无偏灰色Verhulst模型初始条件的优化

针对传统无偏灰色Verhulst模型初始条件的选取问题,分别提出了以x（1）（1）和x（1）（n）为初始条件的优化模型,使得原始序列的一阶累加生成序列与其模拟值的误差平方和达到最小。在此基础上,给出了最优初始条件下的无偏灰色Verhulst模型的预测公式,并通过实例验证了优化模型的有效性和实用性。     

求解灰色Verhulst模型参数的新方法

将传统"通过代入初始条件x(1)(k1)=x(1)(k1)=x(0)(k1)整理解得α和β"的方法改进为"通过灰色微分方程αea(ki-k1)+β=1/x(1)(ki),再次利用最小二乘法确定α和β"的新方法,对灰色Verhulst模型的参数求解方法进行改进。研究结果表明:新方法的灰色Verhulst模型建模不仅模拟效果较好,而且适用于等间距和非等间距,并通过等间距与非等间距的实例,与传统模型及近期一些优化模型对比分析,说明了新方法的可行性和优越性。     

灰色Verhulst模型的灰导数改进研究

针对灰色Verhulst模型灰导数白化的问题,以白化微分方程为基础,运用梯形公式来白化灰导数,推导得到一种新的Verhulst模型定义式。该方法使得差分方程的参数与其在微分方程中对应的参数具有更好的一致性。实例分析表明改进的灰色Verhulst模型具有更高的预测和模拟精度。     

对灰色预测模型残差问题的探讨

对利用原始经济序列x0建立的灰色预测模型检验不合格或精度不理想时,要对建立的模型进行残差修正(建立修正模型),以提高模型的预测精度。在对以往的残差模型进行残差检验时常用△(1)=x1-■1衡量,笔者认为利用灰色模型实际预测的是■0的大小,因此对模型进行检验时需用△(0)=x0-■0衡量。本文以灰色预测模型中的GM(1,1)模型为例,对两种残差检验的衡量方法进行了比较分析,并提出了改进灰色预测模型的方法与建议。     

我国CPI时间序列预测模型的比较及实证检验

文章运用时间序列的几个不同模型,对我国居民消费价格指数(CPI)的变化规律进行了比较研究;通过对我国2001年1月至2007年8月共80个月份的CPI值进行实证分析,建立了一个反映CPI变化规律的较优统计预测模型,该模型的相对误差控制在1%之内,得到较好的结果;最后,利用该模型对2007年9月至2008年8月的CPI变化趋势进行了预测。     

基于小波变系数模型的CPI权重估计

居民消费价格指数（CPI）是反映宏观经济运行的重要指标之一,因此其编制中所采用权重的取值和调整特征一直是各界所关心的问题,但目前中国CPI编制中所采用的权重大小一直没有权威机构的正式公布。根据2000—2010年间的CPI数据,采用基于小波的变系数模型对权重进行了估计。估计结果揭示了中国近10年中CPI权重的动态变化特征,这种变化特征也反映了近10年中居民消费结构的动态调整。     

无偏灰色Verhulst直接建模模型及其优化

针对本身已经具有饱和状态过程且近似满足Logistic函数形式的原始序列,提出通过对其进行倒数生成,建立无偏灰色Verhulst直接建模模型,并在此基础上将同时优化背景值和灰导数与利用"最小一乘法"确定响应系数的方法相结合,从而建立了优化的无偏灰色Verhulst直接建模模型。结果表明,该模型对满足Logistic函数形式的曲线进行模拟和预测具有完全重合性。通过实例分析说明了优化的新模型的可行性和有效性。     

运用灰色Verhulst模型对我国车险业保费收入的预测

随着我国汽车工业的快速发展,汽车保险业步入了快速发展的轨道,每年保费增长量呈非单调的摆动发展序列,一些传统的预测方法受到限制。文章认为,灰色理论恰好可以解决这方面的问题。实证表明,此方法简单可行,结果可靠。     

基于混频模型的CPI短期预测研究

传统的CPI预测模型都是基于相同频率的月度数据,金融市场的高频日度数据需要转化为月度数据才能使用。这会忽略日度变量所包含的CPI短期走势信息。为充分利用这些信息,本文基于自回归混频数据抽样模型同时考察了金融市场一阶矩收益和二阶矩波动的日度信息对CPI的短期走势预测的影响。结果表明,股票收益、短期利率和长短期利差变化量仅在收益水平上对CPI短期走势产生影响,而长期利率、粮食和能源商品市场的收益和波动都有助于CPI短期预测,而且收益对CPI的影响要比波动更加持久。相对于传统的月度时间序列建模方法,本文的混频CPI模型具有更好的样本内解释能力和样本外预测能力。另外,引入二阶矩波动的日度信息在一定程度上能更多地降低预测偏差。     

改进粒子群算法优化灰色神经网络预测模型及其应用

文章针对神经网络存在局部最优、收敛速度慢以及大样本等缺点,将改进的粒子群算法、灰色模型和神经网络模型有机结合,构建了改进粒子群优化灰色神经网络预测模型(IPSO-GMNN).并与其他预测模型进行比较,实证结果表明:IPSO-GMNN预测模型能够克服神经网络预测模型的不足,更好地识别时间序列的非线性和突变性特征.在对我国专利授权数量的预测应用中,新模型对非线性时间数据预测表现出更好的预测精度和稳定性.     

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。     

基于灰色神经网络的第三产业发展趋势的预测模型

第三产业发展趋势的预测对于国家或地方政府制定宏观政策有着重要的意义。为更加准确的进行第三产业的预测,从多角度选取指标利用信息墒理论合成综合指标,建立灰色神经网络对其进行预测,实证分析表明灰色神经网络比单一的灰色预测模型和传统BP神经网络预测模型拟合和预测能力要好,说明了模型适应成都第三产业发展趋势的预测。     

中国制造业PMI与CPI的相关性分析

文章选取了2005年1月至2015年4月的中国制造业采购经理指数(PMI)与居民消费价格指数(CPI)的数据进行相关性分析,并对两个时间序列构建向量自回归模型,进而通过Granger因果检验、脉冲响应函数分析、方差分解分析说明了中国制造业PMI与CPI之间的定性定量关系,得出PMI与CPI互为Granger因果关系,PMI与CPI之间存在相互作用关系,且PMI对CPI具有较长时间和较大程度的正向影响.     

基于三角灰色系统模型的煤炭消费预测

文章认为,灰色GM（1,1）预测模型和三角残差修正技术相结合能够显著提高预测精度。预测的基本步骤为,首先运用灰色GM（1,1）模型获得趋势项;然后利用三角模型捕获GM（1,1）模型残差的周期现象以提高预测精度。中国年煤炭消费量预测实验结果表明,TGM（1,1）模型较传统GM（1,1）模型具有较高的灰色预测精度。中国2010-2013年的煤炭消费量预测结果表明,短期内煤炭消费量会随着GDP增长而逐年增加,因此有必要降低能源结构碳强度,减缓煤炭需求增长,提高煤炭利用效率。     

基于等维动态GM(1,1)均值模型的CPI预测

文章建立了6维和7维动态GM(1,1)模型的组合模型,预测了未来6年我国居民消费价格指数.结果显示,在2014-2020年6年间,我国居民消费价格指数年均上涨率为2.96％,接近通货膨胀的警戒线3％.     

基于灰色理论的中国房地产价格指数预测

本文简要介绍了灰色预测方法GM(1,1)模型的构造与模型的检验。利用1999-2004年中国房地产价格指数建立了中国房地产价格指数预测模型。模型预测结果良好,能够较真实反映中国房屋价格的动态变化趋势,从而为预测中房指数提供科学依据。     

对CPI质疑的思考

近年来,由于物价涨势较高,居民的切身感受同国家统计局公布的CPI数值产生偏差,各界人士对CPI的关注度达到了空前的高度。在总结与回顾中国CPI编制理论与现实差异的基础上,从不同层面多方位讨论了中国CPI目前面临的主要问题,并在此基础上提出中国CPI改革和发展的主要方向。引起公众对CPI质疑的原因主要来自三个方面:消费者对CPI编制框架和理论的不理解、CPI编制现实条件的约束和限制、平均意义的CPI指数并不能代表不同阶层对物价变化的感受,由此造成了消费者感知差异。     

基于灰色系统的组合预测模型的建模方法

本文基于灰色系统理论,提出一种非平稳时间序列预测模型的建模方法。该方法首先利用灰色系统模型提取时间序列的趋势项;然后利用样本周期图拟合周期项;最后对去掉趋势项和周期项的序列建立模型,从而完成非平稳时间序列的总体建模。     

基于改进模糊聚类算法的灰色预测模型

目前研究的模糊C均值聚类算法(FCM)面临的最重要问题是初始值随机选取,导致其容易陷入局部最优,同时影响运算速度.而灰色预测GM(1,1)模型在形成预测公式时对初始值的选取也没有合理有效的方案.针对以上问题,文章提出坐标密度法,确定初始聚类中心,对FCM算法进行改进;接着提出运用改进的FCM求取GM(1,1)中数据的聚类中心,并把聚类中心作为初始值的方法;通过与已知算法进行比较验证了其可行性和有效性.     

地价增长率的GM（1，1）预测模型

房价问题是当前理论和现实的热点问题。而地价是房价的核心构成要素。文章运用基于灰色系统理论的GM（1,1）,选用小样本,预测了近年的地价增长率。模型的预测值与实际情况拟合较好。