动态经济系统分析的经济计量模型与方法

综述可有效阐明动态经济系统长期关系和因果关系的因果测度理论. 首先简要介绍多变 量时间序列的协整过程及与此相关的若干概念,并总结了在经济计量学领域评价较高的多变 量自回归模型的统计识别方法. 基于多变量时间序列协整过程的向量自回归模型,较详细讨论 了多变量时间序列间各种因果测度的定义及其沃尔德检验. 所述单方向因果测度及其统计检 验理论作为C1W. J . Granger 非因果性理论的扩张,不仅可以检验两组时间序列间的因果影响 存在与否,还可以定量描述影响的程度. 单方向因果测度理论为分析复杂经济系统提     

基于小波域隐马尔可夫模型的时间序列分析-平滑、插值和预测

提出一种基于小波域隐马尔可夫模型的时间序列分析方法.首先介绍了离散小波变换;并针对小波系数进行统计建模,分别讨论了单个小波系数的混合高斯模型、不同尺度小波系数之间的隐马尔可夫树结构、模型训练及似然计算等问题;其次,提出了关于时间序列插值、平滑和预测的统一数学模型,并运用极大后验概率估计和贝叶斯原理,将小波域隐马尔可夫模型作为先验知识给出了一种分析时间序列的新方法;然后,详细推导了时间序列重建问题的Euler-Lagrange方程及对数似然的导数计算,将时间序列的插值、平滑和预测归结为一个简单线性方程的求解;最后通过期望极大化(EM)算法和共扼梯度算法进行交替迭代来计算小波域隐马尔可夫模型参数和重建时间序列.实验结果表明该方法在经济领域时间序列分析中的有效性.     

期铝、现铝与氧化铝价格多重协整关系实证研究

大量研究表明,当时间序列属于非平稳过程时,判断变量间的因果关系将十分困难。而作为计量经济学的新流派,协整理论及误差修正模型很好地解决了时间序列的非平稳问题。通过实证分析的方法,证实了上海期货交易所期铝价格与现货铝价格以及氧化铝价格3个时间序列满足同阶平稳,通过向量自回归(VAR)模型证实了它们之间存在着多重协整关系,进而得出3者之间的因果关系。     

日本经济发展与中日贸易的经济计量分析

基于向量自回归经济计量模型,分析中日贸易与日本经济发展的长期关系和因果关系等 问题. 将多变量时间序列间的单方向因果测度理论应用于中日两国宏观经济的实证分析,从因 果关系角度揭示了7 个主要宏观经济指标间长短期关系及相互作用机制,并从经济计量学的 角度阐明了在过去20 年中日经济发展的互补关系.     

员工满意指数测评方法及其管理策略研究——以某石油机械制造企业为例

员工满意度是保证用户满意的基础,员工对企业的满意指数越高,越有利于提高员工对产品或服务的质量。阐述影响员工满意的因素和产生的效应,提出员工满意指数结构模型,给出模型中隐变量相对应的观测变量以及描述模型中各相关变量之间关系的数学表达式;区分员工满意度的内在报酬因素和外在报酬因素,采用薪酬组合/员工满意度状态管理方格衡量员工的不同满意度状态,实现员工满意状态的动态管理;制定提高员工满意度的P-D-C-A-R五步循环措施,在管理实践中指导企业提高员工满意度。通过对某石油机械制造企业的实际调查,运用偏最小二乘法进行员工满意分析,得到隐变量相关关系曲线和影响员工满意的主要因素,并对企业进一步持续改进员工满意管理策略提出相应建议。     

基于非参数因果网络的风险溢出分析及多因子预测

风险溢出是系统性金融风险产生和演化的核心动因，因此，探究风险的溢出路径与强度至关重要.为了弥补传统方法在维度与参数上的局限，本文将非参数条件互信息检验与因果网络结构学习算法相结合，提出了一种新的非参数高维因果网络构建方法来分析金融系统波动溢出的动态联动性和风险传递机制.此文在非线性合成数据集中验证了该方法的有效性和稳健性并根据因果拓扑关系构造最优预测子集对序列进行多因子预测.并将该模型应用于构建2013年1月至2019年12月期间全球81家能源公司日度股票收益的波动溢出网络，测量基本面与投资者两种维度的风险溢出强度动态变化并进行预测分析.此外，结合企业财务数据和宏观经济变量，考虑企业之间的业务异质性，探索风险溢出的决定因素.研究结果表明，1)能源产业链的上游以及高油价风险敞口的能源企业表现出较大的风险外溢效应和风险承受程度；2)除公司规模以外，企业资产收益率，边际收益等因素也影响溢出效应的强弱；3)能源公司的风险溢出在业务上存在很大差异，溢出驱动因素也有所不同，这对于在投资组合决策和监管政策设计等具有重要的参考价值；4)虽然因果预选信息选择策略结合非参数模型的短期预测效果要优于结合参数模型，但是随着预测步长的增加，参数模型的优势却更明显.     

向量MRS-GARCH模型波动持续性研究

为了描述金融变量在不同阶段的不同波动关系,在向量GARCH模型中引入Markov转换机制,构建了向量MRS-GARCH模型.运用滤波技术推导了模型的参数估计方法,基于预测公式研究了向量MRS-GARCH过程的持续性,并从状态持续时间和引入Markov链的向量GARCH过程的持续性两个方面探讨了向量MRS-GARCH模型...     

具有平滑迁移的ARFIMA模型及其应用

本文基于描述长记忆性的ARFIMA模型和具有结构性转变的平滑迁移模型,提出了联合检验两种时间序列性质的STARFIMA模型,并给出了估计模型系数的估计方法和检验非线性的刀切似然比方法.应用我国通货膨胀率的时间序列数据,我们应用Logistic型STARFIMA模型进行经验分析时发现,STARFIMA模型具有比ARFIMA模型更好的模拟效果和精度,而且该模型分别捕捉到了以通货膨胀率自身和加速通货膨胀率为转移变量的结构性转变,并发现在引入结构转变之后的通货膨胀率序列的记忆性变强的特征.     

中国煤炭消耗与经济增长的结构变化及因果关系研究

采用BA I与PERRON的结构断点检验,对我国1952~2006年间,GDP增长与煤炭消耗时间序列进行了研究,发现各时间序列均为围绕着多个结构断点的分段趋势平稳过程。对去势之后的两指标数据构建VAR模型并进行因果检验。结果表明,只存在着从煤炭消耗到经济增长之间的单向因果关系。这一结论对于未来制订我国的环保与能源发展政策将具有重要的启示意义。     

基于时间序列与机器算法的工商银行股票预测分析

股票市场在国家经济发展中发挥着重要作用,对于投资者来说,其有可能获得超额收益,也有可能遭受巨大损失。因此,如何合理地对股票未来发展作出预测,是投资者关心的问题。文章基于支持向量机、逻辑回归及BP神经网络3种机器学习算法建立分类预测模型,对工商银行股票下一个交易日的涨跌走势进行分析预测,并使用时间序列ARIMA模型进行预测,综合考虑训练模型,分析比较时间序列模型与机器学习对工商银行股票的预测能力。     

基于修剪平均的神经网络集成时序预测方法

由于复杂时序存在结构性断点和异常值等问题，往往导致预测模型训练效果不佳，并可能出现极端预测值的情况。为此，本文提出了基于修剪平均的神经网络集成预测方法。该方法首先从训练数据中生成多组训练集，然后分别训练多个神经网络预测模型，最后将多个神经网络的预测结果使用修剪平均策略进行集成。相较于简单平均策略而言，修剪平均策略不容易受到极值的影响，能够使集成模型获得鲁棒性强的预测效果。在实证研究中，本文构造了两种神经网络集成预测模型，分别为基于修剪平均的自举神经网络集成模型(Trimmed Average based Bootstrap Neural Network Ensemble, TA-BNNE)和基于修剪平均的蒙特卡洛神经网络集成模型(Trimmed Average based Monte Carlo Neural Network Ensemble, TA-MCNNE)，并采用这两种模型对NN3竞赛数据集进行预测，结果表明在常规和复杂数据集上，修剪平均策略比简单平均策略具有更好的预测精度。此外，本文将所提出的集成模型与NN3的前十名模型进行比较，发现两种模型在全部数据集上均超过了第6名，在复杂数据集上的表现均超过了第1名，进一步验证本文所提方法的有效性。     

基于二次分解策略和模糊时间序列模型的航空客运需求预测研究

提高航空客运需求预测的准确性对于航空公司以及整个航空运输系统的发展都具有重要的现实意义。以往研究普遍采用单一分解策略去处理航空客运需求时序中存在的复杂特征,以此提升组合模型的预测性能。然而传统的分解策略存在着特征提取不完全、分解方法带有固有缺陷等问题,导致组合模型预测效果不能得到充分的提升。为此,本文提出一种基于二次分解策略和模糊时间序列模型的航空客运需求预测方法。该方法首先利用季节调整模型（X12-ARIMA）将原始时序分解成季节成分序列与季节调整后序列,继而利用改进的自适应噪声集成经验模态分解方法（ICEEMDAN）将季节调整后序列分解成一系列不同时间尺度的本征模态函数（IMF）和残差序列（Residue）。然后使用基于模糊C均值算法（FCM）划分论域区间的FTS模型对季节成分序列、各IMF分量以及残差序列分别进行预测。最后将各分量序列的预测结果进行集成,重构出航空客运需求的预测值。实证结果表明,本文所提出的二次分解策略表现显著优于传统的分解策略,并且本文所提出模型对于航空客运需求预测有着较高的准确性。     

基于近邻互信息的SVM-GARCH股票价格预测模型研究

为了克服传统线性模型分析处理收益率数据非线性因素的不足,本文提出一种新的基于近邻互信息特征选择的SVM-GARCH预测模型。该模型利用SVM处理高维非线性数据的优势,不仅包含了股指序列自身的历史数据信息,而且通过近邻互信息的方式融合了与目标股指数据关系密切的周边证券市场的相关变化信息。仿真实验结果表明,该模型在时序数据除噪、趋势判别以及预测的精确度等方面均优于传统的ARMA-GARCH模型。     

考虑促销因素的医药电商平台需求预测研究

医药电商平台需求预测涉及到药品自身属性及电商平台推出的各种促销活动,本文针对以上影响药品销量的因素提出了时间序列-机器学习组合模型对医药电商平台进行需求预测。传统研究促销因素的需求预测文献将促销阶段商品销量拆分为常规销量和促销增量的线性组合,本文首先拟合各药品促销阶段的常规销量,根据各药品常规销量时间序列数据及服用周期,使用SARIMA模型拟合药品的常规销量预测值,并将常规销量预测值与商品促销特征数据一同输入XGBoost模型进行集成学习预测。本文使用国内某医药电商平台真实销售数据测试组合模型的有效性,结果显示组合预测模型的预测效果相比其他三种传统预测模型更优。此外,本文验证了不同折扣力度下组合预测模型的有效性,以及促销变量在预测模型中的有效性,同时研究了数据共享策略在需求预测中的应用场景,结果显示预测模型在引入促销变量和采用数据共享策略后都能显著降低模型的预测误差。     

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,结果表明该方法具有较高的精度,有极大的应用范围.     

基于多尺度组合模型的铜价预测研究

铜价预测是国际大宗商品市场研究的一个重要领域。本文运用经验模态分解法（EMD）、人工神经网络（ANN）、支持向量机（SVM）和时间序列方法,基于分解-重构-集成的思想,构建了一个多尺度组合预测模型。在模型构建过程中,提出了运用游程判定法对分量序列进行重构的新思路。然后,运用此模型对LME铜价波动特点和走势进行分析：将铜价序列分解并重构成高频、低频和趋势三个部分,并从不规则因素、重大事件以及长期趋势三个角度解释了重构项的波动特征;实证分析表明,与灰色模型GM（1,1）、Elman神经网络方法等单模型,以及ARIMA-SVM组合模型相比,多尺度组合模型取得了最好的预测效果。     

基于季节调整和Holt-Winters的月度负荷预测方法

针对负荷序列中异常数据会导致模型误设或参数估计发生偏差的问题,提出利用季节调整方法,先对原始负荷序列进行季节调整,获得消除离群值、节假日影响的季节调整后序列和季节成分序列;然后用改进的Holt-Winters方法对季节调整后成分进行预测,用虚拟回归方法预测季节成分序列;最后对各成分预测结果重构得到最终预测结果的月度负荷预测方法。通过实例检验,提出的方法能明显提高预测精度,预测效果要优于季节性Holt-Winters、SARIMA、神经网络、支持向量机等模型。     

基于小波包和神经网络的股票价格预测模型

股票价格是大量因素影响的综合结果,波动规律异常复杂,即使是神经网络这样强大的非线性预测工具也不堪胜任对其的准确预测。本文利用小波包理论将价格波动序列最优地分解为一系列规律较易掌握的子波动,对原始价格波动的预测也就分成神经网络对各子波动的预测。实证研究结果表明,这种小波包和神经网络相结合的股票价格预测模型预测精度明显高于小波和神经网络相结合以及直接利用价格波动预测的同类神经网络模型。     

集团军山地进攻作战减员预计模型

收集了我军以往作战军减员的经验数据,建立军减员率的时间序列模型,提出计算机模拟的方法。在此基础上,着重分析影响减员的多种因素,对交战双方武器装备数量及技术等级,作战地区的地形和气候条件等因素进行了定量描述。运用专家咨询方法筛选了社会经济行为等"软"指标,用群体层次分析法确定各指标的权重,建立了量化指标体系,并运用该指标体系对我军今后主要作战对象进行了量化。结合以上因素对计算机模拟生成的数据进行修正,建立相应的调整算法。