基于小波分析与支持向量机的人民币汇率预测

利用支持向量机方法对汇率进行预测是金融市场研究领域一个重要的研究课题.结合小波变换与支持向量回归,提出一个三阶段时间序列预测模型.先以离散小波框架将汇率序列分解成不同尺度的多个子序列,揭示蕴含在预测变量内的信息,并对各个子序列进行时间序列分析,再以支持向量回归为工具,以这些子序列为预测变量建构支持向量回归模型,最后将各个序列的预测结果进行重构,得到预测结果.实证结果显示,该模型的预测效果较之BP神经网络与单纯的AR-SVM模型更优,证明基于小波分析与支持向量机相结合的预测模型可以为人民币兑美元汇率提供比较准确的预测.     

基于ArcGIS的山地地形风速模拟研究

对山地地形风电场短期风速进行模拟,可有效缓解风电对电网造成的冲击,为电网系统安全、稳定运行以及保证电能质量提供可靠保障.本文在时间序列法及空间相关性法的基础上,提出一种基于地理信息系统(GIS)的方法,利用ArcGIS软件下地统计分析模块中的普通克里金法进行差值分析,同时使用模型生成器(Model Builder)对预测时间尺度进行建模,对二维空间内风速进行预测,三维空间内流场进行模拟,并做了交叉验证分析,说明该方法的可行性.     

小波分析在管理数据处理中的应用

提出了一种基于小波变换的管理数据处理方法，把公司管理上的数据看成一个非平稳的时间序列，利用小渡函数将该时间序列分解到不同的频率通道上，然后将分解后的信号当作近似的平稳时间序列，用一些传统的统计方法进行预测，同时对中国足球彩票若干期的销售量数据进行了处理和预测，并将结果与实际销量以及用传统的AR模型的预测值进行了比较。     

基于ARIMA模型的我国石油价格预测分析

石油价格波动较为复杂,不确定性影响因素较多。ARIMA模型是将预测对象随时间推移而形成的数据序列视为一个随机序列并加以描述,被广泛地应用于对高频金融时间序列建模,它能较好地把握此类时间序列的动态规律。在利用ARIMA模型对我国1997年以来大庆石油价格进行拟合,短期预测结果模拟值与实际值十分接近,预测效果良好。     

小波去噪结合ARMA模型在电力设备故障率预测中的应用

针对电力设备故障率具有周期性、随机性和多变性等特点,提出小波相关性去噪算法与时间序列自回归滑动平均(ARMA)模型的电力设备故障率预测方法.将电力设备故障率数据进行小波相关性去噪,最大限度保留有效序列,把重构后的序列进行ARMA建模及预测,预测值与实际值进行比较.仿真结果表明,小波相关性去噪后的ARMA模型预测结果有较高的精度,实际故障率预测效果较好.     

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,该方法具有较高的精度和较大的应用范围。     

小波变换和混沌理论在股市预测中的应用

应用小波变换和混沌理论相结合的方法对股票市场进行预测,即先对股指时序进行小波分解,然后对分解得到的高、低频部分分别进行混沌预测,再将预测的结果进行小波重构,得到原始时序的预测结果。在此基础上应用小波和混沌理论提出进一步提高预测精度的方法,即通过对高频部分再进行小波分解、混沌预测和小波重构而使高频部分的预测精度得以提高,进而提高原始时序的预测精度。     

粮食产量时间序列的单分形检验及R/S预测

为探讨中国粮食产量的变化规律及趋势预测问题,采用配分函数方法,判定了1949年以来粮食总产量时间序列的单分形特征,并利用分析方法确定一个代表粮食产量变化趋势的时间序列的幂,从而得到预测粮食产量变化趋势的分形方法。根据历史资料,用此方法对中国粮食产量的变化趋势进行了短期预测,得到了变化方向上的一个估计结果。     

基于混沌时间序列分析的股票价格预测

根据股票市场是非线性动力系统的假设,利用混沌理论对混沌时间序列的分析方法,提出了股票价格预测方法。同时利用重构相空间的嵌入维数和延迟时间分别确定经向基函数模型网络的结构和训练样本对,对实际的股票时间序列预测结果表明,该方法能有效地进行短期预测,并与前馈神经网络模型相比,可得到较好的预测结果,因而在股票时间序列预测中有广泛的实用价值。     

基于小波支持向量机的电力系统短期负荷预测

根据相空间延迟坐标重构理论，基于支持向量机强大的非线性映射能力和小波核函数的局部分析和特征提取能力，提出了一种基于小波支持向量机的电力系统短期负荷预测方法，并利用该方法对嵌入维数与预测性能的关系进行了探讨。仿真结果表明，该预测方法能精确地预测电力负荷，而且在电力负荷序列的最佳嵌入维数未知时也能取得比较好的预测效果，这一结论预示着小波支持向量机是一种预测电力系统短期负荷的有效方法。     

基于径向基神经网络的螺杆泵转速设定方法

为了研究受多种因素影响的螺杆泵转速控制系统,提出一种基于径向基神经网络的螺杆泵转速设定方法.利用径向基函数(RBF)神经网络对螺杆泵转速进行分析及预测,通过对螺杆泵的历史数据分析处理,得到螺杆泵转速的时间序列.将时间序列视为一个从输入到输出的非线性映射,并引入RBF神经网络来进行非线性映射的逼近.通过对网络进行学习与训练仿真实验,并与BP神经网络预测结果对比,表明应用RBF神经网络对螺杆泵转速进行短期预测精度更高、效果更好.该神经网络结构简单,非线性逼近能力强,通过对非样本点数据的实验验证,证明了该系统的可行性,具有一定的实用价值.     

基于Hilbert曲线和小波变换的图像分割

通过Hilbert曲线扫描将二维数字图像转化为一维Hilbert数字序列,利用小波变换对数字序列进行多分辨分析,获取数字信号的发展趋势曲线,然后将该曲线作为阈值曲线并对Hilbert数字序列进行量化处理,最后利用Hilbert曲线扫描的反过程恢复成二维数字图像,实现图像分割.仿真结果表明文中提出的方法是有效的.     

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。     

基于我国股市混沌行为的预测分析

时间序列中的随机性蕴涵着非线性确定性系统混沌行为,混沌系统对初值的极端敏感性使之不可能对其进行长期预测,然而,在判定时间序列混沌行为的基础上运用局域法对我国股市进行了短期预测,并指出在计算关联维数时存在的问题,得到了较好的结果.     

小波变换的离群时序数据挖掘分析

针对时序数据进行离群数据挖掘方法的研究。通过对时序数据进行离散小波变换,将其从时域空间变换到频域空间,使时序数据映射为多维空间的点。该方法具有多尺度、时移不变性等特点,经离群时间序列进行离散小波变换后,不仅具有良好的保距性又达到降低维数目的。然后提出一种基于距离的离群时序数据挖掘算法。仿真试验表明了该方法的有效性。     

基于小波分析的水稻蛋白OsPCBP的Hurst指数的提取

用DNA walk方式将水稻蛋白OsPCBP的DNA序列映射为相应的数字信号,并利用小波变换提取其Hurst指数.结果分析表明,在OsPCBP的DNA序列中存在长程相关性.     

国债回购市场利率价差预测能力的再检验

以利率预期假说理论模型和相关推论为基础,采用因子分解技术,将两个利率序列分解成长期记忆成分和短暂成分,并通过将短暂成分对利率价差进行回归,检验国债回购市场长短期利率价差的预测能力.结果表明,在两个样本区间上,利率价差对去除长期记忆成分后未来利率变化的短暂成分的预测能力均显著增强,而对于短期利率序列的纯长期记忆成分的预测能力则很差.证实了短期利率的变动主要是由利率序列的长期记忆成分所决定的.     

四川省人均GDP时间序列模型的建立与分析

多数经济时间序列存在惯性或迟缓性,通过对这种惯性的分析可以研究时间序列的内在规律并预测经济的发展。本文用BOX-Jenkins模型和指数平滑法对四川省人均GDP时间序列进行建模和短期预测分析,结果显示,四川省提出的“十一五”经济增长目标是可以实现的,但应防止新一轮经济增长周期带来的经济增长速度减慢。     

非正常波动统计数据修匀方法研究——以福建省消费数据为例

统计数据经常会受到定期或不定期的非正常波动因素的影响，因此而扭曲的时间序列短期的基本变动，使得我们难以深入研究和正确解释经济规律。如果利用科学的方法将这些非正常波动因素从经济时间序列中测定、分离、抵消和调整，对这些非正常波动统计数据进行修匀，则能更好地反映其基本的发展趋势。以福建省社会消费零售总额指标和相对指标为例，对其进行了修匀处理和并进行修匀前后的对比分析，发现修匀后的曲线较平滑，修匀效果比较合理。进行外推预测和模拟，得到模型的动态模拟结果以及静态预测结果，得到的环比CPI的动态模拟结果较好地反映了CPI的走势，静态预测较好地显示出短期波动情况。     

基于自适应滤波的日负荷预测新陈代谢模型

提出了对日负荷进行预测的新方法。基于自适应滤波算法进行预测,在预测过程中对原始数据进行新陈代谢处理,且根据预测日的属性对预测结果进行加权,并依据历史负荷中负荷的变动情况对结果进行校正,以求最佳预测效果。利用自适应滤波预测结果的残差建立时间序列的AR(p)模型,与自适应滤波模型形成组合模型,从而实现了短期电力负荷样本资料随时间变化而更新、样本量和计算量不增加而预测精度能得到保证的目标。与传统的预测方法相比较,该模型用于日负荷预测具有计算迅速、精度高的优点。