基于滚动时间窗的碳市场价格分解集成预测研究

提高碳市场价格预测准确性对于交易风险监测以及碳市场平稳发展具有重要价值。针对复杂的、非线性碳市场价格数据的短期预测误差偏大、分解过程易产生数据泄露问题，提出了基于滚动时间窗的SSA-SVR分解集成预测框架。首先，选取时间窗数据，继而借助奇异谱分析将时间窗内碳价序列分解重构为高、低频序列；然后，使用支持向量回归方法对高、低频序列分别进行预测；最后，加和集成预测结果，得到下一时刻的碳市场价格预测值。通过不断更新时间窗的数据内容，动态执行“分解-预测-集成”过程，实现碳市场价格的实时预测。研究结果表明，本文所提出框架表现出优异且稳定的预测性能，在碳市场价格预测研究中具有良好的适用性和有效性。     

基于“拆分-填充-分解-集成”的我国线上零售额预测研究

线上零售额的准确预测是政府制定零售政策和发展规划的依据,也是电商和物流企业确定发展战略的基础。由于我国线上零售额数据具有样本量小、波动性大、受节日影响大、存在缺失值等特征,准确预测变得十分困难。为解决这个问题,本文提出了一种“拆分-填充-分解-集成”的预测框架。具体而言,首先将数据集拆分为实物零售数据与非实物零售数据两部分。其次,分别根据实物零售与非实物零售数据不同的缺失特征对样条插值法做了改进,提出了基于“样条插值-二分调整”的分解填充法以及基于“分段线性函数拟合-样条插值”的分解填充法,对两组数据进行缺失值填充。继而基于两组数据的不同特征,分别提出“乘法分解-ARIMA-移动平均”以及“STL分解-BP神经网络-灰色波形”的预测方法对两组数据进行预测。最后将两组预测结果集成,得到我国线上零售额的预测值。实证结果表明,本文提出的预测框架能较好地捕捉我国线上零售额数据的特征,具有很高的预测精度,且较传统的缺失值填充和预测方法在性能上表现更好。本文提出的“拆分-填充-分解-集成”预测框架,丰富了现有的缺失值填充与预测方法,并为预测实践提供了解决方案。     

基于信息披露文本的上市公司财务困境预测:以中文年报管理层讨论与分析为样本的研究

本文采用文本分析方法研究了中文年报管理层讨论与分析传递的管理层语调能否提供财务困境预测的增量信息、能否提高预测的准确性以及文本内容的信息价值,主要结论为：（1）管理层语调确实为财务困境预测提供了新的信息,能提高财务困境模型的拟合程度和预测能力;（2）管理层语调是对定量财务数据的重要补充,而且这些信息并没有在市场交易价格中得到充分反映;（3）负面语调比净语调具有更高的信息价值;（4）财经文本情感或语调的分析应以基于相关来源财经文本的情感词词典为基础,而直接引入其他领域成熟词典的效果较差。     

语调、情绪及市场影响: 基于金融情绪词典

金融文本的语调与情绪含有上市公司管理层以及个体投资者表达的情感信息，并对股票市场产生影响． 通过词典重组和深度学习算法构建了适用于正式文本与非正式文本的金融领域中文情绪词典，并基于词典构建了上市公司的年报语调和社交媒体情绪指标． 构建的年报语调指标和社交媒体情绪指标能有效地预测上市公司股票的收益率、成交量、波动率和非预期盈余等市场因素，并优于基于其他广泛使用情绪词典构建的指标． 此外，年报语调指标和社交媒体情绪指标对上市公司的股价崩盘风险具有显著的预测作用． 为文本大数据在金融市场的应用提供了分析工具，也为大数据时代的金融市场预测和监管等活动提供了决策支持．     

数据资产信息披露与分析师盈余预测关系研究——基于文本分析的经验证据

在大智移云时代,由于数据已成为市场竞争的关键要素,企业对数据资产的运用日益普遍。本文通过运用Word2Vec神经网络模型构建文本词典以挖掘年报中的文本信息,对企业数据资产信息披露影响分析师盈余预测进行了实证研究,发现：1)个股年度报告中的数据资产信息披露频率越高,预测该个股次年每股收益(EPS)的分析师报告越多,且对每股收益的预测偏误越低,说明分析师对数据资产信息有所关注,且数据资产信息披露能够显著改善分析师预测的准确度;2)数据资产信息披露能够通过提供前瞻性信息和改善个股信息透明度来提高分析师预测的准确度;3)个股年度报告的可读性较高,或者市场处于牛市状态时,数据资产信息披露频率的增加,更能够提高分析师预测的准确度。研究结论对完善企业信息披露行为、促进分析师更好地发挥信息中介作用具有重要意义。     

贵金属期货价格预测方法及实证研究

本文融合了二次分解与极限学习机的优势,提出了VMD-Res.-EEMD-ELM贵金属期货价格预测模型,选择变分模态分解(VMD)作为主要的分解技术,生成模态分量序列(VMFi)和残差序列(Res.),采用集合经验模态分解(EEMD)对残差序列进行二次分解,并使用具有良好泛化能力的极限学习机(ELM)对各分量进行预测,最后叠加各模态分量和残差的预测值形成收益率的最终预测结果。所提出的模型不仅充分发挥了二次分解技术的优势,而且解决了传统变分模态分解组合预测模型未考虑残差影响因素的问题。实证研究表明,本文所提出的组合模型能够全面捕捉黄金、白银期货价格日收益率序列的特征,方向性预测准确率分别为83.33%和93.33%,误差指标MAE分别为0.15和0.11,经比较本文所提出的模型具有良好的预测性能。     

FEPA-金融时间序列自适应组合预测模型

本文报告一种金融时间序列预测的信号分析、信息融合与智能计算组合模型,简称FEPA,由针对金融时间序列（FTS）信号分析的经验模态分解（EMD）、用于数据降维的主成分分析（PCA）和用于非线性建模的人工神经网络（ANN）三部分组成。该模型首先应用滑动窗口截取原始金融时间序列最近期数据集,应用EMD分解算法把数据集分解成不同尺度的本征模态函数（IMF）,然后通过主成分分析将分解后的数据降维,提取最有信息量的特征;然后将这些特征输入到神经网络进行组合预测。本文提出的组合预测模型FEPA是基于分解-提优-合成的信息融合思想,有效提高了预测可靠性。其创新点在于：1）首次给出了EMD算法的结构化表达,提供了今后融合更多信息的算法接口;2）通过多步长预测输出深入研究EMD分解的有效信息结构;3）通过切换到更细时间框架来处理EMD的端点效应,并探索了两级时间框架下的预测效果;4）给出了金融时间序列组合预测模型的一般性架构,具有可升级性和可扩展性。并且通过滑动窗口EMD使得实证更能切近实际。通过在沪深300股指和澳大利亚股指上的实证,结果表明FEPA预测模型在沪深300股指日线和15分钟线上的预测命中率高达78%和82%,在澳大利亚股指日线上也达到了74%的命中率,经比较,明显高于文献中常见的5种模型。     

基于可变区间权重的中期用电量半参数预测模型

由于数据变化规律的多样性,中期电力负荷的波动有着不同于短期、长期负荷的特点。基于电力系统复杂性的研究视角,重点讨论了中期负荷预测过程中模型的不确定性、参数的时变特性以及负荷波动的周期性规律。根据中期负荷的数据特性,建立了基于非参数修匀的半参数模型,定义了函数区间的划分粒度以及模型权重的求解方法,提出了基于可变区间权重的动态预测方法,给出了基于经验模态分解和波动能量分析的噪声序列提取、检验方法。试验研究结果表明,气候因素对用电消耗的影响最大,经济因素次之;从选取的指标来看,不同时期的影响因素对于模型的解释能力是时变的;所提方法能够对电力负荷进行精确的多粒度、多维度分析,进而掌握其局部变化规律,可有效用于电力系统中期负荷预测。     

基于多源异构数据的玉米期货价格可解释性预测

玉米期货价格预测和预警工作有助于指导农业经济高质量发展,而自2020年6月以来我国玉米期货价格波动剧烈,亟需准确高效的玉米期货价格预测方法。针对现有研究未充分考虑疫情、政策调控及新闻文本中潜在的预测信息等不足,本文综合考虑了玉米市场的供求关系、政策调整、国际市场冲击、疫情冲击、突发事件的影响等导致玉米价格波动的多重因素,设计了有效的玉米期货价格可解释性预测框架。同时,针对现有玉米期货价格预测可解释性不足的问题,提出了一种新颖的DE-TFT可解释性玉米期货价格预测模型,该模型采用差分进化算法对时域融合变换器(temporal fusion transformers, TFT)的参数进行智能高效的优化。TFT是一种新颖的基于注意力的深度学习模型,将高性能预测与时间动态可解释分析相结合,表现出优异的预测性能。TFT模型可以产生可解释的玉米期货价格预测结果,包括时间步长的注意力分析和输入变量的重要性排序。在实证研究中,潜在狄利克雷分配模型用来分析“中华粮网”收集的玉米新闻资讯和政策调整的内容及主题,卷积神经网络用来提取新闻资讯的潜在预测信息,可解释的实验结果表明,反映国内疫情状况的百度指数“疫...     

季节性数据特征驱动的电子废弃物回收规模分解集成预测建模研究

电子废弃物回收规模预测是政府制定循环经济发展规划和有关补贴政策、企业进行资源回收价值评估和产能优化的基础。本文考虑电子废弃物回收规模季度数据的季节性数据特征可能导致传统单模型预测误差偏大、预测结果不稳定等问题，基于“分解-集成”的思想提出了季节性数据特征驱动的电子废弃物回收规模预测CH-X12/STL-X框架。首先，基于Canova-Hansen(CH)检验对电子废弃物回收规模时间序列的季节性数据特征进行识别，继而对适于进行季节性分解的时间序列采用X12乘法模型或时间序列季节性分解(Seasonal-trend Decomposition Procedure Based on Loess，STL)模型实现季节性分量提取。然后，采用Holt-Winters模型对获得的季节性分量进行预测，并以支持向量回归模型(Support Vector Regression，SVR)预测分解获得的其他分量。最后，通过对各个分量预测结果的线性求和以得到最终的预测结果。实证结果表明，提出CH-X12/STL-X预测框架能够较好地满足不同季节性数据特征驱动的时间序列预测建模需求，且较传统单模型(Holt-Winters模型、季节性差分自回归滑动平均模型、SVR模型)在预测性能上表现良好且稳定。     

基于LSTM神经网络的金融时间序列预测

本文提出将小波分析与纳入时间序列依赖特征的长短期记忆（LSTM）神经网络相结合，构建金融时间序列数据预测模型，以克服现有模型对金融时间序列数据非平稳、非线性、序列相关等复杂特征以及数据间非线性交互关系无法反映的缺陷。同时，以道琼斯工业指数日收盘价为例，探究LSTM神经网络对实际金融时间序列数据的预测能力，比较其与多层感知机、支持向量机、K近邻、GARCH四种模型的预测效果。实证结果表明LSTM神经网络具有更高的预测精度，能够有效预测金融时间序列数据的长短期动态变化趋势，说明了其对金融时间序列数据预测的适用性与有效性。此外，对金融时间序列数据进行小波分解与重构，可有效提高LSTM预测模型的泛化能力，以及对长短期动态趋势的预测精度。     

基于信息披露文本的上市公司信用风险预警——来自中文年报管理层讨论与分析的经验证据

本文运用文本挖掘技术,对2008-2018年1297家上市公司年报的管理层讨论与分析(MD&A)进行文本分析。从文本质量特征、文本词汇特征和文本语调特征等角度量化计算文本相似度、文本情感值、文本可读性三个维度文本披露指标,采用Logistic模型、决策树模型、支持向量机和神经网络模型四种方法构建上市公司信用风险预警模型,实证检验加入MD&A文本信息披露指标后信用风险预警模型的预测能力。实证结果表明：(1)在加入文本信息披露指标后,信用风险预警模型的预测准确度得到显著提升,多维度文本信息披露指标比单维度文本信息披露指标对信用风险预警模型预测准确度提升效果更优;(2)Logistic回归模型的预测准确度在样本数量较低时要优于决策树、支持向量机与神经网络,随着样本数量的增加,支持向量机和神经网络的预测准确度会明显提升;(3)不同特征的文本信息内容与企业是否发生信用风险均显著相关。本文的研究结论为提高信用风险预警的预测准确性提供了方法和经验证据,对于投资者与相关学者研究市场有效性提供新的研究视角。     

运用马尔科夫链预测股指走势的实证分析

金融市场的多种价格变量是受到各种各样因素影响的随机变量,在不同的假设条件下可以做出不同的预测模型,常见的计量经济模型、投入产出模型、随机时间序列模型在不同程度存在缺陷,运用马尔科夫链对这些随机变量的数量特征进行分析,通过合理划分变量变动区间和时间间隔,可以分析各个状态之间的互通性和遍历性。根据我国2006下半年至2008年的上证综合指数股票历史收盘价数据,运用马尔科夫预测法对其短期价格走势进行预测,并对预测结果作了分析。     

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.     

谁是驱动中国原油期货价格波动的关键信息?

本文首次对影响中国原油期货价格波动的驱动因素进行了量化分析.运用广义动态因子模型,结合互联网数据,为中国原油期货价格构造了六类预测因子：供需预测因子、市场金融化预测因子、汇率市场信息预测因子、商品市场预测因子、全球宏观经济预测因子以及事件预测因子.基于混频GARCH-MIDAS模型,本文发现上述六类因子能显著改善对原油价格波动的预测精度.同时,基于MCS检验结果,揭示出在不同时间尺度下,驱动中国原油价格波动的信息存在明显差异性,即在短期和中期预测中事件预测因子起主导作用,而供需因子则是在长期主导中国原油价格波动的关键因素.综上,本研究为国内原油市场参与者、政策制定者及市场监管者把握未来市场信息提供了分析工具和参考依据.     

面向竞争力的特征比较网络: 情感分析方法

比较观点广泛存在于在线评论之中,这些比较观点是用户表达情感的常用方式, 也是产品竞争力的重要表现。依据在线评论的文本信息,结合文本挖掘和情感分析技术,提取在线评论中特征级的“比较观点对”。利用特征比较观点,分别构建产品特征的单边有向、双边有向以及多边有向比较网络, 并根据情感强度确定网络边的权重。借助成熟的网络分析算法(PageRank和HITS),对特征比较网络进行计算。产品特征比较网络能够识别产品的竞争优势, 也能分析用户对每个特征的关注度,并量化评价得分。实验发现,特征比较网络与销售排名显著相关,因而有助于销量的预测。     

多因素数据重心预测方法及应用研究

本文基于数据重心概念,通过大量的研究和推导,提出数据重心参数估计理论,并利用数据重心法估计多项式回归预测模型的参数,应用于我国钢材消费量的预测。从应用的结果看,增加了我国目前钢材预测的方法。本方法能最大限度地平滑预测模型的误差,而且应用条件比最小二乘法宽松;也不会因为个别残差较大的异常点而对预测结果产生不稳定性,从而提高了拟合和预测的稳健度,计算更简捷。     

面向竞争力的特征比较网络:情感分析方法

比较观点广泛存在于在线评论之中,这些比较观点是用户表达情感的常用方式,也是产品竞争力的重要表现.依据在线评论的文本信息,结合文本挖掘和情感分析技术,提取在线评论中特征级的“比较观点对”.利用特征比较观点,分别构建产品特征的单边有向、双边有向以及多边有向比较网络,并根据情感强度确定网络边的权重.借助成熟的网络分析算法(PageRank和HITS),对特征比较网络进行计算.产品特征比较网络能够识别产品的竞争优势,也能分析用户对每个特征的关注度,并量化评价得分.实验发现,特征比较网络与销售排名显著相关,因而有助于销量的预测.     

基于前瞻信息的广义风险与收益率预测

当预期资产价格可能会下跌时,投资者可以交易期权来对冲风险,因此期权价格中隐含未来市场风险的前瞻信息,理论上基于这部分信息预测未来可提高预测的准确性和前瞻性.本文综合运用有限差分、约束最小二乘和广义极值分布等技术构建一种非参数方法,提取我国上证50ETF期权中隐含的前瞻性分布信息,以测算我国股票市场的广义风险.实证结果发现：隐含广义风险指标对未来风险调整收益具有显著预测能力,在其它预测因子基础上加入该指标可以显著改进风险调整收益的样本外预测精度;隐含广义风险指标还能反映收益率的高阶矩和尾部信息,进而能预测未来收益率发生下跳风险的概率.以上结论在控制一系列其它风险因子及不同样本区间和不同预测窗口下是稳健的,说明基于前瞻信息的广义风险指标含有其它风险因子所不具备的额外预测信息.本研究为投资者和监管部门防范化解金融市场风险提供新的前瞻性管理工具和手段.     

顾客至上：消费者在线投诉的基本面预测能力研究

随着数字经济时代的到来,数据要素成为这一新经济形态的核心引擎,催生了更多另类数据。作为一种典型的另类数据,消费者在线投诉信息对企业发展具有至关重要的影响。本文基于千万级别的消费者在线投诉数据,系统研究了消费者在线投诉的信息含量问题。研究发现：首先,消费者在线投诉数据含有与公司基本面相关的信息,对公司未来营业收入增长率具有良好的预测效果。其次,从不同类型的消费者在线投诉的预测能力来看,针对质量的“结果失败”投诉和企业无回应的投诉具有更强的基本面预测效果。再次,我们针对消费者在线投诉的预测能力开展了进一步讨论,发现消费者在线投诉具有行业溢出效应,对同行业其他企业同样具有一定的基本面预测能力;从预测窗口来看,具有一定的持续预测能力;从预测类型来看,对企业财务危机也具有较好的预测能力。此外,消费者在线投诉的基本面预测能力具有显著的异质性,在低信息透明度和消费者业务重要性更高的样本中更加显著。本文的研究结论对于监管机构、上市公司、专业投资者等相关主体具有重要的启发价值。