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。     

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.     

含误差修正的ARIMA-GM叠加预测模型及其应用

本文针对具有波动和增长二重趋势的季节周期性时间序列,首先利用ARIMA(p,d,q)(P,D,Q)S乘积模型对原序列进行识别和拟合;然后对其残差子序列运用带阀值的灰色GM(1,1)改进模型进行逐期修正;最后结合二者得到基于残差子序列修正的ARIMA-GM叠加预测模型。本文利用此模型对短期日负荷进行预测,结果表明此模型具有很高的预测精度和良好的适应性,可以满足实际的预测要求。     

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DFA方法的自组织组合预测模型的应用

文章运用消除趋势波动分析(DFA)方法,计算了四川省工业增加值季度数据的标度指数,该指数表明四川省工业增加值的时间序列值具有长程相关特性,其预测模型有较好的拟合效果.在此基础上根据自组织数据挖掘的理论与方法,提出了自组织组合预测模型.模型预测结果及与ARIMA、GMDH自回归、SPSS曲线估计等三个单项预测模型及最优线性组合、人工神经网络组合等常用的组合预测模型的对比表明,自组织组合预测模型不仅改善了对数据样本的拟舍精度,而且显著提高了模型的预测能力.     

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。     

基于小波分解自回归模型的CPI预测

文章利用小波分析与自回归模型相结合的方法来建模分析时间序列,这种方法主要是在尺度函数逼近和自回归模型的基础上建立的。小波分析提供了一种多尺度函数逼近的方法,而自回归模型能够预测时间序列。文章的对CPI序列进行了离散小波分解,并重构得到了尺度序列和每层的细节序列;然后分别对其建立自回归模型并预测每个序列的下一个值,将得到的预测值相加得到了CPI预测值,再用预测值,利用建立的模型进行预测;最后,用标准差来衡量估计量的好坏。     

RGM-EGARCH模型及其对深圳股市的实证

GM-EGARCH模型是一种将灰色预测模型(GM(1,1)模型)与EGARCH模型相结合的新型混合波动率模型.针对GM(1,1)模型在其适用务件上的局限性,文章利用残差灰色预测模型(RGM(1,1)模型)对GM(1,1)模型的预测结果进行改进,再将RGM(1,1)模型与GARCH模型相结合,构建RGM-EGARCH模型来修正随机误差项.通过对深证综合指数的实证分析,比较了RGM-EGARCH模型、GM-EGARcH模型和EGARCH模型的样本外短期预测效果.实证结果表明,在三种模型中,RGM-EGARCH模型具有最好的波动率预测效果.     

灰色·马尔柯夫模型在棉花产量预测中的应用

传统的灰色模型GM(1,1)主要适用于预测时间短,数据资料少,波动不大的系统对象,其预测趋势都是一条较为平滑的曲线,对于随机波动性较大的数据序列拟合较差,预测精度较低.而在马尔柯夫链理论中,转移概率pii可以反映随机因素的影响程度,因此适用于预测随机波动大的动态过程.这恰恰可以弥补灰色预测的局限.但马氏链预测对象要求具有马氏链和平稳过程等均值的特点,而客观世界中的预测问题大量是随时间变化或呈某种变化趋势的非平稳过程.如若采用灰色GM(1,1)模型对预测问题的时序数据进行拟合,找出其变化趋势,则可以弥补马氏链预测的局限.因此将GM(1,1)模型与马尔柯夫预测模型有机地结合,既可优势互补,又克服了两者的不足.     

残差灰色预测模型的改进与应用

灰色预测是近年来应用比较广泛的一种预测方法,灰色模型简称GM(GrayModel)模型,是以灰色模块为基础,以微分拟合法而建立的模型.灰色GM(1,1)预测模型具有要求样本数据少、原理简单、运算方便、短期预测精度高、可检验等优点,已广泛应用于经济、生物、生态和环境等领域.     

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.     

基于灰色-马尔可夫模型的房地产周期研究

文章针对我国房地产周期研究中存在的内在机理复杂、数据信息不足等问题,提出了利用灰色-马尔可夫模型进行房地产周期分析和预测的想法,即利用GM(1,1)模型估计长期趋势成分,利用马尔可夫链预测模型估计周期性波动成分,通过两者的结合完成对房地产周期的拟合和预测.实证表明,该模型能够成为当前我国房地产周期研究的一项有效工具.     

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.     

基于初值修正的组合GM(1,1)模型及其应用

灰色GM(1,1)模型的拟合和预测精度依赖于其结构参数.文章从传统GM(1,1)模型的初值选取入手分析其存在的理论缺陷,通过两种初值修正方法建立改进的GM(1,1)模型,摒弃与系统关系不大的老信息,充分利用新信息来建模,从而达到精确预测的目的.在此基础上建立两种初值修正GM(1,1)模型的组合预测模型,提高了模型的拟合和预测精度。     

灰色-周期外延组合模型在煤炭需求预测中的应用

文章针对煤炭需求的趋势性和季节性波动特点,提出了灰色一周期外延组合模型,即在灰色GM(1,1)模型的基础上建立残差周期外延模型.该模型能够较好的刻画了短期煤炭需求的增长性和季节波动性二重趋势.预测实例表明了该模型明显提高了短期煤炭需求预测精度.     

结合景气指数的GDP组合预测模型研究

文章首先对中国季度GDP序列建立了AR-GMDH预测模型;然后加入对GDP相关性较大的景气指数,建立了ARCH模型;最后利用GMDH自组织建模方法提出新的组合预测模型.对比分析各模型预测结果表明:两种单一模型预测误差均在可接受范围之内,基于GMDH组合的GDP预测模型的拟合和预测效果比单一模型更优.     

农产品价格预测模型的构建

农产品价格变动关乎农民收入的增长和生活水平的提高,同时也是农业管理部门决策的重要依据.针对农产品价格预测这一问题,文章先后建立了指数平滑模型、ARIMA(求和自回归移动平均)模型及基于二者的组合预测模型,并结合2011-2015年西安朱雀市场胡萝卜的月度价格数据,依据所建立的三个模型应用SPSS等相关软件对未来短期胡萝卜价格进行预测分析.预测结果显示:组合模型比单个预测模型预测精度更高,是一种有效的农产品价格预测模型.     

基于灰色系统的组合预测模型的建模方法

本文基于灰色系统理论,提出一种非平稳时间序列预测模型的建模方法。该方法首先利用灰色系统模型提取时间序列的趋势项;然后利用样本周期图拟合周期项;最后对去掉趋势项和周期项的序列建立模型,从而完成非平稳时间序列的总体建模。     

基于混频模型的CPI短期预测研究

传统的CPI预测模型都是基于相同频率的月度数据,金融市场的高频日度数据需要转化为月度数据才能使用。这会忽略日度变量所包含的CPI短期走势信息。为充分利用这些信息,本文基于自回归混频数据抽样模型同时考察了金融市场一阶矩收益和二阶矩波动的日度信息对CPI的短期走势预测的影响。结果表明,股票收益、短期利率和长短期利差变化量仅在收益水平上对CPI短期走势产生影响,而长期利率、粮食和能源商品市场的收益和波动都有助于CPI短期预测,而且收益对CPI的影响要比波动更加持久。相对于传统的月度时间序列建模方法,本文的混频CPI模型具有更好的样本内解释能力和样本外预测能力。另外,引入二阶矩波动的日度信息在一定程度上能更多地降低预测偏差。     

灰色多元线性回归模型及其应用

基于灰色关联法和灰色聚类法诊断、解决多重共线问题;利用GM(1,1)模型对原始数据序列进行修正,降低随机波动的干扰;据修正变量数据建立灰色多元线性回归模型,并将其运用于具体实例取得满意的预测效果。该模型对处理数据贫乏、波动较大的样本效果显著。