基于小波神经网络的经济预测研究

本文通过小波变换和神经网络的结合,建立了相应的小波神经网络经济预测模型.该模型克服了传统时间序列预测模型只能进行线性预测,避免了一些BP神经网络的固有缺陷.     

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.     

时间序列和神经网络的组合预测及其应用

近年来各种预测方法中,时间序列是线性模型中精度比较高,应用较广的模型之一;而在非线性类中,神经网络模型是典型的非线性预测.建立时间序列和神经网络的组合预测模型可以有效的反映各种因素的综合影响,组合预测理论已经证明多种模型的线性组合在一定的条件下能够有效的改善模型的拟合能力和提高预测精度.本文采用线性组合预测方法,应用线性规划方法,从而在预测中得到比单项预测方法更好的科学预测结果.     

区域出口贸易非线性混合预测模型及其实证

混合预测模型由于能够反映事物变化的线性和非线性特征,而在预测领域得到了广泛的应用。本文针对区域出口贸易的特点建立了一种基于BP神经网络和误差校正向量自回归模型的的非线性混合预测模型,应用于区域出口贸易预测,得到了较好的预测效果。由于该模型能够反映经济系统中各变量的长期均衡关系,同时非线性的协整变量能够反映出经济系统其他变量的短期波动对预测变量的影响,因此该模型适合于经济变量的预测。     

基于小波分解的汇率预测模型实证研究

基于人们的预期对汇率的影响及汇率变动中包含不同频率成分的原因,文章采用小波分解和人工神经网络(ANN)相结合的方法建立汇率预测模型,首先将原始汇率数据序列分解为不同频率序列,然后利用ANN方法针对分解后的序列分别建立模型,将每个模型预测的结果相加得到汇率的预测值.实证结果发现:(1)小波分解方法有助于提高汇率预测的精度,表明汇率变动是由不同频率成分组成并且人们预期对汇率变动具有一定的影响;(2)汇率预测中不同的神经网络模型具有不同的性能,在建立预测模型时应该慎重考虑选择的神经网络类型及其参数.     

基于LSTM网络的非线性误差修正学习模型的构建

针对部分时间序列具有非线性特征、误差修正模型仍然采用线性回归的局限,文章提出一种融合长短期记忆递归神经网络的误差修正学习模型,该模型利用神经网络的非线性特征和长记忆性,提升了对时间序列的非线性表达能力,同时也改善了神经网络中变量的可解释性。运用该非线性误差修正学习模型对2017—2021年美元指数与黄金价格的非线性联动性进行分析,发现其拟合优度比传统的误差修正模型有显著提高。     

一种基于RS-LSSVM的经济景气指数预测模型

为了消除经济景气指数系统中指标冗余及非线性预测困难等问题,文章利用粗糙集约简原理及支持向量机非线性预测特性,提出一种粗糙集与最小二乘支持向量机混合预测模型RS-LSSVM.模型运用粗糙集约简样本数据空间的维数,加快LSSVM的训练速度和模型的精度,又能弥补粗糙集方法在实际应用过程中噪声敏感问题.最后通过我国工业企业景气指数实证分析及与BP神经网络预测相比较,验证了该预测模型的有效性.     

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。     

AGA参数优选的SVR模型及其在经济系统预测中的应用

支持向量机已经被成功应用于解决非线性回归和时间级数等问题。文章运用自适应遗传算法对支持向量回归进行最优参数设置,得到一种新的预测模型——AGASVR模型,并且将该模型应用于经济系统的和预测。实验结果表明,提出的模型相对神经网络模型、小波神经网络模型和灰色系统模型而言,运算精度高,是一种有效的经济系统预测方法。     

基于混合时间序列模型的粮食产量预测

粮食产量的预测是保障粮食安全的重要组成部分.文章结合河南省许昌市粮食产量的历史数据,首先建立趋势外推预测模型,并对模型进行相应的分析;然后运用趋势外推与ARIMA模型(求和自回归移动平均模型)结合起来的混合时间序列模型对趋势值和真实值之间的离差序列即残差进行分析,得到混合时间序列模型的预测结果;最后通过比较得出的混合时间序列模型预测的精度较高,可作为粮食总产量预测的有效工具之一.     

中国城镇居民消费结构的预测

目前国内用于消费结构预测的模型,大部分是以截面数据资料建立起的线性扩展支出系统ELES,它反映在某一时间截面物价水平下不同收入水平消费者的均衡状况,属于静态预测模型具有很大局限性.本文在ELES模型基础上,考虑时间因素的变化对其加以改进,构建一组横断面样本与时间序列组合运用的动态预测模型体系.     

基于时间序列ARIMA与BP神经网络的组合预测模型

文章将时间序列ARIMA模型和BP神经网络算法相结合,设计一种组合预测模型,并将其应用于实际预测中,通过实际预测检验了组合预测模型在实际预测中的有效性.研究发现,组合预测模型在预测精度方面总体上优于这两个单项预测模型,因此这种组合预测模型具有良好的预测效能.     

中国黄金市场的非线性和确定性检验

混沌普遍存在于现代金融市场中,非线性和确定性是时间序列存在混沌的重要前提,而中国黄金市场这一新兴市场在此方面的研究仍是空白。文章以上海黄金交易所黄金现货日收盘价格序列作为研究对象,对数据进行收益率和对数线性去趋势平稳化处理,然后运用R/S分析来检验其非线性,发现上海黄金价格序列具有非线性和分形特征,但其后的BDS定量检验表明其非线性特征并不显著。最后运用递归图方法进行确定性检验,得出该系统具有一定确定性的结论。因此相较于传统的线性分析方法,对于我国黄金市场价格序列,采用非线性确定性模型进行分析预测可能更加有效。非线性和确定性的存在也表明我国黄金市场可能具有混沌特性,从而为今后对我国黄金价格的初值敏感性和奇异吸引子存在性等混沌特征进行分析,并进一步构筑混沌预测模型打下基础。     

多变量混沌时间序列的最小二乘支持向量机预测

文章根据多变量混沌时间序列的相空间重构理论,建立了多变量时间序列的最小二乘支持向量机预测模型.通过Lorenz系统和中国股市的股票价格序列对该模型进行了验证,结果表明该预测模型能精确地预测混沌时间序列,并且优于基于单变量时间序列的最小二乘支持向量机预测模型.     

基于混沌神经网络算法的CPI预测

文章针对CPI时间序列的非线性特征,运用混沌理论对其相空间进行了重构,并求出其最大Lyapu nov指数大于零,从而判断CPI时间序列的混沌特性,利用混沌BP混合算法(CBP)构建了CPI预测模型。结果表明,该模型在6个月内具有较高的精度。     

基于ARIMA的多元时间序列神经网络预测模型研究

文章基于ARIMA模型具备准确提取时间序列当前值、过去值及误差值之间回归关系的能力,人工神经网络具备对各种变量的感知能力强,非线性逼近、自适应、自学习性等特性,构建了一种多元时间序列预测模型,并进行了理论探讨和实证.该模型能较准确模拟和预测时间序列的变化规律,可较好满足时复杂时间序列的分析预测需求.     

人民币汇率非线性相关结构的实证分析

文章对已有的方法综合改进,采用R/S分析以及基于BDS统计量和最大Lyapunov指数的替代数据方法,较为系统地探讨人民币兑4种主要货币汇率序列非线性相关结构的存在性和基本类型。研究表明,人民币汇率存在确定性的非线性相关结构,人民币兑美元和港币汇率的非线性程度要强于人民币兑其他货币汇率的非线性程度。研究为准确地进行人民币汇率预测模型的选择打下基础,进一步也为人民币汇率政策的制定提供决策参考。     

基于Lyapunov指数和CBP的混沌时序预测模型

本文根据经济系统的非线性及混沌特征,通过找出预测状态点的邻界状态与其后续状态点之间的函数关系,作为预测函数,提出了基于Lyapunov指数和CBP的混沌时序预测模型;利用Lyapunov指数判别时间序列的混沌特性,估计最大可预测时间尺度;应用混沌优化的BP神经网络进行经济预测。然后将这一模型应用于某超市的销售数据预测,取得了比较满意的结果。     

人民币实际有效汇率波动的特征

在过去的20年里,非线性时间序列模型发展迅速,正日益广泛的被应用于各种经济时间序列特别是金融时间序列变量的研究.其中,STAR(Smooth Transition AR)模型,即平滑转换自回归模型就是非常重要的非线性领域转换模型.STAR模型首先是由Terasvirta& Anderson(1992)提出,后经Granger& Terasvirta(1993)和Terasvirta(1994)对模型的估计及统计特征进行了考察.尽管如此,在模型的应用方面,国内外都很少有将STAR模型应用于实际汇率特别是实际有效汇率的研究,而Michael(1997),N.Sarantis(1999)在这方面的研究也主要是针对发达国家.     

人民币实际汇率中的马尔可夫转换行为

一、引言在过去的二十年里 ,非线性时间序列模型不断发展 ,并正日益广泛地被应用于各种经济和金融时间序列变量的研究之中。除了阈值自回归模型和平滑过渡自回归模型外 ,马尔可夫转换模型也是一种非常重要和流行的非线性制度转换模型。在汇率研究中 ,这三种制度转换模型均被学者们用于对汇率的非线性动态行为特征进行分析。马尔可夫转换模型与前两者相比 ,最大的特点就在于不同制度之间发生转化的随机过程是由不可观察的制度变量所控制 ,且该制度变量是遵循一个马尔可夫链运动的。使用二制度马尔可夫转换模型对实际汇率进行建模的基本出发点…