基于组合插值的GM(1,1)模型预测方法的改进与应用

从理论上分析了GM(1,1)模型中的背景值,提出组合插值的思想,利用分段线性插值函数与Newton插值公式结合的方法构造一类新的灰色预测模型CIGM(1,1),改进背景值的构造方法,克服现有的灰色改进模型的不足,为提高预测精度提供了新的途径。最后以2008年江苏省工业用电量数据为例,用本文提出的方法进行预测仿真,理论分析和应用实例表明了本文所提方法的有效性。     

GM(1,1)模型背景值的优化

背景值是影响GM(1,1)模型精度的关键因素之一。当前背景值优化的改进模型均取得较好的效果,但优化后的背景值公式多数比较繁琐,并且部分优化模型不适用于高增长型序列。本文根据模型的指数性质以及积分特点,分析背景值的构造原理,利用黎曼积分的核心思想,提出以不规则梯形面积取代传统梯形面积构造法,对传统GM(1,1)模型背景值进行优化。通过实验验证了新模型具有白指数律重合性,不仅适用于低增长指数序列,亦适用于高增长指数序列,并且优化公式简单,具有较高的实用性与可靠性。     

基于新改进GM(1,1)模型的中国企业债券融资发展预测

我国企业债券市场明显滞后于整个资本市场的发展,加快发展企业债券市场的呼声日高。但是去除企业债券发展的束缚是一个渐进的过程。在此背景下,本文对我国企业债券融资发展进行定量预测。考虑到影响我国企业债券发展的因素较多且不确定,笔者采用灰色系统GM(1,1)模型进行预测。GM(1,1)模型是有偏差的灰指数模型,其精度取决于背景值的构造形式和初始条件的选取。已有的研究文献均是从一个侧面单独改进GM(1,1)模型,这里,笔者提出一种同时优化背景值和初始条件的新GM(1,1)模型。笔者发现新优化GM(1,1)模型比单独优化背景值或单独优化初始条件有更高的模拟精度。在此基础上,利用新改进GM(1,1)模型对我国2010年之前的企业债券余额进行了预测。     

非等间距GM(1,1)模型背景值的优化

基于背景值是影响灰色建模精度的重要因素之一,本文对非等间距GM(1,1)模型中的背景值构造进行了研究,根据灰色模型的指数特性和积分特点,利用非齐次指数函数来拟合一次累加生成序列,提出了一种重构非等间距GM(1,1)模型背景值的方法。实例表明利用优化的背景值计算公式建立的非等间距GM(1,1)模型显著地改善了模拟和预测精度。该背景值不仅适合于非等间距建模,也适合于等间距建模,具有精度高、适用性强的特点。     

灰色Verhulst模型背景值优化的建模方法研究

本文对传统灰色Verhulst模型背景值的误差来源进行分析,对模型的背景值进行优化,以期提高模型的模拟预测精度。基于灰色Verhulst模型时间响应式的Logistic函数形式,文章利用Logistic函数拟合模型中的一阶累加生成序列,经过一系列的数学推导,借助反向累加生成的思想,解出了Logistic函数中的三个参数,得到了灰色Verhulst模型背景值的优化公式,并建立了优化的灰色Verhulst模型。最后分别通过算例和应用实例验证本文的优化效果,结果表明,利用优化的背景值公式可以有效地提高传统灰色Verhulst模型的模拟预测精度。     

估计灰色Verhulst模型参数的LS-SVM方法及应用

估计灰色Verhulst模型中的参数通常采用最小二乘法，这种基于大样本理论的经验风险最小化方法无法保证小样本预测下模型的推广性能.为提高灰色Verhulst模型的预测精度，本文提出了基于LS-SVM算法估计模型参数的方法.首先根据Verhulst灰色差分方程的特点，通过构造以背景值序列和原始序列为训练样本的LS-SVM模型，将一维样本空间里的Verhulst模型转化为一个二维特征空间里的LS-SVM模型，进而将Verhulst模型的灰参数的估计问题转化为一个LS-SVM模型的回归系数估计问题.然后通过核函数构造法，结合模型特点合理构造了LS-SVM模型的核函数，基于LS-SVM算法求解回归系数，进而得到Verhulst模型的参数估计.实验结果表明该方法是可行的有效的，可保证Verhulst模型具有良好推广性，相比于传统参数估计方法本文预测精度更高.     

无分红股票期权的构造定价模型

利用偏尾分布与偏尾过程,首次提出了期权执行价格的DF构造,并在此基础上给出了股票无红利分配条件下期权定价的构造性解析模型———DF构造定价模型.该模型方法能够解决任意时刻提出执行的看涨或看跌期权定价问题,所以它既适用美式期权定价,也适用于欧式期权定价.最后,通过与Black-Scholes期权定价公式的对比实证分析,结果表明文章的结论是可靠的.     

一种多目标的斯坦克尔伯格模型

本文分析了在传统理性假定下经济分析工具面临的困境,在关于人类理性行为研究基础上,提出了用多目标的方法,结合权重向量来构造新的理性,建立了多目标斯坦克尔伯格模型.该模型是传统斯坦克尔伯格模型的扩展,模型的构造和均衡结果对实际情况能够作出更有效的解释和预测.本文的研究方法对于其他博弈模型具有一定的普遍意义.     

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。     

粮食产量的人工神经网络预测方法的应用研究

粮食产量预测是农业经济管理中的一个重要环节,本文以小麦产量预测模型为例论述了应用于全国粮食产量预测的神经网络模型建立的关键步骤和指标分析选取的方法,并在模型参数优选的基础上用此方法用历史数据进行了预测分析.预测结果表明,该模型可提高粮食产量预测准确性,有效性,实际的预测结果分析说明了该方法的先进性和可行性.     

提高灰色GM(1,1)模型精度的微粒群方法

改变背景值插值系数和边值是提高灰色GM(1,1)模型精度的途径之一。对于满足灰色GM(1,1)建模条件的序列,利用微粒群算法,给出了通过优化背景值插值系数和边值提高灰色GM(1,1)精度的新方法。给出了计算实例。计算表明,应用此方法可以提高灰色GM(1,1)模型的精度。     

粒子群优化灰色模型在负荷预测中的应用

针对电力系统负荷特性,分析灰色模型GM(1,1)的应用局限性,引入向量α改进灰色模型背景值序列的计算公式,从而构建了适应性更强的GM(1,1,α)模型。应用粒子群优化算法非线性全局寻优能力来求解最优α值,提出了基于粒子群优化算法的灰色模型PSOGM,并给出了电力负荷预测的应用实例。实例证明PSOGM模型具有较高的预测精度和较广的应用范围。     

DOES IDIOSYNCRATIC BUSINESS RISK MATTER FOR GROWTH?

Several imperfections can prevent entrepreneurs from diversifying away the idiosyncratic risk of their business. As a result idiosyncratic risk discourages entrepreneurial activity and hinders growth, with the effects being stronger in economies with lower risk diversification opportunities. In accordance with this prediction, we find that OECD countries with low levels of risk diversification opportunities (as measured by the relevance of family firms or of widely held companies) perform relatively worse (in terms of productivity, investment, and business creation) in sectors characterized by high idiosyncratic risk. Differently from previous literature, we allow risk to be country specific. Since risk is endogenous to risk diversification opportunities, we instrument its value using sectoral risk in the United States, a country where idiosyncratic business risk can be more easily diversified away. Tackling the endogeneity of risk and recognizing that it varies by country magnifies the estimated effects of risk on growth.     

基于灰色参数组合优化新模型的生活垃圾清运量预测研究

准确的生活垃圾清运量预测是环保部门制定生活垃圾处置政策措施的重要依据。为此,文章首先在新结构多变量灰色预测模型基础上,对自变量驱动项、累加阶数、背景值系数进行组合优化,推导并构建了适用于生活垃圾清运量预测的新型多变量灰色系统模型。然后,应用该模型对江苏省垃圾清运量进行实例分析,结果显示该模型综合误差仅为0.996%,其性能优于同类其他多变量灰色预测模型(1.933%、4.894%)。最后,应用该模型对江苏省未来清运量进行了预测,并提出了相关的对策和建议。本研究成果为环保部门制订相关政策措施提供了参考依据,同时为生活垃圾清运量预测提供了一种有效的建模方法。     

基于Simpson公式改进的FAGM(1,1)模型及其应用研究

本文分析了传统FAGM（1,1）模型建模过程中存在的误差,提出了一种基于Simpson公式改进的FAGM（1,1）模型。首先,基于分数阶累加生成算子和分数阶累减生成算子建立分数阶FAGM（1,1）模型。其次,利用Simpson积分公式对FAGM（1,1）模型的背景值进行改进,建立SFAGM（1,1）模型。进一步,应用遗传算法确定SFAGM（1,1）模型的最优阶数以提高模型的预测精度。最后,以中国人均GDP为例,对比分析GM（1,1）模型、Simpson改进的GM（1,1）模型（SGM（1,1））、FAGM（1,1）模型、SFAGM（1,1）模型的模拟结果,并对"十三五"时期的人均GDP进行预测,其结果表明SFAGM（1,1）模型比GM（1,1）、SGM（1,1）、FAGM（1,1）在人均GDP的预测方面有更高的精度,"十三五"期间人均GDP年平均增长率为10.64%,到2020年达到83146.97元,是2010年人均GDP的2.69倍,以2010年的人均GDP为基准,到2020年将能够实现翻一番的目标。