权证定价中的神经网络方法

传统的参数模型定价方法,常常存在假设条件与现实不符的问题.神经网络方法针对该问题提供了一种全新的思路.文章利用径向基神经网络和BP神经网络对权证进行定价模拟,并用定量的指标衡量模型的优劣,研究发现神经网络方法优于传统方法,并且RBF模型优于BP模型.     

基于BP神经网络与修正GM(1,1)模型的能源消费组合预测

随着我国经济社会的进一步发展,能源需求逐步增大,且消费量的增长与多种因素相关.能源消费预测存在与多因素的关联.文章在基础GM(1,1)模型框架下,以重新累积生成累加后序列预测值的方式进行GM(1,1)的无偏化修正,并按照加权平均背景值重设进行pGM(1,1)模型修正;并以各种非线性参变量间的映射纳入组合BP神经网络的能源消费预测.结果证实,无偏GM(1,1)、pGM(1,1)模型有效降低了GM(1,1)的预测平均相对误差,再与BP神经网络组合预测,形成了较好的能源消费预测精度.     

基于LS-SVM的甘肃省国际旅游客流量预测

旅游客流量是决定旅游业经济效益持续发展的重要因素,游客流量预测也因此成为旅游发展规划的重要内容.文章基于最小二乘支持向量机(LS-SVM)算法,建立了一种新的旅游人数预测模型,对甘肃省2007年的国际旅游客流量进行预测.并将其结果与神经网络模型预测结果相比较.结果表明,基于LS-SVM的游客预测模型能较准确对旅游人数进行预测,并且避免了如神经网络由于陷入局部最优而过学习的问题.从而为客流量预测提供一种新思路与方法.     

基于Logistic回归和BP神经网络的财务预警模型比较

国内对Logistic回归模型和BP神经网络模型在财务预警方面已有不少实证研究,这些研究大多从预测准确度较高的角度出发,认为两个模型可以借鉴使用,但没有具体讨论模型犯第一类错误(将财务危机误判为财务正常)和第二类错误(将财务正常误判为财务危机)的概率.文章结合Logistic回归模型及BP神经网络模型的原理,选取上市公司财务数据进行实证,研究结果表明BP神经网络模型总体预测准确性较高,犯第一类错误的概率较低,对财务预警分析有一定借鉴作用;Logistic回归模型预测准确度低于BP神经网络模型,且犯第一类错误的概率远高于BP神经网络模型,因此运用该模型进行财务预警时应十分谨慎.     

敏感问题问卷调查Warner模型与卡片参数P的设计

文章首先介绍了S.L.Warner随机问卷调查模型,以及,B.G.Greenberg的改进模型,其次,定义卡片参数p=a(a+b),其中,a=问题1的卡片数,b=问题2的卡片数,0p1。文章着重讨论了卡片参数p的取值范围,总的设计原则是:(1)在S.L.Warner模型中,p的取值应该远离0.5;(2)在B.G.Greenberg的改进模型中,p的取值应该尽可能靠近1。     

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.     

基于改进型小波神经网络的油价预测

为了提高油价预测的精度,文章运用主成分分析(PCA)的方法对初始数据进行预处理,同时将小波分析与BP神经网络结合构建小波神经网络(WNN),由此得到PCA-WNN预测模型.数值实验的结果表明,相比于传统BP模型和PCA-BP模型,PCA-WNN模型的预测精度更高,稳定性更好,泛化能力更强,是一种更出众的油价预测方法.     

面板数据插值的线性组合模型及其实证

针对面板数据插值问题,分别从截面数据和时间序列数据的角度,建立截面数据插值的克立格(Kriging)模型和时间序列数据插值的遗传神经网络(GABP)模型.在此基础上建立面板数据插值的线性组合模型,提出空间漂移度法确定组合插值模型的加权系数.对2007年福建部分市县人均GDP的插值的实证研究结果表明:面板数据的线性组合模型插值效果优于单项模型插值的效果.     

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.     

基于Bootstrap-DEA方法的中国教育部直属高校科研效率评价

在综合考虑决策单元同质性和随机因素等影响的基础上,运用Bootstrap修正的DEA模型,对2010年中国教育部直属高校的科研活动效率进行了较为全面的评价和分析.研究结果表明:(1)统计检验显示出Bootstrap-DEA模型更合理,更具有可靠性;(2)中国教育部直属高校科研活动效率不仅存在较大改进空间,而且存在显著的个体差异;(3)规模效率均值显著高于相应的技术效率和纯技术效率,表明其并不是高校科研活动效率偏低的主要因素;(4)不同类型的高校科研活动效率差异是比较大的;(5)从纯技术效率和规模效率的比较看,大部分高校表现为两效率的双重低下或一高一低;(6)高校科研活动的纯技术效率与规模效率之间存在一定程度的不协调性.     

跨省际区域人力资源开发协同度预测

针对人力资源开发的非线性变化规律的问题,文章提出一种利用变步长自适应的布谷鸟算法优化灰色神经网络(VSACS-GNN)参数的预测模型.同时为解决跨省际区域人力资源协同开发度评估问题,基于协同理论,构建了跨省际区域人力资源开发有序度与协同度模型.研究发现,VSACS-GNN模型对跨省际区域人力资源开发协同度的预测精度高于其他预测方法.利用VSACS-GNN模型对跨区域人力资源开发协同度的预测,有助于区域内相关统筹机构准确评估复合系统的协同度,为跨区域人力资源开发提供科学的理论指导.     

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.     

指标筛选技术在神经网络数据挖掘模型中的应用

文章以分类神经网络中的RBF网络为例,讨论了神经网络数据挖掘模型中指标筛选的重要性,并以信用卡欺诈检测神经网络数据挖掘模型为实证案例,演示了指标筛选方法能有效地提高神经网络模型的分类效率与收敛速度,同时,讨论如何针对数据挖掘主题与数据特点选择合适的指标筛选技术.     

基于差值灰色RBF网络模型股票指数预测

针对RBF神经网络的预测精度受样本数据随机性影响较大,而灰色理论能弱化数据随机性的特点,文章提出了差值结合法将灰色GM(1,1)模型和RBF神经网络模型有效地结合起来,构建了差值灰色RBF网络预测模型。将该预测模型运用于股票指数预测,实证结果表明:该模型预测精度高,平均预测误差为0.52%,与BP神经网络和RBF神经网络相比具有更好的泛化能力和更高的预测精度,在股票预测中具有一定的使用价值。     

中国经济波动来自趋势还是周期——基于多种UC模型的比较分析

传统趋势周期分解方法存在理论基础不符实际、缺少数据生成过程等问题,相较而言,UC模型具有一定优势。论文采用贝叶斯方法和中国宏观季度数据,估计了多个UC模型以分解产出的趋势和周期。研究发现：(1) 断点期在2008Q1的无约束UC模型为最优模型;(2) 趋势新息波动大于周期新息波动,两者高度负相关;(3) 趋势增长率发生了结构性下降;(4) 经济下行源于趋势下行而非周期下行。论文的基本结论在双变量模型、其它数据、其它经典单变量方法下依然成立。论文为宏观调控和“供给侧”改革提供实证依据。     

上下结合 群策群力 加快统计制度方法改革的步伐——全国统计制度方法工作会议在京召开

今年7月29日至8月2日,国家统计局在北京召开了全国统计制度方法工作会议.国家统计局剐局长郑家亨、邵宗明、孙兢新和局总统计师龙华参加并主持了会议.这次会议的中心议题是:(1)讨论修订今年统计年报和明年定期统计报表制度;(2)研究消除现行统计制度中的重复矛盾现象和精简报表问题;(3)讨论国民经济核算体系的实施问题;(4)研究加强基层统计基础工作问题;(5)研究清理统计报表和加强统计报表管理问题.     

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。     

基于灰色RBF神经网络的多因素财政收入预测模型

针对财政收入及其影响因素原始数据呈随机性、非线性变化,两者之间具有非线性相关关系的特点,文章在分析RBF神经网络和无偏GM(1,1)模型两者建模优点的基础上,结合回归分析思想,提出了基于灰色RBF神经网络的多因素财政收入预测模型;并以安徽省财政收入数据作为检验样本对所建模型进行检验.     

基于干预模型与BP神经网络集成的GDP预测

文章将干预模型与BP神经网络模型相结合,提出了基于干预模型与BP神经网络集成的GDP时间序列预测模型,并实现了算法。利用我国1978~2004年的GDP数据建立多干预变量集成预测模型,对我国2005~2009年的GDP数据进行预测,并将预测值与其他文献所建模型的预测值进行比较,预测误差明显减少,证实了所建立模型处理外部事件(如宏观经济因素、政治因素等)的有效性。     

运用遗传神经网络模型对我国上市公司财务危机的预测

神经网络已经被广泛运用于公司财务危机状况的预测,然而,神经网络常常存在着收敛于局部最优解、学习时间长等缺陷而影响其预测效果;而遗传算法(Genetic Algorithm)是一种全局寻优搜索算法,能够有效克服上述缺陷。因此,文章提出的将遗传算法和神经网络相结合的遗传神经网络模型(Genetic Neural Networks),既保留了神经网络原有的优点,又克服了上述的缺点。并利用我国上市公司财务数据对公司财务危机状况进行实证分析,结果表明,该模型预测效果令人满意,预测结果明显优于一般神经网络模型。