基于文化算法的支持向量机组合预测模型

为提高预测精度,文章提出基于文化算法的支持向量机组合预测模型.以组合预测模型的误差平方和最小为优化准则,用文化算法对支持向量机参数进行优化,并建立支持向量机对单一模型的预测结果进行组合预测.算例结果表明,该模型综合了各单个预测模型的重要预测信息,其预测误差远远小于各单个模型的预测误差,其预测精度更高,模型的实用性更强.     

股价预测的GM(1,1)模型

本文应用灰色系统理论,对股票价格变化建立GM(1,1)预测模型,并进行了实证分析.结果表明,把股票价格动态变化过程看作一个灰色系统,利用所建立的模型可较好地预测股票价格的短期发展变化趋势;同时通过与用ARIMA模型预测的拟合比较,表明在对股票价格作短期预测时,用GM(1,1)模型进行预测比用ARIMA模型进行预测具有更高的精确度.     

基于最优ARIMA模型的我国GDP增长预测

准确预测GDP对政府进行有效宏观调控意义重大,而ARIMA模型是预测GDP的有效工具.文章以1952-2011年不变价格GDP为研究样本,首先建立36组ARIMA模型,进而运用多重筛选准则,找到最优滞后阶数p和q,最后确定了最优ARIMA(6,1,3)模型.该模型通过了多项假设检验,对2009-2011年的GDP预测精度高.笔者还利用模型对未来几年的GDP进行了预测.     

基于AM残差修正的GM(1,1)模型的用水量预测

一个城市的总用水量预测是该城市防洪防灾的重要依据,文章以灰色预测理论为基础,运用AM(简单滑动平均)残差来修正GM(1,1)模型,对北京市年总用水量进行预测,并与传统的GM(1,1)模型预测结果进行比较.结果表明:修正的GM(1,1)模型比传统的预测精度大大提高,具有可行性与实用性,该模型对未来城市总用水量预测具有重要的理论和实践意义.     

卡尔曼滤波在高频金融时间序列模型预测中的应用

时间序列模型在预测中占有重要的地位,其固有的系统误差性往往对预测精度产生负面影响.文章以沪深300指数为研究对象,通过时间序列模型得到预测方程,并以此为基础推导出卡尔曼滤波的状态方程和测量方程,利用卡尔曼方程对预测结果进行修正.结果表明,卡尔曼滤波对时间序列模型的预测有优化作用,可以提高预测的精确度.     

基于GM(1,1)—逐步回归模型的用水量预测

为了对城市的用水量有个更精确的预测,文章将逐步回归模型与灰色预测模型相结合,提出了一种基于灰色预测——逐步回归的总用水量预测模型.该模型以逐步回归方法为基础,利用灰色相关性分析方法对观测数据进行处理,进而对预测模型的因变量进行筛选,并将灰色理论引入到回归模型分析中,对预测模型进行改进.通过实例分析可知:所提出的耦合模型与单一预测模型相比,在一定程度上改善了预测效果,达到了简化模型、提高拟合精度和增强模型预测能力的目的.     

傅立叶级数修正的灰色幂模型的小麦蚜虫量预测

小麦蚜虫发生量的动态预测对于其防治工作有着重要的指导作用,但很少有文献对蚜虫量预测进行深入研究.文章首次提出一种基于傅立叶级数修正的灰色幂模型(GM(1,1)幂模型)的小麦蚜虫量预测方法,对蚜量进行动态预测.以江苏海安县小麦蚜虫量为实例,详细阐述了模型的建模和预测过程,并验证了提出的方法能够达到令人满意的预测精度.     

公益金预测的三种模型及其经验测算

文章给出了灰色预测、幂函数多项式预测、最优加权组合预测等三种公益金预测模型,并以我国福利彩票公益金数据进行了实证检验.研究结果表明:与其他两种预测模型相比,最优加权组合模型对样本数据的拟合效果最好.最后,运用该模型对未来5年的福利彩票公益金进行了预测.     

GARCH类模型和状态空间模型波动率预测评价

GARCH类模型和状态空间模型已经广泛运用于波动率的预测,但对模型的预测表现进行评价却受到了忽视,其主要原因是缺乏合适的衡量标准.文章首先运用GARCH类模型和状态空间模型对上证指数收益率进行了全面的估计及预测,然后以已实现波动率作为波动率预测的评价标准,通过M-Z回归评价GARCH类模型和状态空间模型的波动率预测表现.     

基于LS-MWSVM的股票价格预测

文章基于小波分解理论和支持向量机核函数的条件,提出了最小二乘M0det小波核的支持向量机(LS-MWSVM)算法.用该算法建模并对沪深300日收盘价进行预测,且与常用的RBF核的LSSVM模型及RBF神经网络模型的预测能力进行了比较.结果表明.LS-MWSVM的预测能力要好于其它两种模型.进一步得出,采用最小二乘支持向量机与小渡理论结合的组合模型对股市进行预测效果较好.     

汇率预测方法及比较:基于贝叶斯平均分类回归模型的检验

分类回归模型是回归模型家族的一个重要组成部分.文章针对现有的分类回归模型均采用选择性回归计算所存在的问题,建立了贝叶斯平均分类回归模型,并将其用于人民币汇率预测的实证研究.在实证研究时选取人民币对主要货币的汇率序列,对使用时间序列模型的预测结果与贝叶斯平均分类回归模型的预测结果进行对比分析,证明贝叶斯平均分类回归模型确实能够提高预测准确度.还使用贝叶斯平均分类回归模型对比分析了现有研究文献的预测效果,结果表明分类回归模型具有一定程度的优越性.     

基于CM(1,1)模型的江苏省民间投资规模预测

一、CM(1,1)灰色预测模型 灰色预测法是一种对含有不确定因素的系统进行预测的方法.灰色预测是对既含有已知信息又含有不确定信息的系统进行预测,就是对在一定范围内变化的,与时间有关的灰色过程进行预测.灰色预测通过鉴别系统因素之间发展趋势的相异程度,即进行关联分析,并对原始数据进行生成处理来寻找系统变动的规律,生成有较强规律性的数据序列,然后建立相应的微分方程模型,从而预测事物未来的发展趋势的状况.CM(1,1)模型是常用的一种灰色预测模型.     

油田产量的最优加权组合预测方法

文章利用因子分析法,对影响油田产量的多个因素进行分析.最终用较少的变量代替原来各因素.然后基于BP神经网络方法和多元回归预测方法,建立最优加权的组合预测模型.对油田的产量进行预测.经验证,组合后的模型比单一模型预测效果更好,对实际生产有一定的指导意义.     

基于SARIMA-GMDH的CPI组合预测模型

文章以2001年1月至2015年2月的我国CPI定基指数为样本数据,首先构建季节乘积SARIMA模型与GMDH自回归模型对CPI进行预测;然后通过自组织数据挖掘理论构建SARIMA-GMDH组合模型再次对CPI进行预测;最后通过模型拟合优度检验与预测能力分析综合评价这3个预测模型,探索各个模型预测效果的差异性,总结评价组合预测法在经济现象中的预测优势.     

自回归及logistic离散模型在中国人口预测中的应用

为了寻找更好人口预测方法,经济领域常用的自回归模型创新式的被应用到中国的人口预测中.通过结果预测结果分析,易知自回归的预测效果相当不错.进一步探索人口的预测理论,精典的logistic离散模型被用来和自回归模型做对比.由于自回归模型和logistic离散模型在形式上有很大的相似,对两者在建模原理上进行了对比分析,且对两个模型理论进行了推广.     

国内生产总值回归预测新探

文章通过对我国2012年国内生产总值回归预测实证分析,研究了国内生产总值的主要影响因素及回归预测的新方法.在研究中首次提出了多个一元回归模型组合运用、组合模型权数按各相应模型误差率大小进行分配,以及一元回归组合模型与多元回归模型再组合运用的思想和方法.这对于完善回归预测理论和方法,拓展预测研究思路,增强预测方法的选择性和应用性等,具有重要意义.     

基于IOWA算子的优化灰色组合模型及其应用

为了提高灰色模型在实际应用中的预测精度,文章对经典GM(1,1)模型进行了改进优化.首先从初始值、背景值和灰色微分方程三个方面优化经典GM(1,1)模型,然后运用诱导有序加权平均(IOWA)算子对三个优化模型进行组合赋权,建立基于IOWA算子的优化灰色组合模型,最后将该组合模型应用到江西省农村电力中长期负荷预测中.结果表明,所提出的组合模型比经典模型和单项优化模型具有更高的预测精度.     

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.     

货币供应量M2预测精度:基于组合模型的改进

广义货币供应量M2是一个重要的经济指数,其值的变动对社会经济活动构成一定的影响.文章旨在对传统M2的预测方式进行改进创新,建立一个精确度较高的M2预测模型,分别讨论了线性回归模型、指数模型、Holt模型、Brown模型、平稳时间序列模型对M2的预测情况,探究了不同模型的意义和预测精度.最后使用组合预测的方法,找到了一个合适的组合模型,即通过对Holt模型、Brown模型和平稳时间序列模型预测值的加权,达到对M2较精准预测的目的,并验证了其精度优于传统预测模型.     

基于神经网络灰色Verhulst算法的CPI预测模型

为了提高居民消费价格指数的预测精度,对于呈近似S形的CPI时间序列,利用灰色Verhulst模型对其预测.构造基于时间序列的人工神经网络输入输出模式,利用BP神经网络对原始数据与灰色verhulst预测值的残差进行训练.仿真实例表明,该组合算法预测结果比单纯使用GM(1,1)模型、灰色Verhulst模型和文献[1]的总体误差要小,将神经网络引入到灰色Verhudst模型中能较好地提高预测精度.