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。     

基于多尺度分析的小麦价格预测研究

本文基于分解-重构-集成的思想,构建了一个多尺度组合预测模型,选取小麦作为粮食的代表,预测其价格走势。首先,运用集合经验模态分解方法(EEMD)分解价格序列,然后,用灰色关联分析方法对分量序列进行重构,重构为高频、中频、低频和趋势项四个部分,并从不规则因素、季节因素、重大事件和世界经济水平等方面对这四个部分波动特点进行解释,针对不同特点的分量选择不同的方法进行预测,最后对各预测结果用支持向量机集成,并与其他预测模型的预测结果进行比较。实证结果表明,本文构建的多尺度组合模型的预测效果优于灰色预测GM(1,1)、BP神经网络、SVM方法、ARIMA模型等单模型方法和ARIMA-SVM组合模型以及基于EMD和EEMD分解的其他多尺度组合模型。     

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。     

文本数据驱动的碳交易价格区间二层分解预测方法

新闻文本数据所包含的情感信息影响着管理者与投资者的决策过程,因而可为碳价预测提供额外信息。本文提出了一种文本数据驱动的碳价区间二层分解预测模型,首先爬取碳排放网上相关新闻文本并计算其情感得分,接着对碳价区间与情感数据进行EMD-WTS二层分解,并基于SE算法将分解结果重构为对应时序的高、低频及趋势项,最后运用LSTM网络对所得序列开展预测,叠加集成后得到最终预测结果。实证实验及对比实验发现,上述模型在有效利用多源信息的同时充分挖掘了碳价区间复杂波动时序中的细节特征,预测效果更为显著。     

基于EEMD-LSTM的农产品价格短期预测模型研究

本文将集成经验模态分解(EEMD)方法与长短期记忆网络(LSTM)相结合，构建了一个端到端的农产品价格短期预测模型。首先，对原始价格信号进行EEMD分解，得到若干IMF子序列和一个残差序列；然后，运用Fine-to-coarse高低频重构方法对IMF子序列进行高频—低频重构；最后将原始价格序列、高频项、低频项和残差趋势项作为特征，输入到LSTM网络进行训练得到预测模型。本文以广州市江南农副产品市场的富士苹果日价格为例进行实证分析，结果表明，本文提出的EEMD-LSTM模型在农产品价格短期预测问题上具有一定的性能优势。     

人民币汇率的双成分混合波动率模型

汇率波动性预测在金融和计算领域一直受到广泛关注,然而由于缺乏可以捕捉汇率波动动态变化的预测模型,高频汇率的波动率预测至今没有得到彻底的研究.文章提出了基于神经网络的双成分混合汇率波动率模型,该模型利用低通Hodrick-Prescott滤波器将已实现波动率分解为长期分量和短期分量,使用自回归神经网络模拟长期分量,一阶自回归过程模拟短期分量,通过实证分析确定自回归神经网络参数(10个隐神经元和四阶滞后输入神经元),以6种主要高频率汇率(英镑/人民币,美元/人民币,澳元/人民币,欧元/人民币,日元/人民币,和瑞士法郎/人民币),在5 h(d)、20 h(d)、100 h(d)、200 h(d)、360 h(d)和500 h(d)的预测区间构建1 h和1 d已实现波动率,并与双成分GARCH模型、EGARCH模型、四阶滞后自回归神经网络模型3个基准模型进行对比,分析模型的预测性能,实验评估表明,提出的混合预测模型在所有预测的范围内均显著地优于传统人民币汇率波动模型.     

基于深度学习与信号分解的金融交易决策支持模型

本文提出一种数据表征方式以反映金融市场状态,并根据该表征提出一个短期交易决策支持模型。通过信号分解技术,该模型将一维非平稳时间序列分解为多维平稳子序列,并进一步将子序列重构为二维图像矩阵以表征每日市场状态。在此基础上,该模型利用神经网络的特征学习能力捕捉五日连续窗口的最优决策点。通过统计性能和财务业绩两种评估方式以及模型对比,结果表明本文所提出的短期交易决策模型有很强的应用性和适应性,可在多变的市场环境中获得可观利润。     

一种非线性时间序列预测模型及对原油价格的预测

针对具有非线性和不稳定性的时间序列,提出一种结合小波分解、滑动平均离散差分方程和马尔可夫方法的动态预测模型.利用小波多尺度分解将原时间序列分解到不同频率通道上,然后对分解出的低频近似小波系数利用滑动平均离散差分方程预测模型进行预测,并利用马尔可夫方法对时间序列的高频细节小波系数进行预测,最后将低频和高频的预测结果进行小波重构得到时间序列的实际预测值.原油价格的时间序列是一类典型的具有非线性和不稳定性的序列,利用此模型对WTI原油(周度)价格进行实证预测分析,分别预测WTI原油价格的整体变化趋势和周度实际原油价格.研究结果表明,此模型不但可以有效地预测时间序列的整体变化趋势,能从细节上对其进行有效的刻画,而且比其他基于小波的预测模型具有更高的预测精度.可以看出国际原油价格从整体上呈现周期性上涨趋势,并且不稳定的随机波动也会一直存在.     

应用经验模态分解的上海股票市场价格趋势分解及周期性分析

文章以经验模态分解方法对上海股票市场价格日序列进行了趋势分解和周期性的波动分析。得到了趋势项和几个不同平均周期的非周期循环分量。实证显示,在趋势分解效能上,经验模态分解与Hodrick-Prescott滤波器性能相近。经验模态分解的结果支持了R/S分析对沪市长程相关性的考察结论。得到的各分量的波动对宏观的重大事件有不同程度的反应,这意味着这些分量的波动反映了股市的各种周期规律。平均周期为40天的分量对股市重要转折点有敏感的预期,其最长预测时间符合非线性动力学的理论,这个分量可以被分为波动特征不同的两个阶段。分析结果表明,2005年中国股权分置改革是沪市股票价格周期波动特征改变的过渡阶段。本文引入的经验模态分解方法提供了一种有用的股票时间序列分析工具,建立基于此结果的新的理论框架将是非常有意义的工作。     

短期电价预测的组合混沌方法

电力市场中,电价的变化呈现的是一种非线性的、动态开放的过程,传统的方法已很难提高其预测精度。为此,本文提出一种基于小波变换、计量经济学模型和径向基函数网络的组合混沌预测方法。首先利用小波变换将原电价序列分解、重构成概貌序列和细节序列;在此基础上,针对不同的子序列建立不同的模型,并进行预测;最后将所有子序列的预测结果求和,作为最终的预测值。对西班牙电力市场短期电价的预测表明,该方法具有很高的预测精度。     

灰色量子粒子群优化通用向量机的中国行业间碳排放转移网络预测研究

针对行业间碳排放转移量预测问题，以中国1997-2017年间9年度28个行业间碳排转移量数据为样本，本文提出了基于小样本随机振荡序列的灰色量子粒子群优化通用向量机混合预测模型ROGM-QPSO-GVM。该模型首先使用ROGM（1，1）模型得到各行业对其他行业碳排放转移量的预测序列和残差序列，然后提出了一种新的量子粒子群优化（QPSO）算法优化GVM模型网络参数，构建了QPSO-GVM模型对残差序列进行修正，再将两部分的预测值相加得到行业间碳排放转移量预测值，最后根据所有预测值构建出行业间碳排放转移网络。结果表明ROGM-QPSO-GVM模型与其他模型相比具有更好的预测效果，并利用该模型对2020年、2025年、2030年中国行业间碳排放转移网络进行了预测及变化趋势分析。     

二氧化碳排放、人力资本和内生经济增长研究

本文在人力资本内生增长模型的基础上引入二氧化碳排放，并将二氧化碳作为环境质量引入效用函数，利用最优控制理论求得稳态时经济增长速度、二氧化碳增长速度，分析了稳态时实现经济增长和二氧化碳减排双重目标的条件，证明人力资本可以克服物质资本边际报酬递减和二氧化碳排放带来的负效用，实现经济增长和二氧化碳减排。通过比较静态分析、参数校准等方法研究了稳态时各增长率的变动趋势。随后本文考察引入二氧化碳排放后内生增长模型的动态性和稳定性，笔者分别通过相位图、数值模拟的方法研究了系统的动态过程，证明了系统的稳定性。     

国债市场利率期限结构波动的对偶变换建模

本文针对传统利率期限结构拟合曲线存在过度波动问题,构建定价误差绝对距离和波动曲率双重最优化模型,借助对偶几何程序转换为在线性约束区域内的绝对距离最小化问题,并运用负指数平滑立方L1样条和计算几何逼近算法求解模型参数,通过负指数立方L1样条、NSS模型和B样条进行样本内拟合与样本外预测能力的比较,证实负指数立方L1平滑样条对利率期限结构波动的定价精确度、结构性拟合和样本外预测能力均有明显的优势,丰富了国债市场利率期限结构波动与定价的理论基础和研究方法。     

A short-term trend prediction model of topic over Sina Weibo dataset

Microblog has become a popular social network service. It provides a new communication platform for information acquisition, sharing and spreading. In addition to presenting daily-life reports from users, microblog also reports unexpected events, which get broad attention. How to forecast such unexpected events as early as possible? In this paper, we propose a short-term trend prediction model of topics in Sina Weibo, the most popular microblog service in China. Based on real microblog data, we first analyze which Weibo data attributes have influence on the spreading of topics, and then build a topic spreading model. Further, we develop a model of short-term trend prediction of topics. With dataset from Weibo, we test our algorithm and analyze the experimental data which shows that the proposed model can give a short-term trend prediction of Weibo topic.     

基于四次幂差修正HAR模型的股指期货波动率预测

股指期货波动率建模与预测是揭示其波动运行规律和市场风险是重要途径。本文基于跳跃、好坏波动率与符号跳跃建立四组HAR模型,提出单级纠偏HARQ类模型和多级纠偏HARQF类模型,实证研究揭示股指期货波动运行规律,并采用MCS检验来评估模型优劣。HAR建模考察连续与跳跃波动、好与坏波动率的两种已实现波动分解。为了降低波动率估计偏差,基于最小化MSE准则确定最优抽样频率,利用已实现核修正的ADS检测法识别跳跃,采用已实现核估计修正好坏波动率与符号跳跃。基于沪深300股指期货的实证研究表明：连续波动比跳跃波动对未来已实现波动贡献更大;好坏波动率具有不对称波动冲击,而符号跳跃对未来波动具有负向冲击;好坏波动率分解优于连续与跳跃波动分解;中位数已实现四次幂差能够显著提升HAR类模型的样本内外预测能力;与样本内预测相反,样本外预测中单级纠偏HARQ类模型优于多级纠偏HARQF类模型;MCS检验得出HARQ-RV-SJ模型表现最佳。研究结论与启示对认识股指期货波动规律和市场风险具有意义。     

基于贝叶斯神经网络短期负荷预测模型

本文提出了基于贝叶斯神经网络(BNN)短期负荷预测模型。根据气象影响因素和电力负荷的样本数据,针对权向量参数的先验分布分别为正态分布和柯西分布两种情况,应用混合蒙特卡洛(HMC)算法学习了BNN的权向量参数。由HMC算法和Laplace算法学习的贝叶斯神经网络以及BP算法学习的传统神经网络分别对4月 (春)、8月 (夏)、10月 (秋)和1月(冬)每月25天的每个整点时刻的负荷进行了预测。这些神经网络的输入层有11个节点,它们分别与每个整点时刻和的气象因素、上一个整点时刻的气象因素和时间变量相对应,输出层只有一个节点,它与负荷变量对应。试验结果表明HMC算法学习的BNN的预测结果的百分比平均绝对误差( MAPE)和平方根平均误差( RSME )取值远远小于由Laplace 算法学习的BNN和BP算法学习的人工神经网络的 MAPE和RMSE。 而且,HMC算法学习的BNN在测试集和训练集上的预测误差MAPE和RMSE的相差很小。 实验结果充分说明HMC算法学习的BNN具有较高的预测精度和较强的泛化能力。     

我国黄金期货价格波动率预测研究：来自模型缩减方法的新证据

黄金作为重要的避险资产,对其价格波动的定量描述和预测对于各类投资者的风险管理决策意义重大。基于标准回归预测模型,采用主成分分析、组合预测和两种主流的模型缩减方法(Elastic net 和Lasso)构建新的波动率预测模型,探究哪种方法能够更有效地利用多个预测因子信息。进一步,运用模型信度集合(model confidence set,MCS)、样本外R2和方向测试(Direction-of-Change,DoC)三种评价方法检验新模型的样本外预测精度。实证结果显示：不论是基于哪一种评价方法,相比其它竞争模型,两种缩减模型的样本外预测精度均为最优,可以为我国黄金期货价格的波动率预测提供可靠保障。     

考虑微观结构噪声与测量误差的波动率预测

以测量误差的分布理论为基础，本文将微观结构噪声的影响引入到测量误差的方差中，构建了包含微观结构噪声影响的HARQ-N模型。使用蒙特卡洛模拟与中国股市的高频数据对HAR、HARQ、HARQ-N模型与HAR-RV-N-CJ模型的估计和预测进行了比较，研究发现，HARQ模型和HARQ-N模型的测量误差修正项对波动率的影响系数统计显著为负，HARQ-N模型的测量误差项影响系数远大于HARQ模型，更大程度地减弱当期微观结构噪声和测量误差的影响。并且，考虑微观结构噪声和测量误差的HARQ-N模型样本内和样本外预测效果在统计上显著优于HAR模型、HARQ模型与HAR-RV-N-CJ模型。     

基于贝叶斯因子模型金融高频波动率预测研究

构建了包含时变系数和动态方差的贝叶斯HAR潜在因子模型(DMA(DMS)-FAHAR),并对我国金融期货(主要是股指期货和国债期货)的高频已实现波动率进行预测.通过构建贝叶斯动态潜在因子模型提取包含波动率变量、跳跃变量和考虑杠杆效应的符号跳跃变量等预测变量的重要信息.同时,在模型中加入了投机活动变量,以考察市场投机活动对中国金融期货市场波动率预测的影响.预测结果表明,时变贝叶斯潜在因子模型在所有参与比较的预测模型当中具有最优的短期、中期和长期预测效果.同时,具有时变参数和时变预测变量的贝叶斯HAR族模型在很大程度上提高了固定参数HAR族模型的预测能力.在股指期货和国债期货的预测模型中加入投机活动变量可以获得更好的预测效果.     

应用混合神经网络和遗传算法的期权价格预测模型

隐含波动率是指在市场中观察的期权价格所蕴涵的波动率.提出了一种加权的隐含波动率作为混合神经网络的输入变量,建立了混合神经网络和遗传算法相结合的期权价格预测模型,通过遗传算法来优化神经网络的结构和获得隐含波动率的权重.在对香港金融衍生品市场的实证中表明,本文模型在预测结果上要优于传统的Black-Scholes模型.