基于EMD与DVG的非线性时间序列预测模型及其应用研究

针对具有非线性和不稳定性的时间序列,提出一种结合经验模态分解(EMD)、有向可见图(DVG)网络的动态预测模型。利用经验模态分解将原时间序列分解为多个固有模态函数(IMF),然后对分解后的高频和低频IMF利用快速傅里叶变换得到各自的周期;依据每个周期,从原时间序列的尾部截取长短不一的子序列,然后采用有向可见图算法转换为多个有向网络,利用随机游走在每个有向网络中寻找与时间序列最后一个节点相似的节点;最后,依据平行线法,预测时间序列的下一个数值。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原油每日价格进行实证分析。研究结果表明,此模型不但可以有效地预测时间序列的变化趋势,而且具有较高的预测精度。     

基于多尺度组合模型的铜价预测研究

铜价预测是国际大宗商品市场研究的一个重要领域。本文运用经验模态分解法（EMD）、人工神经网络（ANN）、支持向量机（SVM）和时间序列方法,基于分解-重构-集成的思想,构建了一个多尺度组合预测模型。在模型构建过程中,提出了运用游程判定法对分量序列进行重构的新思路。然后,运用此模型对LME铜价波动特点和走势进行分析：将铜价序列分解并重构成高频、低频和趋势三个部分,并从不规则因素、重大事件以及长期趋势三个角度解释了重构项的波动特征;实证分析表明,与灰色模型GM（1,1）、Elman神经网络方法等单模型,以及ARIMA-SVM组合模型相比,多尺度组合模型取得了最好的预测效果。     

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。     

基于多尺度分析的小麦价格预测研究

本文基于分解-重构-集成的思想,构建了一个多尺度组合预测模型,选取小麦作为粮食的代表,预测其价格走势。首先,运用集合经验模态分解方法(EEMD)分解价格序列,然后,用灰色关联分析方法对分量序列进行重构,重构为高频、中频、低频和趋势项四个部分,并从不规则因素、季节因素、重大事件和世界经济水平等方面对这四个部分波动特点进行解释,针对不同特点的分量选择不同的方法进行预测,最后对各预测结果用支持向量机集成,并与其他预测模型的预测结果进行比较。实证结果表明,本文构建的多尺度组合模型的预测效果优于灰色预测GM(1,1)、BP神经网络、SVM方法、ARIMA模型等单模型方法和ARIMA-SVM组合模型以及基于EMD和EEMD分解的其他多尺度组合模型。     

贵金属期货价格预测方法及实证研究

本文融合了二次分解与极限学习机的优势,提出了VMD-Res.-EEMD-ELM贵金属期货价格预测模型,选择变分模态分解(VMD)作为主要的分解技术,生成模态分量序列(VMFi)和残差序列(Res.),采用集合经验模态分解(EEMD)对残差序列进行二次分解,并使用具有良好泛化能力的极限学习机(ELM)对各分量进行预测,最后叠加各模态分量和残差的预测值形成收益率的最终预测结果。所提出的模型不仅充分发挥了二次分解技术的优势,而且解决了传统变分模态分解组合预测模型未考虑残差影响因素的问题。实证研究表明,本文所提出的组合模型能够全面捕捉黄金、白银期货价格日收益率序列的特征,方向性预测准确率分别为83.33%和93.33%,误差指标MAE分别为0.15和0.11,经比较本文所提出的模型具有良好的预测性能。     

基于二次分解策略和模糊时间序列模型的航空客运需求预测研究

提高航空客运需求预测的准确性对于航空公司以及整个航空运输系统的发展都具有重要的现实意义。以往研究普遍采用单一分解策略去处理航空客运需求时序中存在的复杂特征,以此提升组合模型的预测性能。然而传统的分解策略存在着特征提取不完全、分解方法带有固有缺陷等问题,导致组合模型预测效果不能得到充分的提升。为此,本文提出一种基于二次分解策略和模糊时间序列模型的航空客运需求预测方法。该方法首先利用季节调整模型（X12-ARIMA）将原始时序分解成季节成分序列与季节调整后序列,继而利用改进的自适应噪声集成经验模态分解方法（ICEEMDAN）将季节调整后序列分解成一系列不同时间尺度的本征模态函数（IMF）和残差序列（Residue）。然后使用基于模糊C均值算法（FCM）划分论域区间的FTS模型对季节成分序列、各IMF分量以及残差序列分别进行预测。最后将各分量序列的预测结果进行集成,重构出航空客运需求的预测值。实证结果表明,本文所提出的二次分解策略表现显著优于传统的分解策略,并且本文所提出模型对于航空客运需求预测有着较高的准确性。     

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.     

基于EEMD-LSTM的农产品价格短期预测模型研究

本文将集成经验模态分解(EEMD)方法与长短期记忆网络(LSTM)相结合，构建了一个端到端的农产品价格短期预测模型。首先，对原始价格信号进行EEMD分解，得到若干IMF子序列和一个残差序列；然后，运用Fine-to-coarse高低频重构方法对IMF子序列进行高频—低频重构；最后将原始价格序列、高频项、低频项和残差趋势项作为特征，输入到LSTM网络进行训练得到预测模型。本文以广州市江南农副产品市场的富士苹果日价格为例进行实证分析，结果表明，本文提出的EEMD-LSTM模型在农产品价格短期预测问题上具有一定的性能优势。     

基于近邻互信息的SVM-GARCH股票价格预测模型研究

为了克服传统线性模型分析处理收益率数据非线性因素的不足,本文提出一种新的基于近邻互信息特征选择的SVM-GARCH预测模型。该模型利用SVM处理高维非线性数据的优势,不仅包含了股指序列自身的历史数据信息,而且通过近邻互信息的方式融合了与目标股指数据关系密切的周边证券市场的相关变化信息。仿真实验结果表明,该模型在时序数据除噪、趋势判别以及预测的精确度等方面均优于传统的ARMA-GARCH模型。     

季节性数据特征驱动的电子废弃物回收规模分解集成预测建模研究

电子废弃物回收规模预测是政府制定循环经济发展规划和有关补贴政策、企业进行资源回收价值评估和产能优化的基础。本文考虑电子废弃物回收规模季度数据的季节性数据特征可能导致传统单模型预测误差偏大、预测结果不稳定等问题，基于“分解-集成”的思想提出了季节性数据特征驱动的电子废弃物回收规模预测CH-X12/STL-X框架。首先，基于Canova-Hansen(CH)检验对电子废弃物回收规模时间序列的季节性数据特征进行识别，继而对适于进行季节性分解的时间序列采用X12乘法模型或时间序列季节性分解(Seasonal-trend Decomposition Procedure Based on Loess，STL)模型实现季节性分量提取。然后，采用Holt-Winters模型对获得的季节性分量进行预测，并以支持向量回归模型(Support Vector Regression，SVR)预测分解获得的其他分量。最后，通过对各个分量预测结果的线性求和以得到最终的预测结果。实证结果表明，提出CH-X12/STL-X预测框架能够较好地满足不同季节性数据特征驱动的时间序列预测建模需求，且较传统单模型(Holt-Winters模型、季节性差分自回归滑动平均模型、SVR模型)在预测性能上表现良好且稳定。     

图嵌入下稀疏低秩集成预测的多因子资产选择策略

面对金融市场的大量不确定性因素，如何合理选择有效的定价因子并构建科学的资产定价体系，一直是金融理论研究的核心问题之一。本文利用图嵌入的方法，基于稀疏表示和低秩表示策略，深度挖掘潜含在数据集中的内在结构，构建了能够同时揭示数据局部结构信息和全局结构信息的集成学习策略，以实现不同维度的多源数据融合。从CAPM和APT理论出发，通过集成预测的方法构建量化多因子资产选择模型，代表性地选择了卷积神经网络、梯度提升决策树、时间序列及支持向量机等模型进行单一预测,并通过稀疏低秩的图近似最小二乘回归集成策略进行优化。实证结果表明基于集成预测的稀疏低秩策略其资产选择能力更强，超额收益率更高。采用机器学习的非线性预测方法更有利于揭示金融系统的复杂特性。实证结论对投资组合管理具有重要指导意义。     

应用经验模态分解的上海股票市场价格趋势分解及周期性分析

文章以经验模态分解方法对上海股票市场价格日序列进行了趋势分解和周期性的波动分析。得到了趋势项和几个不同平均周期的非周期循环分量。实证显示,在趋势分解效能上,经验模态分解与Hodrick-Prescott滤波器性能相近。经验模态分解的结果支持了R/S分析对沪市长程相关性的考察结论。得到的各分量的波动对宏观的重大事件有不同程度的反应,这意味着这些分量的波动反映了股市的各种周期规律。平均周期为40天的分量对股市重要转折点有敏感的预期,其最长预测时间符合非线性动力学的理论,这个分量可以被分为波动特征不同的两个阶段。分析结果表明,2005年中国股权分置改革是沪市股票价格周期波动特征改变的过渡阶段。本文引入的经验模态分解方法提供了一种有用的股票时间序列分析工具,建立基于此结果的新的理论框架将是非常有意义的工作。     

基于信息披露文本的上市公司财务困境预测:以中文年报管理层讨论与分析为样本的研究

本文采用文本分析方法研究了中文年报管理层讨论与分析传递的管理层语调能否提供财务困境预测的增量信息、能否提高预测的准确性以及文本内容的信息价值，主要结论为：（1）管理层语调确实为财务困境预测提供了新的信息，能提高财务困境模型的拟合程度和预测能力；（2）管理层语调是对定量财务数据的重要补充，而且这些信息并没有在市场交易价格中得到充分反映；（3）负面语调比净语调具有更高的信息价值；（4）财经文本情感或语调的分析应以基于相关来源财经文本的情感词词典为基础，而直接引入其他领域成熟词典的效果较差。     

考虑多维效率的上市公司财务困境预警研究

已有的财务困境预警研究一般基于财务指标，或在财务指标基础上引入单一效率指标，而多维效率指标能够更加全面有效地反映不同行业、不同资产规模的上市公司整体状况，从而对上市公司财务困境产生更好的预警效果。本文从经营效率、财务效率、融资效率和人力资本效率这四个维度分别提出相对应的投入产出指标体系，并采用数据包络分析对上市公司各个维度的相对有效性进行评价。在此基础上，将得到的多维效率指标与财务指标相融合，建立上市公司财务困境预警模型。为了验证所提出模型的有效性，采用支持向量机、人工神经网络和决策树这三种常用的财务困境预警技术，并基于不同的财务指标体系对我国上市公司进行实证研究。结果表明，考虑多维效率指标的上市公司财务困境预警模型能够有效提高预测准确度。     

基于RS与ANN的上市公司财务困境预测模型的实证研究

本文以中国上市公司作为研究对象,采用粗糙集理论(RS)客观选出预测模型指标体系,以因财务状况异常而被列为特别处理公司(ST公司)作为界定上市公司的财务困境标志,采用人工神经网络(ANN)寻找最佳的利用公开财务数据预测中国上市公司财务困境的模型。我们的研究结果表明,总资产报酬率等18个包括现金流量类指标的财务指标有较强的区分财务困境公司和财务健康公司的能力;行业类型和资产规模对于上市公司财务困境预测具有至关重要的作用;运用ANN建立的神经网络模型有较强和较稳定的预测能力。     

基于信息融合的数据挖掘方法在公司财务预警中的应用

目前越来越多的数据挖掘方法被用于风险预警中,决策树、支持向量机、神经网络、Logistic回归等方法在风险预警中都表现出了较好的特性和预警效果,但是不同数据挖掘分类方法得到的结果不同,往往导致预警结果的不一致,因此也会存在一定风险。本文引入信息融合技术对不同数据挖掘分类方法得到的结果进行融合处理得到最优的结果,解决了不同数据挖掘方法得到的结果不一致问题。文章在SVM和Logistic回归的数据挖掘模型基础上建立基于信息融合的公司财务预警模型,提高了财务预警准确率,并且保留了原数据挖掘方法在分类预测上的优势。在实证研究中,论文选取了中国制造业的上市公司作为研究对象,在SVM和Logistic回归两种数据挖掘模型的基础上利用信息融合方法建立了财务预警模型,实证结果表明,基于信息融合的数据挖掘方法的预测准确率要高于单独的SVM和Logistic回归两种方法。     

非奇次空间动态极值估计的模型与应用

传统EVT方法是从静态的角度,研究超额数据的性质。然而,它没有同时考虑极端数据发生的时间所隐含的充分信息。本文首次在国内提出了非奇次空间动态极值理论(ITD-EVT)的概念,克服了EVT的上述缺陷,在极端数据的基础上考虑了时间因素,并引入多个解释变量,使极值分布的是三个参数为时变的,用二维泊松分布过程建立动态空间模型,是文中一大特色。把TD-EVT运用于极端情况下风险值的估计中,对金融风险管理、资产定价等问题有较大的理论和现实意义。