一种非线性时间序列预测模型及对原油价格的预测

针对具有非线性和不稳定性的时间序列,提出一种结合小波分解、滑动平均离散差分方程和马尔可夫方法的动态预测模型.利用小波多尺度分解将原时间序列分解到不同频率通道上,然后对分解出的低频近似小波系数利用滑动平均离散差分方程预测模型进行预测,并利用马尔可夫方法对时间序列的高频细节小波系数进行预测,最后将低频和高频的预测结果进行小波重构得到时间序列的实际预测值.原油价格的时间序列是一类典型的具有非线性和不稳定性的序列,利用此模型对WTI原油(周度)价格进行实证预测分析,分别预测WTI原油价格的整体变化趋势和周度实际原油价格.研究结果表明,此模型不但可以有效地预测时间序列的整体变化趋势,能从细节上对其进行有效的刻画,而且比其他基于小波的预测模型具有更高的预测精度.可以看出国际原油价格从整体上呈现周期性上涨趋势,并且不稳定的随机波动也会一直存在.     

公司信用风险预测模型研究

KMV模型是目前常用的公司信用风险预测模型,该模型是采用期权定价法,应用随机扩散过程,对上市公司进行信用风险预测。本文在KMV模型的基础上采用模糊随机法,通过引入模糊随机变量,对违约概率进行模糊预测。     

股市预测中的小波神经网络方法的研究

本文首先论述了股市时间序列中的明显随机性,可能是由于非线性确定性系统中混沌行为的缘故,利用混沌的确定性可以进行短期预测.混沌时间序列预测首先要重构相空间,接着充分利用小波变换时频分析的局部化特性,提出了一种改进的小波网络结构,探讨了股市预测模型问题.经实例验证,该方法能有效地提高预测精度,避免了人工神经网络模型和指数自回归的固有缺陷.     

上市公司信用风险度量模型的实证比较研究

本文首次运用Merton模型和Leland-Toft模型对我国上市公司的信用风险进行了比较实证研究。研究结果表明,Merton模型对上市公司信用风险的预期违约率的计算明显太低。但是,违约距离的计算在一定程度上可以反映出不同公司信用风险存在的差异。而使用Leland-Toft模型计算信用风险的预期违约率较Merton模型有更高的敏感性、有效性。依据大公国际资信评级体系评级的结果,将A股50指数上市公司的信用评级等级,对比Leland-Toft模型计算的预期违约率,不同等级的上市公司,其预期违约率有明显的不同,说明其模型的预测是有效的。并且,也反映出近期预期违约率低而远期则较高的规律性。但是,计算的预期违约率还是偏低,说明Leland-Toft模型在用于目前的上市公司信用风险分析时,尚需调整有关的参数。     

基于贝叶斯优化与集成算法的债券违约风险预测

本文选取2014-2022年发生实质违约与交叉违约的所有发行主体为研究对象，使用随机森林、AdaBoost、GBDT、XGBoost、LightGBM共5种集成算法构建了债券违约风险预测模型，并采用贝叶斯优化对模型的超参数进行优化。实证结果显示，在债券违约风险预测中，相较于传统机器学习算法，集成算法所构建的预警模型性能更为出色，具有更加优异的预测精度与稳定性，且在超参数优化中，贝叶斯优化运行效率更高、效果更好。同时，LightGBM算法在5个集成算法中表现最优，可以最为有效地进行债券违约风险预测。最后通过比较特征重要性，发现净资产收益率、总资产报酬率、营业利润率、第一大股东持股比例可以作为企业债券违约风险预警指标。     

基于LSTM神经网络的金融时间序列预测

本文提出将小波分析与纳入时间序列依赖特征的长短期记忆（LSTM）神经网络相结合，构建金融时间序列数据预测模型，以克服现有模型对金融时间序列数据非平稳、非线性、序列相关等复杂特征以及数据间非线性交互关系无法反映的缺陷。同时，以道琼斯工业指数日收盘价为例，探究LSTM神经网络对实际金融时间序列数据的预测能力，比较其与多层感知机、支持向量机、K近邻、GARCH四种模型的预测效果。实证结果表明LSTM神经网络具有更高的预测精度，能够有效预测金融时间序列数据的长短期动态变化趋势，说明了其对金融时间序列数据预测的适用性与有效性。此外，对金融时间序列数据进行小波分解与重构，可有效提高LSTM预测模型的泛化能力，以及对长短期动态趋势的预测精度。     

小波包与混沌集成的股票市场预测新方法

基于小波包变换和混沌理论提出了一种股票市场建模及其预测的新方法,既能刻划时间序列的规律,又能捕捉混沌状态的特征.首先,应用小波包变换对上证综指和深证成指日收益率序列进行三层分解,分别得到第三层从低频到高频八个频率成分的时序,并在此基础上作进一步分析,结果表明中国股市存在混沌特性;然后,应用混沌理论分别建立从低频到高频八个时序的预测模型,分别对八个时序进行预测;最后,基于小波包理论对混沌模型预测的结果予以重构,实现对原始收益率序列的预测.与现有方法比较,结果表明该方法具有较高的精度,有极大的应用范围.     

中国水稻纹枯病发生率预测研究——基于时间序列预测模型

该文以1960年²007年中国水稻纹枯病发生率年度数据为样本,通过分析病害流行动态与周期特征,运用时间序列Logistic模型、自回归移动平均(ARIMA)模型和自回归AR模型进行预测,在此基础构建组合预测模型预测2014年水稻纹枯病发生率,预测结果与模型构建过程可以为相关研究提供借鉴参考。     

基于小波网络的经济时间序列预测模型

本文在小波网络的基础上,利用经济类时间序列的特点,建立通用的经济预测小波网络模型.该网络的权值由广义递推最小二乘法来学习,尺度参数和平移参数通过稳定的Davidon最小二乘法获得.并利用此模型对我国工业发电量加以预测.实际预测结果表明了该模型的先进性和可行性.     

财务比率分析法对上市公司负债筹资风险预测的修正——基于中国资本市场的实证分析

上市公司负债筹资风险预测是一个具有探索性、前沿性的课题,依其成因界定其含义,并分为4种类型,分别通过主成分分析和逻辑回归分析构建负债筹资风险预测模型,这两种模型的预测结果都较为准确.但由于定量分析方法的局限性,使得两种模型预测的结果出现差异,运用财务比率分析法对预测结果进行修正,能使预测结果更为准确.     

分销，平台还是混合?—零售商经营模式选择研究

随着市场竞争的加剧和市场环境的变化，经营模式的选择及调整对于零售商来说越来越重要。研究零售商经营模式选择条件及当市场环境改变时经营模式的转变机制，通过对比零售商在分销模式、平台模式、混合模式下的利润，给出了零售商经营模式选择条件，并分析当市场环境改变时零售商不改变经营模式和转为混合模式的利润，得到了零售商经营模式转变机制，最后结合我国网络零售业发展现状验证了本文主要研究结论。研究表明，第一，随着产品之间价格影响系数、佣金费率、固定成本的增加，最优经营模式由分销模式逐渐变为混合模式、平台模式; 随着间接网络外部性的增加，最优经营模式由平台模式逐渐变为混合模式、分销模式。第二，当市场环境变化时，最初采取分销模式(平台模式) 的零售商，若产品的潜在需求变化为正且佣金费率较高(较低)，随着潜在需求变化的增加，零售商更倾向于转向混合模式; 若产品的潜在需求变化为负且佣金费率较低(较高)，随着潜在需求变化的增加，零售商更倾向于不改变经营模式。     

条件异方差动态Nelson-Siegel利率期限结构模型及其应用

动态Nelson-Siegel(DNS)利率期限结构模型将方差设定为常数,不能刻画收益率序列的条件异方差,降低了数据拟合和预测能力。本文用GARCH模型设定DNS模型观测方程条件异方差,基于适应状态空间模型用广义自回归得分(GAS)设定转移方程条件异方差矩阵,提出具有时变方差的GAS-DNS模型,将Rapisarda等的矩阵分解方法应用于协方差矩阵分解及再参数化保证协方差矩阵的正定性。采用中国银行间市场13种期限国债收益率数据进行实证分析,极大似然比检验表明,将DNS模型误差项方差矩阵时变化能够显著提高模型的对数似然值;以MAE、RMSE、MAPE和TIC为标准进行比较,显示GAS-DNS模型的收益率曲线样本内拟合效果和样本外预测能力均比DNS模型有显著提高。本文提出的GAS-DNS模型是对DNS模型的实质改进,鉴于利率期限结构模型和利率预测在实际应用中的重要性,本文的模型改进具有应用价值。     

两种改进的超效DEA模型

对DEA有效决策单元不能排序是传统DEA模型的一大缺点。该问题也成为DEA领域研究的热点。AP模型是最常用的区分DEA有效决策单元效率值大小的超效模型,但在实际应用中却出现了无解或解不稳定的情况。国外学者新近提出的MAJ模型、LJK模型则有效解决了这两个问题,但却存在模型区分能力不强的缺点。本文分析了这两种模型缺点产生的原因、予以改进并给出理论证明。标准数据集的实验显示改进效果显著,尤其是改进后的LJK模型表现优异。     

交易量持续期的模型选择：密度预测方法

运用密度预测方法,考虑残差项分别服从威布尔、伽玛和极值分布情况下,选取在上海证券交易所上市的浦发银行和G中海两支股票的高频交易数据,对拟合交易量持续期的对数自回归条件持续期(LOG-ACD)模型、随机条件持续期(SCD)模型和马尔科夫转换自回归条件持续期(MSACD)模型进行了评价比较研究。研究表明,绝大部分模型捕捉到了交易量持续期的聚集性特征;MSACD模型无论在模型样本内拟合还是模型样本外预测方面,均优于LOG-ACD模型和SCD模型。     

安全事故现状与趋势分析方法研究

包括安全生产事故预防、控制在内的安全生产监督管理工作需要客观把握安全生产的现状并准确地判断其总体发展趋势。本文基于我国安全生产事故快报数据,对近年安全生产现状做出季节性等分析,并为短期安全生产形势变化的预测与判断不仅提出了三个可行的ARIMA-BP、ARIMA-RBF以及ARIMA-GRNN非线性组合模型而且进一步基于RBF,对前述三个模型再次进行非线性组合,给出了一种新的双重非线性组合趋势分析方法。实证结果表明,双重非线性组合能够较为精确地预测安全生产事故的发展趋势,可以为安全生产事故的预防、控制和应对提供管理和决策支持。     

基于动态模型平均的大豆期货价格预测研究

针对大豆期货价格波动的复杂性及影响因素的多元性，本文将动态模型平均理论引入大豆期货价格分析与预测研究中，通过动态选择解释变量和系数时变程度，在有效控制模型和系数不确定性的同时，最大限度综合利用大豆期货市场内外部信息，以提高大豆期货价格预测准确度。具体的，本文提出一套基于动态模型平均理论的大豆期货价格影响因素与预测分析框架，从期货市场和经济环境等两方面准确地识别出大豆期货价格影响因素的时变特征，进而构建大豆期货价格预测模型，并通过预测误差指标和Diebold-Mariano检验法评估其与基准模型的预测能力。研究结果表明，动态模型平均理论在有效剖析大豆期货价格影响因素的时变特征的同时，能明显提升大豆期货价格预测准确度。     

中国利率期限结构的理论与实证研究——基于无套利DNS模型和DNS模型

随着中国利率市场化进程的推进和利率衍生产品的丰富,利率作为证券定价的核心变量之一,如何对其进行有效预测成为资产定价的关键。无套利DNS利率模型是在DNS模型的基础上发展而来,理论研究表明它是受约束的高斯仿射过程。本文以2005-2012年上交所国债价格月度数据隐含的利率期限结构为样本,利用准极大似然法对无套利DNS模型和DNS模型进行估计,研究结果表明:无套利DNS模型兼顾了仿射利率模型的无套利条件和DNS模型实证效果;它保持了DNS模型的预测优势,所有期限的预测误差都在1.5个基点以内;模型常数调整项的特征是随着利率期限的延长,调整力度逐步增强。     

基于离散选择模型的电信资费套餐选择行为研究

以大学生为例,采用离散选择模型对影响电信客户选择资费套餐行为的因素进行了研究。结果表明,运用嵌套Logit模型比多元Logit模型更能解释影响客户选择资费套餐行为的因素,品牌对客户是否选择中国移动和中国联通的影响大于是否选择中国电信的影响,应付通信费对客户是否选择中国联通和中国电信的影响大于是否选择中国移动的影响,并且中国联通和其他运营商的套餐之间具有高度的替代性。     

模型选择Agent 研究

对模型选择Agent 定义,在此基础上给出了一种模型选择Agent 的结构及其各组成部分 功能,研究了模型选择Agent 具体实现方法. 在模型选择Agent 实现过程中,借鉴了语料库语言 学的方法,通过建立基于模型选择实例的语料知识库,提出了一种模型选择知识表示的新方 法,并在此表示方法基础上,给出了Agent 任务处理机的核心算法. 以实例进行了验证.     

基于类自然语言的管理问题理解方法研究

提出一种可用于模型管理系统的具有类自然语言特点的问题描述语言———PDL 语言. 给 出了PDL 语言的基本构造方法,指出基于该语言的问题理解过程包括问题的语义理解和问题 的段落理解两个阶段. 着重研究了将用PDL 语言描述的问题转换为问题结构表示的问题理解 方法.