多变量混沌时间序列的最小二乘支持向量机预测

文章根据多变量混沌时间序列的相空间重构理论,建立了多变量时间序列的最小二乘支持向量机预测模型.通过Lorenz系统和中国股市的股票价格序列对该模型进行了验证,结果表明该预测模型能精确地预测混沌时间序列,并且优于基于单变量时间序列的最小二乘支持向量机预测模型.     

基于混沌神经网络算法的CPI预测

文章针对CPI时间序列的非线性特征,运用混沌理论对其相空间进行了重构,并求出其最大Lyapu nov指数大于零,从而判断CPI时间序列的混沌特性,利用混沌BP混合算法(CBP)构建了CPI预测模型。结果表明,该模型在6个月内具有较高的精度。     

基于支持向量机的降水量混沌时间序列预测

本文针对降水量时间序列的混沌性,根据混沌动力系统的相空间延迟坐标重构理论,基于支持向量机优越的非线性拟合性能,建立了基于支持向量机的降水量混沌时间序列预测模型。由于降水量时间序列的特殊性,本文采用均方根误差为标准来选取最优嵌入维数和模型参数,并结合实例验证该模型能精确地预测降水量。同时,这一结论也预示着支持向量机是一种研究混沌时间序列的有效方法。     

深圳证券市场混沌性探测的前提:小波去噪

0引言自上世纪90年代末期开始,国内掀起了一股研究我国证券市场混沌性的热潮。其基本思想是通过相空间重构的方法重构待研究时间序列的奇怪吸引子,计算其关联维数和Lyapunov指数,根据关联维是否为分数以及Lyapunov指数是否为正数来判断该市场是否具有混沌性。众所周知,经济时间     

基于混沌特性参数的股指神经网络建模及预测

文章针对嵌入维数较高的混沌时间序列很难在相空间中找出一种映射关系来预测其变化趋势,提出基于序列的混沌特性参数建立RBF神经网络预测模型。该模型以相空间中的各个相点作为输入,通过高斯函数的多次复合来逼近复杂的映射关系。以具有混沌特性的上海证券交易所股指时间序列为例对模型进行了验证。结果表明,该模型具有较好的预测能力和预测精度。     

基于最大熵原理的混沌时间序列预测

混沌理论告诉我们,由于其有对初始条件极其敏感的特性,即使在相当高的观测精度和计算精度下,经过多次演变后,初始信息也完全丧失。因此,通过相空间重构进而对时间序列点具体位置及其值作的精确预测实际上失去了意义。对于一个非线性系统,     

一个非线性动力学问题的混沌分析

近年来,人们越来越多地关注非线性动力系统的动态响应问题,尤其是混沌动力学的不断发展和完善极大地丰富了非线性科学领域,为许多古老的研究课题注入了新的活力,对包括自然科学在内的全部科学起到了日益深远的影响,本文是在固体力学领域内,研究duffing振子的动力学行为,包括它的混沌运动,相空间,重构相空间,振动模式。由于有限维系统在相空间和重构相空间中的几何图形比较直观,研究他们的混沌问题比较方便,所以本文是在二维系统中进行研究的。     

基于混合神经网络和混沌理论的居民消费价格指数预测研究

文章对我国居民消费价格指数进行了混沌识别,结果表明其具备混沌特性;结合神经网络和混沌理论,提出了一种将混沌理论和神经网络相结合的居民消费价格指数预测模型,利用重构相空间的嵌入维数确定神经网络的结构,算法与设计相对简单.     

基于支持向量机回归的房地产单指标预测

对时间序列预测常用的方法进行了比较，结合房地产自身的特点确定用支持向量机回归来对房地产单项指标进行预测；分析了支持向量机回归和时序相空间重构的基本原理；建立了支持向量机预测模型，结合武汉市的实际数据进行了实证分析，并和BP神经网络的预测结果进行比较，表明用支持向量机预测模型进行房地产单项指标预测精度更高。     

上海股票市场的基于小波去噪的混沌性检验

由于经济混沌需要大样本、低噪声的时间序列,所以文章首先利用小波变换对上证指数日收盘价序列进行去噪处理,然后由去噪后的日收盘价序列计算出日收益率序列,姑且称其为去噪后的日收益率序列,并把它同未经过去噪处理得到的日收益率序列进行比较,发现该方法较好地保留了序列自身固有的特性,只是剔除了由于日常细微波动产生的噪声,为有效地探测我国上海证券市场的混沌性打下了基础。最后分别计算去噪前后收益率的关联维数和Lyapunov指数,发现小波去噪并未改变上海证券市场的混沌性,但是去噪后的市场的复杂度要小于去噪前的市场的复杂度。所以进行混沌性探测的时候必须对数据进行去噪处理。     

基于混沌时间序列分析的股票价格拐点预测方法

随着混沌科学的迅猛发展,当前在经济、金融研究领域,对经济、金融系统行为的混沌分析已成为一大热点,由此发展起来的混沌经济学大大增强了经济理论对现实的描述能力。股票价格时间序列是一个受政治、经济、心理等多方面因素影响的离散时间序列,使得股票价格常表现出包括混沌在内的各种复杂现象与行为。这些现象与行为若采用传统的统计学的方法处理往往难以得到令人满意的结果,而若采用混沌的方法处理则非常有效,因而混沌时间序列的建模与预测已成为当今学术界的研究热点。     

基于混沌时间序列的电力需求短期预测分析

文章通过对电力需求的混沌特征进行分析,建立了基于混沌时间序列的电力需求量的短期预测模型,为实现电力资源综合优化奠定了重要的、较为可靠的研究基础。     

中国股票市场的分维数研究

一、分形维数20世纪80年代初期,Grassberger和Procaccia等人根据嵌入理论和重建相空间的思想,提出了从时间序列直接计算关联维数(即系统相空间的分形维数)D的算法,称之为G-P算法。     

基于李雅普诺夫指数的临近点选取方法

混沌时间序列的局域法预测以其计算量小、适用性强等优点,得到了广泛应用.但是其预测效果受制于临近点的选取,尤其是“伪临近点”的存在将降低预测精度,所以合理选取临近点至关重要.考虑到相点各维分量对预测的影响不同,相点的演化趋势与其前S步相点存在相关性,文章利用最大李雅普诺夫指数构造权系数提出了基于李雅普诺夫指数的临近点选取方法.通过Lorenz方程产生的混沌时间序列进行检验,结果表明改进方法的预测效果明显提高.     

中国黄金市场的非线性和确定性检验

混沌普遍存在于现代金融市场中,非线性和确定性是时间序列存在混沌的重要前提,而中国黄金市场这一新兴市场在此方面的研究仍是空白。文章以上海黄金交易所黄金现货日收盘价格序列作为研究对象,对数据进行收益率和对数线性去趋势平稳化处理,然后运用R/S分析来检验其非线性,发现上海黄金价格序列具有非线性和分形特征,但其后的BDS定量检验表明其非线性特征并不显著。最后运用递归图方法进行确定性检验,得出该系统具有一定确定性的结论。因此相较于传统的线性分析方法,对于我国黄金市场价格序列,采用非线性确定性模型进行分析预测可能更加有效。非线性和确定性的存在也表明我国黄金市场可能具有混沌特性,从而为今后对我国黄金价格的初值敏感性和奇异吸引子存在性等混沌特征进行分析,并进一步构筑混沌预测模型打下基础。     

多变量时间序列的重构与预测方法

多变量时间序列包含有比单变量时间序列更丰富的动态信息,具有一定的信息完备性和确定性,但多变量时间序列同时也会带来一定的冗余信息和部分噪声.为了更好地反映多变量时间序列的动态特性,文章对多变量时间序列进行空间重构,并利用主成分分析法(PCA)对重构后的多变量时间序列进行处理,以减低特征空间维数;最后采用支持向量机建立预测模型.仿真实验表明,该预测模型具有较强的自适应能力和较好的预测效果.     

工业取用水监测奇异数据挖掘与重构方法

提高工业取用水监测数据质量是目前国家水资源监控能力建设的重要内容，而奇异值问题已成为影响监测数据质量的关键短板。本文在解析现阶段工业取用水监测数据奇异值主要类型基础上，以国家水资源管理系统数据库中工业取用水监测数据为样本，利用小波变换模极大值模型提取工业取用水监测数据时频变化特征，并利用傅里叶函数对其残差序列进行修正，进而运用相对误差控制方法挖掘监测数据奇异值。在此基础上，采用混沌粒子群优化的最小二乘支持向量机模型重构填补奇异值数据。研究结果表明：小波变换模极大值模型能够较好地提取工业取用水监测数据序列的时频变化特征，但是同时容易导致监测数据的信息损失，利用傅里叶函数对小波变换进行残差修正则可进一步提升取用水监测数据序列的特征提取效果；以小波变换模极大值特征序列为基础，通过相对误差控制可实现对监测数据奇异值的高效挖掘；对于挖掘出的奇异值重构填补问题，可选取混沌粒子群优化的最小二乘支持向量机模型，其重构精度要优于多项式曲线拟合等传统统计学方法和普通最小二乘支持向量机模型。上述工业取用水监测数据奇异值挖掘重构策略为现阶段国家水资源监控能力建设的推进提供了重要技术方法支持。     

欧元汇率波动的混沌行为分析

正确分析汇率波动的统计性质和动力学行为是研究外汇市场复杂系统自适应行为的基础,混沌动力学理论提供了分析外汇市场的汇率波动的一种全新分析方法。为了考察欧元汇率是否存在混沌行为,本文以1999年1月4日到2006年8月1日的人民币对欧元的现汇买入价为样本,分析了欧元汇率的非线形特征,通过重标定域(R/S)法计算出Hurst指数,从而确认了欧元对人民币时间序列的混沌行为;最后通过GARCH模型进行一步检验了欧元汇率的非线形特征。     

基于Lyapunov指数和CBP的混沌时序预测模型

本文根据经济系统的非线性及混沌特征,通过找出预测状态点的邻界状态与其后续状态点之间的函数关系,作为预测函数,提出了基于Lyapunov指数和CBP的混沌时序预测模型;利用Lyapunov指数判别时间序列的混沌特性,估计最大可预测时间尺度;应用混沌优化的BP神经网络进行经济预测。然后将这一模型应用于某超市的销售数据预测,取得了比较满意的结果。     

时间序列的分频与建模

文章采用分频方式分析时间序列并为时间序列建模,首先对时间序列做离散余弦变换,用低频变换系数重构出时间序列的低频分量,而剩余的高频部分则采用时滞自相关分析方法确定模型结构。针对股票多年日收盘价所作仿真试验证明,该时间序列建模方法是有效的,模型比较好地刻画了时间序列的变化规律。