基于改进累减还原方法的DGM(1,1)IIR模型及其应用

DGM(1,1)模型的齐次指数变化规律是造成其难以有效模拟随机波动序列的主要原因,而以模拟值作为累减参数的还原方式则是导致其模拟性能不稳定的重要因素.文章对DGM(1,1)模型的设计缺陷进行了分析,在此基础上提出了基于改进累减还原方法的DGM(1,1)IIR模型,最后应用该模型对北京市PM2.5进行了模拟和预测,并与传统DGM(1,1)模型进行了比较和分析,结果显示DGM(1,1)IIR模型具有更加良好的模拟及预测性能.     

Excel变量与三次指数平滑模拟预测方法

指数平滑法是对预测对象的全部历史序列数据,通过加权平均从而进行预测的一种方法.在进行指数平滑预测时一般要通过对加权系数α取不同的值,经过多次模拟运算并比较预测误差,从而选择适当的预测结果.然而,当采用二次或三次指数平滑模型,进行预测分析时,由于计算公式较为复杂,模拟运算过程参数的改变就非常繁琐.本文以我国肉类产量三次指数平滑预测为例,利用Excel变量和工作表相结合,建立数据、图表间的链接关系,从而实现了方便、快捷的模拟运算预测分析.     

基于概率权重逆映射的直接抽样法与应用

文章基于经济金融研究中涉及的模拟预测分析需求,提出了按无解析分布生成随机数的基于概率权重逆映射方法,其本质是直接抽样法原理的一种应用.优点是使得模拟预测分析中随机数生成脱离了对可解析函数形式及参数估计的依赖,实现了按照任意无解析分布生成随机数进行数值模拟分析,改进了既往随机数生成方法的运算效率.通过对尖峰长尾分布示例的模拟测试,一万次迭代就可以达到方差仅为1.7578×10-5的精度.通过其在资产证券化设计中的应用,说明了该方法与非参数核密度估计方法互相依赖.     

Box-Cox变换下联合均值与方差模型的极大似然估计

在提出Box-Cox变换下联合均值与方差模型的基础上,研究了该模型参数的估计问题.同时利用截面极大似然估计方法对变换参数λ进行估计,并对均值模型和方差模型的参数进行极大似然估计.通过随机模拟和实例研究,结果表明该模型和方法是有效和可行的.     

具有非参数趋势的残差自回归模型的预测方法

为了探寻具有非参数趋势的残差自回归模型的较为合适的预测方法,文章考虑了基于多项式样条的两种方法:直接法和两步法,模拟算例表明两步法拟合与预测的均方误差(MSE)和平均绝对误差(MAE)都小于直接法拟合与预测的MSE和MAE,此外,还对人民币/美元的日度汇率数据进行了拟合与预测的实证分析,得到了与模拟算例相类似的结果,这说明两步法优于直接法,两步法是一种较好的预测方法.     

Lee-Carter模型外推预测死亡率及偏差纠正

Lee-Carter模型是人口死亡率预测的常用模型,泊松最大似然估计法是该模型参数估计广为采纳的方法,模型中与时间相关的因子可建立时间序列模型并进行外推,进而实现死亡率的预测.由于时间因子与死亡率之间的非线性性,简单的外推会带来死亡率预测的低估偏差.这个偏差可以通过对数正态分布的性质进行纠正或者随机模拟方法进行无偏预测.     

随机微分方程的参数估计在证券模型中的应用

文章通过建立的金融指数的随机微分方程模型,采用极大似然估计方法对模型中未知参数进行估计,并给出了相应的参数估计表达式,实证表明参数的估计值能较好的刻画金融指数的许多特征,估计方法切实有效,模拟效果好.     

Monte Carlo EM梯度法在MATLAB中的实现

文章使用空间广义线性混合模型为连续空间非正态变量建模,在MATLAB中实现模型参数估计的MCEMG算法,即结合Monte Carlo样本的EM梯度法,求解参数的极大似然估计及采样点随机效应的最小均方误估计。在GS+中进行随机效应的普通克里格插值,并最终对非采样点响应变量进行预测。模拟仿真结果显示该方法参数估计与真实值较接近,响应变量预测结果能反应真实数据总体分布情况。     

基于Cramer法则的区间灰数预测模型参数优化方法研究

以改善区间灰数预测模型的模拟及预测性能为目的,对区间灰数预测模型的参数优化方法进行研究,应用Cramer法则推导了核序列GM(1,1)模型通用形式的参数无偏估计新方法,从理论上证明了新方法对非齐次指数"核"序列的模拟无偏性,并在此基础上构建了一种新的区间灰数预测模型;通过与优化前的区间灰数预测模型模拟精度进行比较,结果表明新模型具有更为优秀的模拟及预测性能。此研究成果对丰富和完善灰色预测模型方法体系与拓展灰色模型应用范围,具有积极意义。     

不同损失下指数-威布尔分布参数的Bayes估计

文章在对称和非对称损失函数下研究了两参数指数一威布尔分布(EWD)形状参数的Baves估计问题.当其中一个形状参数α已知时,给出了另一个形状参数θ在三种不同损失函数下Baves估计表达式及极大似然估计:运用随机模拟方法产生不同容量的样本对三种不同形式的Baves估计及极大似然估计的精确度进行了比较.模拟结果说明,要提高估计的精确度,应根据样本数选取损失函数.     

删失数据下二项AR(1)过程的参数估计

文章研究了一类整值时间序列模型在样本数据完全随机缺失情况下参数的估计问题.运用五种方法对模型参数进行估计,通过数值模拟,在不同缺失率情况下对五种参数估计方法进行比较,并绘制“箱”形图,结果表明Bridge插补下参数估计结果最优,核插补和k-最近邻插补下参数估计次之.     

定数截尾情形指数-泊松分布参数的Bayes估计

文章在对称和非对称损失函数下研究指数-泊松分布参数的Baves估计问题;基于广义无信息先验和定数截尾情形,给出了参数λ在三神不同损失函数下Baye5估计的精确表达式;最后运用Monte-Carlo随机模拟方法对估计进行比较.结果表明,加权平方损失下Bayes估计的精确度和稳健性较好,适合用来对参数λ进行统计推断.     

异方差下多个正态总体共同均值的参数bootstrap推断

文章使用参数bootstrap (PB)方法考虑了当方差未知且可以不相等时多个正态总体共同均值的假设检验和置信区间构造问题.基于共同均值一个著名估计,提出了一种参数bootstrap统计推断方法,并借助Mon-te Carlo方法与经典的近似解法和广义推断方法进行了比较.随机模拟结果表明,就第一类错误概率和覆盖率而言,参数bootstrap推断方法表现更好.参数bootstrap方法不仅具有满意的第一类错误概率和覆盖率,而且具有良好的检验功效和置信区间平均长度表现.     

霍特指数平滑法参数的优选

霍特指数平滑方法是一种高级的指数平滑方法,它有两个平滑参数需要确定.用霍特指数平滑方法进行预测时,最重要、而且最因难的工作是确定平滑参数α、β的取值问题.笔者利用EXCEL模拟运算表的功能很容易实现了在离差平方和最小(或绝对离差和最小)条件下的参数估计.为霍特指数平滑方法在实际中的广泛应用提供一种有效的途径.     

GM(1,1)灰色预测方法的改进

文章对传统的灰色预测方法进行了改进,建立了灰色预测代数递推方程,以代替原始的灰色预测微分方程或白化方程.然而由于其预测精度依然偏低,又将其紧邻生成公式做了改进,并根据自动寻优方法确定了相应权重.以2010年4月16日至2014年1月10日的交易日内的股指期货的收盘价为例,利用改进前后的两种预测方法进行模拟对比分析.模拟对比表明,改进后的预测方法不仅预测精度显著提高,而且更能体现灰色预测以小样本空间、“贫信息”的不确定系统为研究对象的特征.     

线性时变参数DGM(1,1)变权组合预测模型

文章为了提高统计组合预测的拟舍和预测精度,根据线性时变参数离散灰色预测模型的初值优化方法,给出了几个线性时变参数DGM(1,1)模型作为单项预测模型,进一步利用这些单项预测模型建立了一类变权线性时变参数组合预测方法.最后,将变权重线性时变参数组合预测方法应用于新疆生产建设兵团城镇化发展水平的组合预测,实例结果表明变权重线性时变参数组合预测方法具有较高的拟合精度.     

基于支持向量机股票价格指数建模及预测

为提高预测精度,采用基于支持向量机理论的预测方法对股票价格指数进行预测.文章在分析支持向量机预测基本原理基础上,以交叉验证法确定了最佳回归参数并以此建立了预测模型.对上海证券交易所的股票价格指数进行预测,研究结果表明基于支持向量机预测法能较准确地反映股票价格指数的变化趋势且提高了预测精度,验证了此方法在股票价格指数预测中的可行性.     

基于傅里叶变换的时变参数回归模型:估计、设定检验和实证应用

回归模型参数的时变性会严重影响模型的拟合程度和预测效果。基于卡尔曼滤波的时变参数模型需要估计很多的参数,因而造成效率损失。基于傅里叶变换建立一个简单的变系数回归模型,给出估计方法并证明参数收敛于真实值,并给出了模型设定检验的方法。通过蒙特卡洛模拟表明:新建立的时变参数回归模型能很好地处理连续的、随机的和跳跃的时变参数模型。最后,将新建立的方法应用于研究股市联动关系,发现:不考虑系数的时变性可能给出误导性结论,考虑时变性能捕捉更为丰富的联动特征。     

非参数回归估计与人工神经网络方法的预测效果比较

文章研究了非参数回归方法在中石油和浦发银行等六支股票的价格预测中的应用.讨论了核估计、k阶最近邻估计、样条估计和惩罚样条估计4种常用的非参数回归方法,其中,核估计和k阶近邻估计共选取5种不同的权函数.最后,以MAPE为判断指标,将非参数回归方法的预测结果与RBF(多变量插值的径向基函数)人工神经网络方法的预测结果进行了比较.     

面板数据分位回归模型中固定与随机效应的选择

随机效应的引入为面板数据建模中样本相关和异方差问题提供了重要解决途径,过多的随机效应不仅会极大地增加模型复杂度,而且给固定效应系数的估计带来偏差.文章在考虑到随机效应具有整体性基础上,以横截面个体为单位,对其进行整体压缩.通过对固定和随机效应分别引入不同形式的条件Laplace先验,构造了一种与Group Lasso-Lasso惩罚相等价的贝叶斯双惩罚分位回归估计方法.通过设计切片Gibbs抽样算法,快速有效地解决了模型参数估计问题.计算机模拟显示,该方法不仅能对固定和随机效应参数进行精确估计,而且能对模型中真实包含的固定和随机效应进行自动选择.