经济预测中组合预测法的应用──关于单项预测模型的选取问题

组合预测法是指通过建立一个组合预测模型，把多种预测方法所得到的预测结果进行综合，以得到一个较窄的预测值取值范围供系统分析或决策用。由于组合预测模型能够较大限度地利用各种预测样本信息，比单个预测模型考虑问题更系统、更全面，因而能够有效地减少单个预测模型...     

基于ARIMA-GMDH的GDP预测模型

文章先对四川省GDP分别建立了ARIMA时间序列模型和GMDH变量自回归模型来进行预测;然后利用GMDH自组织建模方法建立ARIMA-GMDH组合预测模型来预测;最后使用Bonferroni-Dunn方法对三个模型的稳定性进行分析检验。模型预测结果和稳定性检验结果表明:基于ARIMA-GMDH组合的GDP预测模型的拟合和预测都优于另外两种单预测模型。相比之下组合模型在拟合和预测效果具有较高的可靠性、准确性和稳定性。     

基于文化算法的支持向量机组合预测模型

为提高预测精度,文章提出基于文化算法的支持向量机组合预测模型.以组合预测模型的误差平方和最小为优化准则,用文化算法对支持向量机参数进行优化,并建立支持向量机对单一模型的预测结果进行组合预测.算例结果表明,该模型综合了各单个预测模型的重要预测信息,其预测误差远远小于各单个模型的预测误差,其预测精度更高,模型的实用性更强.     

融合分解集成和深度学习的金融时间序列预测模型

由于金融时间序列具有高度非线性、不稳定性等特点，单一预测模型的预测精度受限。文章将集成经验模态分解（EEMD）技术和长短期记忆网络（LSTM）相结合，同时融入麻雀搜索算法（SSA）优化神经网络参数，构建了EEMD-SSA-LSTM混合预测模型。首先将该金融时间序列进行EEMD分解，其次将分解所得的各IMF分量与残差项输入到SSA优化后的LSTM网络进行逐个预测，最后通过累加得到最终预测结果。以上证指数价格为研究对象进行实证分析，结果表明，所提出的混合预测模型的MAPE、RMSE、MAE分别为0.0122、0.3278、0.2681，具有更高的预测精度与适用性。     

基于分片逆回归的小样本组合预测建模方法

针对在基于回归的小样本组合预测中,容易出现预测模型多于用于组合预测的样本数量,导致回归系数无法估计的问题,文章从信息重组的角度对组合预测建模方法进行了研究.首先采用三次样本插值对原始样本容量进行扩充,然后采用采用分片逆回归方法对扩充后的样本进行降维处理,并在此基础上构建基于回归的小样本组合预测模型.最后实例通过与常用组合预测方法结果的比较说明了该方法的可行性和有效性.     

基于GMDH组合的中国GDP预测模型研究

文章对中国季度GDP分别建立了ARIMA和ARCH模型,并利用GMDH自组织建模方法提出了新的组合预测模型。模型预测结果及对比表明,基于GMDH组合的GDP预测模型的拟合和预测效果,在经济正常增长或出现较大波动时都具有较高的可靠性与准确性。文章还使用Bon-ferroni-Dunn检验方法进一步验证了组合模型的拟合能力要优于单一模型。     

结合景气指数的GDP组合预测模型研究

文章首先对中国季度GDP序列建立了AR-GMDH预测模型;然后加入对GDP相关性较大的景气指数,建立了ARCH模型;最后利用GMDH自组织建模方法提出新的组合预测模型.对比分析各模型预测结果表明:两种单一模型预测误差均在可接受范围之内,基于GMDH组合的GDP预测模型的拟合和预测效果比单一模型更优.     

四川省产成品存货组合预测研究

文章分别建立了四川省产成品存货的ARCH预测模型和GMDH变量自回归预测模型,然后利用它们的预测结果构建了ARCH-GMDH组合预测模型.将组合预测结果与产成品存货实际值以及ARCH、人工神经网络等单一模型的预测结果相比较,表明了所述方法的可行性和有效性,从而为产成品存货及其它宏观经济指标预测提供了一种思路.     

海洋经济预测模型的创新研究

组合预测法综合运用多种预测理论,最大可能地利用可用信息,预测精度高于基于单一模型的预测方法.组合预测模型主要有两种方式:串联型组合预测法和并联型组合预测法.文章以海洋经济的发展趋势预测为例,分别采用不同的预测方法进行实证检验,结果表明串联型组合预测法的预测精度要高于并联型组合预测法.     

CPI预测的SVM-ARIMA模型构建与数值模拟

居民消费价格指数（CPI）是宏观经济中的前瞻性指标,为经济政策的制定提供数据支撑,发挥指导作用。文章利用CPI的月度数据构建基于小波分解的SVM-ARIMA组合模型,实现了对CPI的精准预测。首先,对2000—2019年的居民消费价格指数序列进行小波分解;然后,对分解后的居民消费价格指数序列分别利用ARIMA模型和SVM模型进行预测;最后,将预测结果进行整合形成对居民消费价格指数的组合预测模型,并选用2020年的实际CPI月度数据与模型预测数据进行有效性验证。结果表明：组合模型的平均绝对百分比误差（MAPE）与均方根误差（RMSE）分别为0.5383%和0.6604%,相较于ARIMA时间序列模型和SVM模型实现了极大的改进。此外,该组合模型的预测分析框架具有较强的适应性和扩展性,可用于其他相同特征类型的时间序列数据的模拟预测。     

最优加权组合法在中国粮食产量预测中的应用研究

组合预测模型可以较大限度地利用各种预测样本信息,比单一预测模型考虑问题更系统更全面.能够有效地减少单个预测模型中一些随机因素的影响,从而提高预测精度.文章利用最优加权组合法,对柯布一道格拉斯生产函数模型,指数平滑模型和ARMA模型进行组合,通过计算确定其权重,得出未来十年的粮食预测产量;而根据MSE准则得出组合预测模型的精度比其余单一的预测模型的预测精度高.与我国在2008年提出的<国家粮食安全中长期规划纲要>中的目标进行比较发现,如果在现有条件下要达到目标,政府必须在政策和农业技术等层面制定更加切实可行的措施.     

上市公司财务困境预测的Fisher判别分析模型

文章运用统计方法选取有效建模变量,建立了Fisher判别分析预测模型,对我国上市公司财务困境进行了预测。研究结果表明该模型具有良好的预测精度,可以作为证券投资者和分析人员使用的一种有效的财务困境预测工具。     

基于初值修正的组合GM(1,1)模型及其应用

灰色GM(1,1)模型的拟合和预测精度依赖于其结构参数.文章从传统GM(1,1)模型的初值选取入手分析其存在的理论缺陷,通过两种初值修正方法建立改进的GM(1,1)模型,摒弃与系统关系不大的老信息,充分利用新信息来建模,从而达到精确预测的目的.在此基础上建立两种初值修正GM(1,1)模型的组合预测模型,提高了模型的拟合和预测精度。     

基于灰色线性回归组合模型的金融预测方法

建立精确的金融预测模型对金融产品管理和风险控制具有重要的实用价值.文章针对新时期下金融产品推出周期短,可建模数据少的特性,构建了一种少数据建模的灰色线性回归组合金融预测模型.针对传统GM模型中忽略了数据的线性变化规律,对传统的GM模型进行改进,加入线性部分,构建了灰色线性组合金融预测模型,并给出了灰色线性组合金融预测模型的参数识别算法.最后实证分析了灰色线性组合金融预测模型对少数据建模的有效性,且实证结果显示该组合金融预测模型具有较高的预测精度.     

基于已实现协方差矩阵的高维金融资产投资组合应用

随着金融市场的发展,可配置金融资产种类不断增加,高维资产的投资组合应用引起了广泛的关注,因此高维协方差矩阵的建模及预测更加重要。基于已实现协方差矩阵,创新地将Elastic Net(弹性网)方法与向量自回归模型结合,对高维已实现协方差矩阵进行建模和预测。实证分析中模型取得了理想的预测精度,待估参数的数目显著下降;由于弹性网方法具备充分的变量选择功能和群组效应,得到的模型更加完善,因此资产之间动态相关结构也更加明晰;分析发现行业之间协方差变化比自身方差变化更加复杂,将VAR-LASSO、VAR-EN、DCC-MVGARCH、EWMA四种模型预测的协方差矩阵应用到投资组合中,结果表明VAR-EN优势明显。     

基于灰系统主成分的话题趋势预测模型

话题趋势预测影响因素众多,为了降低因影响因素多带来的计算复杂度,文章中利用主成分分析将多个可能相关的变量化为几个互不相关的主成分变量,并对这些不相关的变量运用GM(1,1)模型分别进行预测,并将预测之值代入GM(1,N)预测模型中,从而得到灰系统主成分话题预测模型,有效降低了热门话题预测的复杂度,最后实证了方法的可行性。     

基于网络搜索量和混合频率模型的经济变量预测研究

针对大数据背景下利用互联网搜索量数据进行经济预测的问题,提出建立能够充分利用高频变量信息的混合频率模型,并尝试解决建模过程中的关键词选取、数据预处理和降维等问题。在对金融和消费领域预测的实证研究中,经过筛选的关键词搜索量变量与作为预测对象的经济变量是高度相关的,并且混频模型相对于经过频率转换的模型具有更优的估计量性质和更高的样本内外预测精度。同时,根据估计结果得到的权重函数还可以发现月内各日搜索量在预测模型中的贡献度分布具有不同模式,借助该分布模式可以对经济主体行为进行描述和测度,也为搜索量数据的频率转换提供了一些参考。     

文化创意产业从业人员的灰色预测模型及应用

文章利用灰色模型GM（1,1）对青岛市2012年前的文化创意产业从业人员数量进行了预测。通过分析,灰色预测模型具有较高的建模精度,预测方法和结果对文化创意产业发展具有一定的参考作用。     

油田产量的最优加权组合预测方法

文章利用因子分析法,对影响油田产量的多个因素进行分析.最终用较少的变量代替原来各因素.然后基于BP神经网络方法和多元回归预测方法,建立最优加权的组合预测模型.对油田的产量进行预测.经验证,组合后的模型比单一模型预测效果更好,对实际生产有一定的指导意义.     

金融时间序列混合智能预测模型及实证研究

文章针对金融时间序列变化复杂、难以用单一智能方法进行有效预测的问题,提出了一种新的基于经验模式分解、支持向量回归和粒子群优化的混合智能预测模型.经验模式分解能将非平稳时间序列按其内在的时间特征尺度自适应地分解为多个基本模式分量,根据这些分量各自趋势变化的剧烈程度选择不同的核函数进行支持向量回归预测,最后通过粒子群优化算法对各预测分量进行加权组合,得到原始序列的准确预测值.证券市场实证研究表明该模型可以准确预测金融时间序列.