互联网环境下基于消费者搜索的酒店入住率预测研究

互联网环境下消费者信息搜索反映了游客潜在的旅游需求。针对酒店入住率的非线性特征,以北京为例,构建BA-SVR@CSQ混合模型对北京星级酒店平均入住率进行预测,其中蝙蝠算法(Bat Algorithm,BA)用于优化SVR模型的自由参数,并利用2011年1月至2017年4月与北京旅游相关的消费者搜索数据(Consumer Search Queries,CSQ)构造SVR模型的输入集。12个月的预测结果表明,与基准模型相比,所构建预测方法能有效提高模型的预测精度,证实了网络搜索数据在酒店入住率预测中的重要价值,预测结果可为旅游相关部门的决策提供必要的参考。     

基于网络搜索数据的房地产价格预测

本文以北京、上海、天津、重庆等16个大中城市的二手房价格和新房价格为研究对象,以来自我国最大搜索引擎的百度搜索指数为数据基础,使用6种计量模型分别对16个城市的二手房价格和新房价格进行了拟合和预测,得到预测二手房和新房价格变动情况的最优模型.结果显示:网络搜索数据不但能够较好地预测房价指数,而且能够分析经济主体行为的趋势与规律,有一定的时效性.预测的月度房地产价格能够比官方数据发布提前约两周时间.     

基于PSO-SVR的粮食产量预测模型

在粮食产量预测中,存在历史样本量较小和非线性强的特点,从而致使预测精度较低.文章将支持向量机回归(SVR)与粒子群优化算法(PSO)相结合,提出了适用于小样本量学习的PSO-SVR粮食产量预测模型.实例结果表明,PSO-SVR模型预测误差率优于BP神经网络模型.     

近似非齐次指数序列预测的新融合模型构建

DDGM(1,1)模型和LS-SVM模型都是针对小样本进行预测的方法,文章根据DDGM(1,1)模型和LS-SVM模型结构特点上的相似性,将LS-SVM算法引入DDGM(1,1)模型,构建了一种基于DDGM(1,1)与LS-SVM算法融合的预测模型.该模型基于DDGM(1,1)模型作为建模原型,利用LS-SVM算法优化了DDGM(1,1)模型的参数估计方法,增强模型的推广性.实验表明,新模型充分发挥两种小样本预测技术的各自优势,实现了优势互补,对近似非齐次指数时间序列的预测具有较高精度.     

核主成分遗传算法与SVR选股模型改进

 量化选股一直是金融领域研究的热点。随着人工智能技术的空前发展,量化选股方法取得了很大进步。本文构建了基于核主成分遗传算法改进的支持向量回归机人工智能选股模型(KPCA-GA-SVR),并基于沪深股市股票基本面及交易数据,分别从短期和中长期对其选股性能和预测精度进行了实证分析。主要结论为：①遗传算法(GA)改进的SVR较传统模型预测精度更高,且避免了过度拟合;②与采用主成分降维技术的PCA-GA-SVR模型相比,基于核主成分特征提取的KPCA-GA-SVR模型,具有更好模型稳健性及预测准确性;③中长期内该模型的预测误差随滑窗长度的增加有降低趋势,且一年期预测精度最高;短期内不同滑窗下,一周的预测效果最佳。本研究对个人投资者的投资决策及国家宏观监控股市动态变化都具积极意义。     

基于神经网络灰色Verhulst算法的CPI预测模型

为了提高居民消费价格指数的预测精度,对于呈近似S形的CPI时间序列,利用灰色Verhulst模型对其预测.构造基于时间序列的人工神经网络输入输出模式,利用BP神经网络对原始数据与灰色verhulst预测值的残差进行训练.仿真实例表明,该组合算法预测结果比单纯使用GM(1,1)模型、灰色Verhulst模型和文献[1]的总体误差要小,将神经网络引入到灰色Verhudst模型中能较好地提高预测精度.     

贝叶斯支持向量回归及其应用

支持向量回归（SVR）是机器学习中重要的数据挖掘方法，当前关于SVR的研究大多基于二次规划理论，同时，利用交叉验证或一些智能算法选取模型中的超参数，然而，基于二次规划理论的SVR估计方法不仅计算量较大，而且不能进行后续的统计推断分析。文章基于贝叶斯方法研究SVR，通过引入两个潜在变量将SVR的?不敏感损失函数表示为双重正态-尺度混合模型并构建似然函数，通过选取适当的先验分布获得兴趣参数和超参数的Gibbs抽样算法。为筛选重要变量和最优模型，引入0-1指示变量并选取回归参数的Spike and Slab先验来获得贝叶斯变量选择算法。数值模拟证明了所提算法的有效性，并在非正态误差下表现出很好的稳健性。最后将所提方法应用于房价数据分析，得到了有意义的结果。     

一种改进的基于DE-SVR的上证指数预测模型

文章在现有研究的基础上,选取引起上证综合指数波动的八个主要因素,建立一种改进的基于微分进化算法的支持向量机的上证指数预测模型,并与多元回归、多维灰色模型、基于微分进化算法的多维灰色模型、DE-SVR预测模型的预测效果与精度进行对比分析,证实该模型具有较高的预测精度,是一进行有效预测的新方法。     

基于改进的SVR算法上的混沌时间序列预测

文章基于模糊逻辑系统和标准SVR相似性,提出一种基于模糊规则上的支撑向量机。利用模糊逻辑系统参数的物理现实性选择合适方法进行参数初始化,对标准SVR算法进行了改进,并将此算法应用于混沌时间序列的预测。仿真实验证明了这种基于模糊规则上的支撑向量机模型的算法的收敛性。     

基于机器学习LSTM&US模型的消费者信心指数预测研究

消费者信心指数等宏观经济指标具有时间上的滞后效应和动态变化的多维性,不易精确预测。本文基于机器学习长短时间记忆(Long Short-Term Memory,LSTM)神经网络模型,结合大数据技术挖掘消费者信心指数相关网络搜索数据(User Search,US),进而构建一种LSTM&US预测模型,并将其应用于对我国消费者信心指数的长期、中期与短期的预测研究,同时引入多个基准预测模型进行了对比分析。结果发现:引入网络搜索数据能够提高LSTM神经网络模型的预测性能与预测精度;LSTM&US预测模型具有较好的泛化能力,对不同期限的预测效果均较稳定,其预测性能与预测精度均优于其他六种基准预测模型(LSTM、SVR&US、RFR&US、BP&US、XGB&US和LGB&US);预测结果显示本文提出的LSTM&US预测模型具有一定的实用价值,该预测方法为消费者信心指数的预测与预判提供了一种新的研究思路,丰富了机器学习方法在宏观经济指标预测领域中的理论研究。     

具有核化函数的部分线性模型及其应用

本文基于再生核希尔伯特空间中的再生核，将核技巧与高斯-赛责尔迭代算法相结合，提出了具有核化函数的部分线性模型（PLMKF）及其算法收敛性条件等相关内容，具体包括：（1）基于OLS的PLMKF；（2）基于岭估计的PLMKF；（3）基于GLS的PLMKF；（4）基于多核学习的PLMKF。它们构成了PLMKF家族，具有一定的相互转化关系。在数值模拟中，本文验证了各个算法的有效性，比较了基于OLS与GLS、单核与多核的PLMKF模拟结果。实际应用中，在大幅外推情景下，PLMKF仍保持了良好的泛化能力，预测精度高于PLM、GAM和SVR。     

股指期货信息内含股价变动信息的挖掘 ――小波框架与支持向量回归的金融建模应用

 内容提要：中国股指期货的推出指日可待，交易者多了一种投资工具的同时也带来了新的风险。建立准确的金融时间序列预测模型是逐利及避险的方法之一，一直是学者专家研究的热点。本研究结合小波转换与支持向量回归，提出一个二阶段时间序列预测模型。先以离散小波框架将预测变量分解成不同尺度的多个子序列，揭示隐藏在预测变量内的信息，再以支持向量回归为工具，以这些子序列为预测变量建构SVR模型。本研究以日经225指数开盘价为预测目标，以期货开盘价为预测变量对模型进行实证研究，结果显示，该模型的预测绩效比单纯SVR模型及随机漫步模型好。未来可尝试以不同的基底函数作进一步研究。     

互联网企业广告收入预测研究——基于低频数据的神经网络和时间序列组合模型

神经网络模型对大样本时间序列的拟合效果优于传统时间序列模型,但对于年度、月度、日度等低频时间序列的预测则难以发挥其优势。鉴于此,本文应用传统时间序列模型和神经网络模型,建立Holtwinters-BP组合模型,利用Holtwinters模型分别拟合各解释变量序列,利用BP模型拟合解释变量和自变量的非线性关系,基于某社交新闻类APP的日广告收入数据进行互联网企业广告收入预测研究。通过与循环神经网络(RNN)模型、长短期记忆神经网络(LSTM)模型等预测结果的对比发现:Holtwinters-BP组合模型的预测精度和稳定性更高;证明多维变量对于广告收入的显著影响,多变量模型的预测准确性高于单变量模型;构建的Holtwinters-BP组合模型对于低频数据预测有较好的有效性和适用性。     

基于首末位质量因子的BP神经网络财务风险预警模型

上市公司往往存在粉饰财务数据来美化企业经营状况的动机,这会降低财务风险预警模型预测的准确性。文章利用Benford律和Myer指数两种数据质量评估方法,构建Benford和Myer质量因子,引入BP神经网络模型,构造BM-BP神经网络财务风险预警模型;并进一步利用2000—2019年中国A股上市公司数据,评价数据质量因子对财务风险预警模型预测准确性的影响,分析新模型预测准确性的稳定性。实证分析结果显示:Benford和Myer质量因子提高了BP神经网络财务风险预警模型预测的准确性;在不同质量因子的比较结果中,包含评选指标Benford和Myer质量因子的BP神经网络财务风险预警模型具有较高的预测准确率和较低的二类误判率,稳定性良好;利用决策树算法筛选指标有效提高了新模型的预测准确性。     

Introducing model uncertainty by moving blocks bootstrap

It is common in parametric bootstrap to select the model from the data, and then treat as if it were the true model. Chatfield (1993, 1996) has shown that ignoring the model uncertainty may seriously undermine the coverage accuracy of prediction intervals. In this paper, we propose a method based on moving block bootstrap for introducing the model selection step in the resampling algorithm. We present a Monte Carlo study comparing the finite sample properties of the proposel method with those of alternative methods in the case of prediction intervas.     

Robust interval forecasting algorithm based on a probabilistic cluster model

For substantiation of managerial decisions the forecasting results of dynamic indicators are used. Therefore, forecasting accuracy of these indicators must be acceptable. Consequently, forecasting algorithms are constantly improved to get the acceptable accuracy. This paper considers a variant of the method of forecasting binary outcomes. This method allows prediction of whether or not a future value of the indicator exceeds a predetermined value. This method ‘interval forecasting’ was named. In this paper a robust interval forecasting algorithm based on a probabilistic cluster model is proposed. The algorithm’s accuracy was compared with an algorithm based on logistic regression. The indicators with different statistical properties were chosen. The obtained results have shown the accuracy of both the algorithms is approximately similar in most cases. However, the cases when the algorithm based on logistic regression demonstrated unacceptable accuracy, unlike the presented algorithm have been identified. Thus, this new algorithm is more accurate.     

函数型变量倾斜分位回归模型及其应用

本文考虑函数型数据的结构特征,针对两类函数型变量分位回归模型（函数型因变量对标量自变量和函数型因变量对函数型自变量）,基于函数型倾斜分位曲线的定义构建新型函数型倾斜分位回归模型。对于第二类模型,本文分别考虑样条基函数对模型系数展开和函数型主成分基函数对函数型自变量展开,得到倾斜分位回归模型的基本形式。参数估计采用成分梯度Boosting算法最小化加权非对称损失函数,提高计算效率。在理论上证明了倾斜分位回归模型的系数估计量均服从渐近正态分布。模拟和实证研究结果显示,倾斜分位回归模型比已有的逐点分位回归模型具有更好的拟合效果。根据积分均方预测误差准则,本文提出的模型有一致较好的预测能力。     

Forecasting Study of Shanghai’s and Shenzhen’s Stock Markets Using a Hybrid Forecast Method

In this article, a novel hybrid method to forecast stock price is proposed. This hybrid method is based on wavelet transform, wavelet denoising, linear models (autoregressive integrated moving average (ARIMA) model and exponential smoothing (ES) model), and nonlinear models (BP Neural Network and RBF Neural Network). The wavelet transform provides a set of better-behaved constitutive series than stock series for prediction. Wavelet denoising is used to eliminate some slight random fluctuations of stock series. ARIMA model and ES model are used to forecast the linear component of denoised stock series, and then BP Neural Network and RBF Neural Network are developed as tools for nonlinear pattern recognition to correct the estimation error of the prediction of linear models. The proposed method is examined in the stock market of Shanghai and Shenzhen and the results are compared with some of the most recent stock price forecast methods. The results show that the proposed hybrid method can provide a considerable improvement for the forecasting accuracy. Meanwhile, this proposed method can also be applied to analysis and forecast reliability of products or systems and improve the accuracy of reliability engineering.