法-模糊FEGARCH模型,用来更好的针对具有非线性特性的收益率数据进行预测。其次,为了判断分布型模型和不对称型模型对预测精度的影响程度,分别采用分布型(GARCH-N,GARCH-t,GARCH-HT和GARCH-SGT)和不对称型(GJR-GARCH、EGARCH和模糊FEGARCH)的波动模型进行高级能力预测法(SPA)检测。实证结果表明,不对称模型对波动率预测的影响程度比分布假设的确定更为重要,而且模糊FEGARCH模型对于具有尖峰厚尾、高偏度和杠杆效应的非线性波动数据的预测能力更佳,说明了该模型的有效性与实用性。     

中国股票市场可预测性研究：基于机器学习的视角

股市风险溢价是金融学中的一个经典研究问题.常见的线性模型存在着模型误设和参数不稳定的问题，难以有效预测风险溢价.本研究从机器学习的视角重新检视了中国股票市场的可预测性.基于1996年1月—2019年12月的数据，构建提升回归树(boosting regression trees, BRT)模型对股市收益率与波动率进行样本外预测，并构建了最优风险资产配置模型.实证结果显示：1)提升回归树方法能够对收益率、波动率和最优风险资产权重做出准确预测；2)在收益率预测中最重要的三个变量分别是净权益增加值、换手率和股价方差；挖掘预测变量之间的非线性关系是BRT预测能力的来源；3)结合提升回归树预测构建的最优风险资产组合可以为投资者带来更高的收益和效用.本研究将机器学习方法引入股票市场风险溢价的研究，为此问题的研究提供了全新的视角.     

一种基于动态关系辨识算法的短期预测方法

针对目前众多短期预测问题中存在的业务数据波动性增大、预测结果影响因素增多等问题,结合自适应建模技术,提出了一种基于动态关系辨识算法的统计类短期预测方法。该方法首先根据预测问题提出动态关系模型,然后结合不断更新的业务数据和最佳预测精度值,对模型参数和模型结构系数进行动态调整,从而使得决策者能够始终基于模型的最优状态获得预测结果。研究结果表明:针对波动性较大的业务数据,该方法自我调整能力较强,对近期数据的跟踪性较好,鲁棒性强,易于推广应用。     

基于季节调整和Holt-Winters的月度负荷预测方法

针对负荷序列中异常数据会导致模型误设或参数估计发生偏差的问题，提出利用季节调整方法，先对原始负荷序列进行季节调整，获得消除离群值、节假日影响的季节调整后序列和季节成分序列；然后用改进的Holt-Winters方法对季节调整后成分进行预测，用虚拟回归方法预测季节成分序列；最后对各成分预测结果重构得到最终预测结果的月度负荷预测方法。通过实例检验，提出的方法能明显提高预测精度，预测效果要优于季节性Holt-Winters、SARIMA、神经网络、支持向量机等模型。     

短期电价预测的组合混沌方法

电力市场中,电价的变化呈现的是一种非线性的、动态开放的过程,传统的方法已很难提高其预测精度。为此,本文提出一种基于小波变换、计量经济学模型和径向基函数网络的组合混沌预测方法。首先利用小波变换将原电价序列分解、重构成概貌序列和细节序列;在此基础上,针对不同的子序列建立不同的模型,并进行预测;最后将所有子序列的预测结果求和,作为最终的预测值。对西班牙电力市场短期电价的预测表明,该方法具有很高的预测精度。     

Combining forecasts of electricity consumption in China with time-varying weights updated by a high-order Markov chain model

Electricity consumption forecasting has been always playing a vital role in power system management and planning. Inaccurate prediction may cause wastes of scarce energy resource or electricity shortages. However, forecasting electricity consumption has proven to be a challenging task due to various unstable factors. Especially, China is undergoing a period of economic transition, which highlights this difficulty. This paper proposes a time-varying-weight combining method, i.e. High-order Markov chain based Time-varying Weighted Average (HM-TWA) method to predict the monthly electricity consumption in China. HM-TWA first calculates the in-sample time-varying combining weights by quadratic programming for the individual forecasts. Then it predicts the out-of-sample time-varying adaptive weights through extrapolating these in-sample weights using a high-order Markov chain model. Finally, the combined forecasts can be obtained. In addition, to ensure that the sample data have the same properties as the required forecasts, a reasonable multi-step-ahead forecasting scheme is designed for HM-TWA. The out-of-sample forecasting performance evaluation shows that HM-TWA outperforms the component models and traditional combining methods, and its effectiveness is further verified by comparing it with some other existing models.     

半参数计量经济联立模型的变窗宽估计理论

联立方程模型在经济政策制定、经济结构分析和经济预测方面起重要作用.文章将半参数单方程计量经济模型的局部线性估计方法与传统联立方程计量经济模型的工具变量估计方法相结合, 在随机设计(模型中所有变量为随机变量)下, 提出了半参数联立方程计量经济模型的局部线性工具变量变窗宽估计方法, 并利用极限理论研究了估计的大样本性质.结果表明:参数分量的估计具有一致性和渐近正态性且收敛速度为n-1/2;非参数分量估计在内点处具有一致性和渐近正态性, 其收敛速度达到了非参数函数估计的最优收敛速度.     

基于PMSC管理及奖惩机制的智能电网实时定价研究

针对用户不断增强的市场价格响应能力，考虑用户电器分类，提出一种惩罚恶意用户和不稳定供电商同时激励非恶意用户的识别机制，并建立社会福利最大化模型研究基于PMSC管理的智能电网实时定价问题。通过对模型进行拉格朗日对偶分解后，最终运用启发式算法求解得到最优电价及电力需求。数值模拟结果表明：求解算法能够快速收敛，且在惩罚和激励双重调节下，电力系统的可靠性和稳定性得到调整和优化，用户效用得以提升；此外，一定范围下激励因子可促使用户效用和社会福利递增。     

基于SC-RS的我国工业电力用户价值画像模型研究

电力用户价值画像对于提升我国供电企业的营销服务资源配置效能,提高智慧营销管理水平,从而最大化撬动供电企业的综合效益具有重要的现实意义。现有工业电力用户价值画像模型评级指标体系未能反映国家最新能源政策对我国工业企业的发展要求、无法良好应对现实电力用户用电数据的稀疏性,以及对于新用户价值等级预测的准确性存在提高空间。针对以上问题,本文集成数据挖掘技术中的谱聚类算法(Spectral Clustering, SC)与智能算法中的粗糙集理论(Rough Set, RS),构建了一种优化的数据驱动型工业电力用户价值画像模型,简称SC-RS模型。新模型构造围绕“知识萃取-知识推理-知识服务”的逻辑脉络展开,首先,在“知识萃取”部分,结合我国“碳达峰”目标与“碳中和”愿景,构建优化的我国工业电力用户价值评级指标体系,此外,采用谱聚类技术,并联合网格搜索策略,提炼用户价值等级信息情报;然后,在“知识推理”部分,应用粗糙集理论,继承已有三维规则挖掘框架,构建基于ChiMerge离散法与变异系数的行约简、基于系统依赖度的列约简、基于对象确定性因子的格约简,以及基于规则强度的规则提取方案这一拓展的四维规则挖掘模型,生成用户价值等级规则库;最后,在“知识服务”部分,一方面运用用户价值等级信息情报,构造价值决策系统,以及描摹群体用户价值画像,另一方面运用规则库,呈现可理解的价值知识,以及构造价值等级规则软分类器,实现新用户价值等级预测与个体价值画像描摹。为了展示模型的应用路径与具体步骤,采用实际工业电力用户数据,对模型开展实证研究。结果表明,SC-RS模型构建的评级指标体系紧跟我国电力行业最新发展动态,具有较强先进性;模型能够兼容稀疏性数据,对数据要求低;构造的粗糙四维规则挖掘模型可行有效,且对新用户价值等级的预测准确性高。综上,SC-RS模型能够对电力用户大数据实现价值情报挖掘与利用,是为我国电力企业智慧营销管理赋能的有力工具。     

Forecasting short-term electricity consumption using the adaptive grey-based approach—An Asian case

The overall electricity consumption, treated as a primary guideline for electricity system planning, is a major measurement to indicate the degree of a nation's development. The electricity consumption forecast is especially important with regard to policy making in developing countries (Asian countries in this work). However, since the economic growth rates in these countries are usually high and unstable, it is difficult to obtain accurate predictions using long-term data, and thus forecasting with limited (short-term) data is more effective and of considerable interest. Grey theory is one approach that can be used to construct a model with limited samples to provide better forecasting advantage for short-term problems. The forecasting performance of AGM(1,1), based on grey theory, has been confirmed using the Asia-Pacific economic cooperation energy database, and the results, compared with those obtained from back propagation neural networks (BPN) and support vector regression (SVR), show that the proposed approach can effectively deal with the problem of forecasting electricity consumption when the sample size is limited.     

基于用户电器分类的智能电网实时定价研究

目前，电力运行环境日趋复杂，电力体制改革也在不断进行。针对电力行业逐渐向信息化转变、能源利用率较低以及用户与电力公司交互性不高的现状，提出了一种电器分类实时定价模型。该模型根据不同类型用户的用电器进行分类，电力公司根据不同类型电器的用电情况实时制定出不同种类电器的用电价格，以便引导用户在不同时段根据不同类型电器的电价来使用电器，控制居民的用电行为。智能电表的使用，可使用户了解到不同电器的实时电价，并以此调整使用电器，电力公司也随时得到用户的用电量来调整电价和供电量，达到削峰填谷的作用。此模型既有时效性也能使供需双方用电效用最大化。最后通过数值实验对比分析，结果验证了所提出的模型的有效性。     

基于贝叶斯神经网络短期负荷预测模型

本文提出了基于贝叶斯神经网络(BNN)短期负荷预测模型。根据气象影响因素和电力负荷的样本数据,针对权向量参数的先验分布分别为正态分布和柯西分布两种情况,应用混合蒙特卡洛(HMC)算法学习了BNN的权向量参数。由HMC算法和Laplace算法学习的贝叶斯神经网络以及BP算法学习的传统神经网络分别对4月 (春)、8月 (夏)、10月 (秋)和1月(冬)每月25天的每个整点时刻的负荷进行了预测。这些神经网络的输入层有11个节点,它们分别与每个整点时刻和的气象因素、上一个整点时刻的气象因素和时间变量相对应,输出层只有一个节点,它与负荷变量对应。试验结果表明HMC算法学习的BNN的预测结果的百分比平均绝对误差( MAPE)和平方根平均误差( RSME )取值远远小于由Laplace 算法学习的BNN和BP算法学习的人工神经网络的 MAPE和RMSE。 而且,HMC算法学习的BNN在测试集和训练集上的预测误差MAPE和RMSE的相差很小。 实验结果充分说明HMC算法学习的BNN具有较高的预测精度和较强的泛化能力。