基于预测期的变权重组合预测法及其应用

文章针对传统变权重组合预测利用基期误差最小化,求得权重与各个单预测方程预测期的预测值进行组合预测的问题,在充分考虑时间信息匹配的基础上,基于变权组合预测的基本原理对最小误差进行了预测修正,使原误差矩阵进行新陈代谢求得预测权重代替基期权重,使预测方程更加平稳.实例验证了预测结果的合理性.     

我国CPI季节调整模型预测

文章基于考虑春节效应的X-12-ARIMA季节调整模型,对我国2002年1月至2013年12月的CPI序列月度数据进行季节调整,并进行季节波动性分析及短期预测.实证结果表明:我国的CPI变动存在明显的季节性特征,春节效应对其有显著影响;CPI序列的短期波动主要是受季节性成分影响,而长期波动主要受趋势-循环成分影响;利用该模型进行短期预测效果较好,预测误差绝对值控制在1.5％之内.     

基于“三新”企业分层抽样单元权重动态调整的估计方法

对“三新”企业进行抽样调查是及时掌握和监测“三新”经济发展的重要手段。考虑到这一类调查总体单元变动比较迅速,抽样框信息变动大,无法及时覆盖总体的最新特征,依此抽样框得到的样本数据结构与总体的分布结构差异较大,样本的代表性较低,会对总体数量特征的有效估计产生影响。因此,基于调查总体单元的变动特征,把抽样框中的单元划分为保留单元和转移单元,在此基础上,依据样本单位分层结构的变动,设计了基于“三新”企业分层抽样单元权重动态调整的估计方法。首先,通过事后分层方法挖掘出不同层的单位特征,并预测抽样框各层容量;其次,依据层规模的变动预测对目标变量估计量的权重进行修正;最后,通过自我加权设计构造出总体动态变动后数量特征的复合估计量,并对其进行优良性讨论。在对“三新”企业的模拟数据进行多次重复抽样实验中,相比于固定抽样框下的传统方法,基于分层抽样单元权重动态调整的估计方法具有更高的抽样效率,构造的关于总体数量特征的估计量具有无偏性和有效性。     

居民消费价格指数的季节调整及短期预测

文章首先论述了季节调整方法的发展过程;然后把居民消费价格指数的同比数据转换为定基比数据.运用国际上最新流行的X-12-ARIMA程序对我国居民消费价格指数时间序列进行季节调整:再运用TRAMO/SEATS方法剔除中国特有的春节假日因素;最后对CPI进行短期预测,得出了我国的通货膨胀可能还会持续一段时间的结论.     

基于ARIMA模型的短期股票价格预测

文章选取“华泰证券”250期的股票收盘价作为时间序列实证分析数据,通过建立ARIMA模型对创业板市场股票价格变动的规律和趋势进行了预测.实证结果表明,该模型短期动态、静态预测效果较好,可以为投资者和企业在进行相关决策时提供有益参考.     

季节系数调整下的零售业销售总额预测方法

文章在对相关预测方法进行归纳的基础上,根据零售品销售的特征采取相关数学方法对销售额序列进行稳定趋势和季节效应的分离,在此基础上对江苏零售业的季节系数,并依据稳定趋势进行预测并根据季节系数进行还原,经过预测值—观测值的相关检验发现预测效果良好。     

季节变动预测新论

季节变动是指某些社会经济现象由于受季节更替、生产条件和生活习惯的影响，而形成每年重复出现的有规律性的周期变动。正确认识和掌握季节变动规律，进行季节预测，对于制定营销计划，合理组织货源，满足市场需要等具有重要意义。对于同时含有季节因素、趋势因素和不规则因素的时间数列，目前常用的季节预测法主要有两种；移动平均趋势剔除法和最小平方趋势剔除法。笔者认为：移动平均趋势剔除法虽然原理简单，可以消除季节因素和不规则因素影响，显示现象总体的线性变动趋势，但该方法求得的移动平均值能否真正反映各期趋势水平则令人怀疑…     

季节变动分析与预测的教学探讨

季节变动分析与预测的教学具有一定难度,如果结合实例,能够对各项计算作出直观的解释和说明,并能够把握住季节预测的基本要领,那么问题就可迎刃而解.本文对该内容的教学进行探讨.     

应用组合预测法对我国月度PPI的预测评价

PPI是衡量工业企业产品出厂价格变动趋势和变动程度的指数,是生产领域的重要经济指标。文章以2001年1月至2010年7月的月度定基PPI数据为对象建立了单项ARIMA模型,为了提高预测的准确性,引入了组合预测模型,将单项预测模型有机地结合起来。通过比较组合预测模型的预测效果,得出AFTER算法是最优的组合预测法的结论,并在此基础上进行了预测。     

GM（1，1）季节因素修正模型在预测中的应用

本文在原GM（1,1）模型基础上进行季节因素修正,使得修正后的模型在拟合既含趋势变动,又含季节因素的时间序列预测中,具有较好的效果。     

基于Excel的季节交乘预测建模分析方法

文章利用Excel函数和数据处理,从而方便、快捷的实现了季节交乘预测的模型建立、误差分析、模拟运算预测过程.     

全国货运量预测与货运结构分析

货运量是典型的非线性数据,并且存在季节特性,基于此,文章根据全国货运季节波动规律,采用季节分解的方法对货运量数据进行分解,针对分解后数据特征建立SAO-LSSVM-MA模型进行预测,以2000年1月至2019年5月、2000年1月至2020年5月的数据作为训练集,2019年6月至11月和2020年6月至11月的数据作为测试集进行预测,并通过建立VAR模型进一步分析货运方式之间的动态关系。结果显示：所建模型精度明显高于LSSVM和ARIMA模型;公路货运量对民航货运量、水路货运量、铁路货运量影响都较大,四种货运方式之间不仅存在拉动作用,还存在竞争关系。     

基于蚁群优化神经网络的支持向量机预测方法研究

本文利用蚂蚁算法训练神经网络的权值和阈值,蚁群优化神经网络克服了人工神经网络预测精度低的缺点,在取得最小拟合误差的同时可以得到最小的预测误差。在此基础上提出以支持向量机方法为主、多方法融合的智能预测系统,对电网负荷预测进行了动态预测。实际算例验证了这一智能预测系统的精确性。     

浙江省用水结构的组合预测

本文以浙江省用水结构为研究对象,在分别应用对数比变换和球面投影变换与灰色预测模型GM(1,1)结合的成分数据单一预测方法的基础上,提出成分数据Aitchison距离最小化方法确定组合权重的组合预测方法,并对浙江省2013-2017年的用水结构进行预测。研究表明,组合预测能较好地提高预测的精度,增强预测的稳定性。     

油气生产成本的组合预测研究

进行油气生产成本预测是增强资源型产业竞争力的有效机制。然而油气生产成本内容的相对复杂性导致单一预测方法存在预测信息不够周全、预测价值有限的弊端,通过实施单一预测结果的误差分析,获取组合预测模型的修正权重,应用组合化模型进行油气生产成本预测,能够有效发挥单一预测方法的优势,获取相对优化的整体预测结果。     

基于中位数GARCH模型的汇率波动率预测

自2005年7月21日汇率改革以来,人民币汇率的波动性发生了根本的变化.汇率波动越来越频繁、越来越大.汇率的准确预测无论是对国内还是对国际都有着至关重要的意义.文章预测汇率收益率的波动性,在ARCH和GARCH模型的基础上提出了中位数GARCH模型,并采用人民币兑美元的数据来检验模型的有效性.由预测误差可以看出,中位数GARCH能很好地减小预测误差.     

一种非常规因素分析的农业产出预测方法

预测与决策理论旨在从时间序列规律本身出发,摈弃因果分析规律,根据连续时间序列逐步调整计算权重.文章基于这一思想,提出了一种非常规因素分析的农业产出预测方法.     

物流需求的广义集成预测法

物流需求的集成预测法是将多种预测方法按一定权重进行组合的综合预测方法.文章基于多元线性回归思路,提出一种求取权重的定量方法,并把权重广义化,使用系数替代权重,扩大了权重的取值范围,实现了定量求取系数的目的.并设计了一个实验,验证了提出的广义集成预测法提高了预测的精度.     

基于自适应在线极限学习机模型的预测方法

本文针对单个在线极限学习机输出不稳定的情况,提出一种自适应集成在线极限学习机算法(ASE-OSELM).算法首先初始化多个在线极限学习机模型,然后根据到达的每一批次数据的训练误差及其方差自适应地调整各个在线极限学习机的集成权重,并动态删除那些小于设定阈值的模型以提高算法的训练速度,最后选择准确度高、泛化能力好的模型用于集成预测.通过函数拟合、UCI数据集以及真实股价预测实验表明,文中提出的ASE-OSELM算法相比传统的OSELM、LS-SVM和BPNN算法具有更高的预测准确度和抗干扰能力.     

基于网购搜索量的CPI及时预测模型

购物网站的用户搜索量数据是近年来出现的一种新类型数据源。基于该数据在合理选择关键词以及对数据进行季节调整和假日处理的基础上建立中国全国与城镇CPI的及时预测模型。模型以分布滞后模型为基础,采用Elastic-Net方法进行收缩估计进而实现变量选择。在确定最优惩罚因子和调整参数时采用了K重交叉验证技术。实证结果表明,搜索量变量与CPI具有显著的因果关系,在此基础上建立的预测模型经济含义合理,并能对CPI做出较精确的预测。同时,从模型均方误差角度看,基于Elastic-Net的变量选择显著优于基于逐步回归的方法,而城镇CPI预测模型也优于全国CPI预测模型。