基于EMD-BP神经网络的我国棉花期货价格预测方法研究

为提高非线性和非平稳性的棉花期货价格的预测能力,该文采用基于EMD的BP神经网络预测方法,对原始序列进行分解,产生多个平稳序列imf,然后对每个imf进行预测,把预测结果相加得到原序列的预测值。实验结果表明,基于EMD的BP神经网络预测方法优于单纯BP网络预测。     

基于时间序列分析的股价预测

基于收盘深发展股票价格的实际数据资料,通过对实际样本数据的预处理,确认股票价格序列为平稳非白噪声序列的基础上,利用SAS/ETS软件,采用ARMA方法,建立时间序列预测模型。应用的结果表明：本预测模型考虑了各种随机因素的影响,与实际状况有较高的吻合度,对动态数据进行预测是可行的,对于经济统计预测有一定的实用价值。     

农产品市场价格超短期预测研究——基于西红柿日批发价格的现代时间序列法建模

为科学分析与预测农产品市场日价格走势,研究农产品市场日价格波动的随机性特征,增强价格的预见性和市场的调控性,选择全国西红柿日批发价格为预测对象,基于价格序列数据的ADF检验和ARCH效应检验,结合2008—2009年间731天日价格数据分析,利用ARIMA、ARCH、GARCH等现代时间序列法,分别建立西红柿日批发价格预测模型,并选取2010年1月1—10日进行样本外区间的评估预测。研究表明,3个日价格预测模型的平均绝对百分比误差（MAPE）都在2％以内,其中GARCH模型在预测中具有更高的精度;农产品市场价格超短期预测中,在没有突发性因素干扰的情况下,所建立的3个模型预测结果的精度比较理想,但对于突发性事件等引起的价格急剧变化难以定量化模拟和预测。     

基于SVR的股市预测与择时研究

本文首先阐述支持向量回归机原理,在此基础上建立了SVR预测模型,以HS300指数数据为测试样本,分析了SVR模型在时间序列预测问题中的优势,并在此基础上进行了交易实验.结果表明：支持向量回归机适用于预测股市大盘的短期走势,并能够得到比较好的预测效果.     

基于SVM的股票时间序列的预测研究

支持向量机（support vector machine,SVM）是以统计学理论为基础的一种新的模式识别方法,目前已广泛应用于股票价格的预测中。在股市投资问题的研究中,股价作为时间序列数据是复杂的、非线性的,并且极不稳定。文章将支持向量机引入到股价预测的建模中,并对效果进行了分析。     

基于ARIMA模型的沪深300股指期货价格预测研究

基于ARIMA模型建立了股指期货价格的预测模型,对20100416～20110113间共180个交易13的沪深300股指期货合约收盘价数据进行了实证分析,结果表明：ARIMA模型对于股指期货的价格走势短期预测效果良好,模型能有效反应期货价格的波动性走势．     

小波包变换在股市预测中的应用研究

应用小波包变换对股市预测进行了研究,提出了股市预测的小波包方法。首先将股指时序进行小波包分解,并对分解后得到的各部分进行混沌判别,以确定其混沌特性;然后对各部分分别建立混沌模型进行预测;再将混沌模型预测的结果进行小波包重构,则得到原始时序的预测结果。对上证综指日收益率进行了单步预测和多步预测研究,效果很好。     

基于误差校正的ARMA-GARCH股票价格预测

针对时间序列预测和简单回归预测各自的侧重点不同,综合两者优点,对股票价格进行预测。首先将股价数据转换成对数收益率,利用ARMA-GARCH模型对收益率序列建立模型,对上证指数股票价格进行初步预测;然后建立回归模型对GARCH模型误差中未被解释的成分进行分析和拟合,利用回归模型预测的误差对GARCH模型预测结果进行校正。在选择回归模型变量时,引入变量间的相关性分析筛选合适的影响因子,利用主成分分析方法提取影响因子中包含的信息,实现对解释变量的降维,获取具有代表性的综合指标,以提高建模精度。实例研究证明该方法对于上证指数股票价格预测较为准确。     

基于网络搜索指数和EMD-ARIMA-BP组合模型的游客量预测——以张家界为例

科学的客流量预测有利于完善旅游安全预警体系和优化旅游资源配置体系。为进一步提高游客量预测的准确度,提出一种基于网络搜索指数的EMD-ARIMA-BP组合模型,以探究互联网时代旅游消费者出行行为规律。该模型首先对网络搜索行为数据进行指数合成,其次利用EMD算法对游客量和网络搜索数据进行去噪处理,最后将ARIMA模型和BP神经网络进行组合,对游客量进行预测。实证分析以张家界为例。研究发现：（1）运用网络搜索数据预测旅游消费者出行行为切实可行,接近于实时的网络数据可以大幅提升预测的时效性;（2）经过EMD去噪算法对游客量与网络搜索行为数据进行去噪处理后,游客量的预测精度有较大程度提高;（3）基于网络搜索指数和EMD-ARIMA-BP组合模型的预测误差显著低于ARIMA模型和BP神经网络等基准模型。     

基于径向基神经网络的股价预测

借助径向基函数（Radial Basis Function)神经网络对非线性函数的逼近能力，对深能源A股价这个时间列作了连续若干天的一步预测，并与其他预测方法进行了比较。结果表明，用径向基神经网络预测股价是可行的和有效的。     

中国股指期货与股票现货市场的日内信息结构研究——基于交易和非交易时段的视角

为探索我国股指期货与股票现货市场的日内信息结构,本文从交易和非交易时段出发,研究了沪深300指数期货与沪深300指数现货市场日内交易和非交易信息之间的信息传递路径、传递方向及其影响程度。实证结果显示:除现货下午交易信息外,上午交易和下午交易之间不具有必然的预测关系,而价差修正项却存在一定的预测作用。现货隔夜信息对期货上午交易与现货午休信息对期货下午交易均具有预测能力;期货隔夜信息对现货上午交易也具有预测能力,而期货午休信息对现货下午交易的预测作用并不存在;且与午休信息相比,隔夜信息对日间交易的影响更大。期货提前交易对股票现货日内交易与期货延迟交易对股票现货市场隔夜的收益及其波动均具有显著的预测能力,相对而言,延迟交易对股票隔夜的影响力要大于提前交易对股票日内交易的影响力。     

基于混合模型的国际原油价格预测研究

由于国际原油价格的剧烈波动,使得准确的原油价格预测极具挑战。为此,提出一种基于变分模态分解、季节性差分自回归滑动平均模型和果蝇优化最小二乘支持向量机的混合模型。利用变分模态分解方法将国际原油价格序列分解成一系列模态分量;针对周期性和非线性特征分量,分别建立季节性差分自回归滑动平均模型和果蝇优化最小二乘支持向量机模型进行预测;将各分量的预测值求和作为最终的预测结果。实证研究结果表明:所提混合模型相较对比模型能够明显提高国际原油价格的预测精度。     

基于股票价格差异的配对交易策略

基于一个衡量股票间价格差异的指标进行了股票组合的配对, 并根据该配对规则对中国市场2006-2009年的配对交易策略进行了实证测算。实证结果表明:该配对交易策略获得的月度化收益均值约为1%左右, 且策略的收益水平和同期的市场状况无关, 说明基于价格差异的配对交易策略在中国市场是可稳定获利且市场中性的;价格差异越大的配对组合, 触发多空建仓的平均价差阀值也随之增大, 但对建仓后价差收敛至触发多空平仓的时间, 不同价格差异的配对组合平均都不超过23天, 这表明基于价格差异的配对交易策略在中国市场上属于短期投资策略。     

基于组合预测模型的滚装码头吞吐量预测

根据上海港滚装码头2006—2011年的吞吐量数据,采用时间序列法、灰色预测法以及相关性分析法等单项预测方法建立预测模型,计算发现相关性分析法预测的结果优于时间序列和灰色预测。建立最优线性组合预测模型并测算,证明该模型对于影响因素复杂且历史数据较少的滚装码头吞吐量预测具有较高的精度。     

基于多尺度特征和支持向量机的股市趋势预测

应用支持向量机方法对股票市场趋势性变动进行预测是金融市场行为研究领域里一个重要的研究课题。为了提高股市趋势预测的准确率,现有文献中基本将研究重点集中在改善支持向量机参数上,而没有对输入数据的特征进行深入研究。股票市场时序数据是不同时间尺度因素非线性作用的结果,因此具有本质的多尺度特性。据此构建了股票市场多尺度时序特征趋势预测方法,该方法首先基于小波多分辨分析对股市时序数据进行多尺度分解,然后提取了股票市场数据的记忆性和趋势性特征,最后应用支持向量机对股票市场趋势进行预测,预测结果表明该方法提高了股市趋势预测的准确率。     

科学数据时间序列的预测方法

针对传统的时间序列分析方法预测科学数据效果较差的特点,提出了一种结合自组织神经网络和灰色理论的时间序列预测方法。该方法利用度量时间序列相似性距离函数,将时间序列按照其变化规律分成不同的类别,并在GM算法中针对白化参数进行优化,对科学数据时间序列进行自组织聚类,针对各类别采用灰色理论建立预测模型。试验表明,该模型适合科学数据的变化特点,提高了预测精度。     

基于密集实时数据处理的交互式高频交易系统

金融高频交易系统,即程序化自动交易系统,是指利用计算机高速处理能力获取高频交易中的价格变化模式,并通过分析实现价格变化模式获利。随着信息技术而飞速发展,近年来交易平台呈现多元化发展,使高频交易越来越普及。针对高频交易系统的原理,采用系统分析的方法和现代软件理论和技术进行高频交易系统设计,构成基于密集实时数据处理的交互式高频交易系统,并通过运行结果验证了方案的可行性。     

小波变换在股市预测中的应用

本文应用小波变换对深圳股票市场的建模与预测进行了研究。首先对股指时序进行小波分解;然后对分解后的各部分分别建立混沌模型进行预测;再对混沌模型预测的结果予以小波重构,即得最终的预测结果。从吸引子结构的观点对预测精度提高的原因进一步分析得出,小波分解可使分解后的时序变得简单而容易预测,因而使得最终的预测结果能够具有较高的精度。研究表明,小波变换在股市预测中具有非常好的应用前景。     

基于改进希尔伯特-黄变换算法的碳市场价格多尺度分解

作为一种新型非线性、非稳态数据的自适应处理算法,希尔伯特-黄变换（Hilbert-Huang Transform,HHT）,近年来开始应用到人文社会科学领域。HHT的核心是经验模态分解（Empirical Mode Decomposition,EMD）算法。EMD分解过程中常会产生模态混叠和端点效应现象,造成分解结果失真。针对碳市场价格多尺度特征,改进HHT算法以提高碳市场价格多尺度分解质量。引入高斯白噪声到EMD分解中,建立集成EMD（Ensemble EMD,EEMD）算法来抑制EMD分解中存在的模态混叠现象;针对EEMD分解过程中存在的端点效应问题,通过5种端点延拓方法的比较,改进EEMD算法,得出适合碳市场价格多尺度分解的延拓方法;将改进HHT算法应用于两个不同到期时间的欧盟碳期货价格（DEC12、DEC14）进行多尺度分解,结果表明:改进HHT算法能显著提高碳市场价格分解精度,扩大了HHT在碳市场价格多尺度分析中的应用范围。     

基于EMD的神经网络股价预测方法

股价波动具有复杂、非平稳、非线性等特点,传统经济模型难以对其进行准确预测。文章将机械工程领域用于分解复杂信号的EMD算法嵌入神经网络模型建立了基于EMD的神经网络股价预测模型,并通过检验该模型有效性以及将该方法的预测效果与小波神经网络预测方法的预测效果相比较,得出该方法是优于小波神经网络预测方法的最佳股价预测方法的结论。