基于向量夹角余弦的组合预测模型的性质研究

基于向量夹角余弦的组合预测是一种相关性的组合预测模型,它是研究组合预测方法的一个新途经.针对基于向量夹角余弦准则下组合预测模型,研究它的基本结构特征.首先提出新的优性组合预测、预测方法优超、冗余度等概念.然后探讨了非劣性组合预测、优性组合预测以及冗余预测方法的存在性,并给出冗余信息的判定定理.最后进行实例分析,表明该方法有较大的实际应用价值.     

基于漂移度的组合预测方法研究

由于不同的预测方法能够提供不同的有用信息,其预测精度往往也存在差异,为了分散预测的风险,采用组合预测方法。本文首先提出相容方法集和互补模型集,然后在对不同单一预测模型的漂移性和互补性研究的基础上提出了基于漂移度的组合预测模型,为组合预测模型研究提供一种新的思路。最后通过实例来说明基于漂移度的组合预测模型能够提高样本期预测精度和外推预测精度及实际应用的有效性。     

汇率的非线性组合预测方法研究

近年来的经济统计研究表明,组合预测比单项预测具有更高的预测精度,但线性组合预测方法在汇率的组合建模与预测方面存在着较大的局限性。本文提出了一种基于模糊神经网络的汇率非线性组合建模与预测新方法,并给出了相应的混合学习算法。对于英镑、法朗、瑞士法朗、日本元对美元等汇率时间序列的组合建模与预测结果表明,该方法具有很强的学习与泛化能力,在处理外汇市场这种具有一定程度不确定性的非线性系统的组合建模与预测方面有很好的应用价值。     

基于PSO-PLS的组合预测方法在GDP预测中的应用

GDP预测是经济预测中一个非常重要的问题,随着经济的发展,对其预测精度的要求也越来越高.在考虑样本权重的基础上,提出一种微粒群算法与部分最小二乘回归方法相结合的组合预测方法,即采用微粒群方法对样本最优权重进行求解,在所得样本权重系数的基础上,用部分最小二乘回归方法确定组合预测的权重系数.将该方法用于中国GDP预测取得了较好的结果,与其他几种传统方法相比,预测精度有一定程度的提高,说明算法的有效性和可行性.     

基于遗传算法的多阶马氏链组合预测方法

给出遗传算法的一种改进形式：增加了“引进算子”：采用了“混合编码”,并提出多阶马氏链组合预测方法．通过二者的结合．给出了一种股市行情数据预测的方法．     

一种新的计算组合预测权重的方法

建立了基于最小二乘原理的组合预测模型,提出了求解此组合预测模型的一种新的算法,即Frank-Wolfe算法,并将其应用于实证研究.结果表明,Frank-Wolfe方法用于求解组合预测问题的权重时,是一种行之有效的方法.     

基于模糊逻辑系统的非线性组合预测方法研究

针对线性组合预测方法的局限性,本文提出了一种基于高斯型模糊逻辑系统的非线性组合预测新方法,并给出了相应的反向传播学习算法确定模糊系统的参数及模糊子集的划分．理论分析和应用实例表明：该方法具有很强的学习与泛化能力,在处理诸如非线性系统中时间序列的组合建模与预测方面都良好的应用价值．     

经济时间序列的非线性组合建模与预测方法研究

基于模糊系统在紧立集中能够任意逼近非线性连续函数的特性,本文提出了一种基于Takagi-Sugeno模糊规则基的非线性组合预测新方法,以克服线性组合预测方法在解决非平稳时间序列组合建模问题所遇到的困难和存在的不足,并采用相应的遗传算法确定模糊系统的参数及模糊子集的划分。理论分析和大量的应用实例表明:该方法具有很强的学习与泛化能力,在处理诸如经济时间序列这种具有一定程度不确性的非线性系统的组合建模与预测方面有很好的应用价值。     

基于模糊神经网络的企业财务危机非线性组合预测方法研究

本文提出了一种基于模糊神经网络的企业财务危机非线性组合建模与预测新方法,并给出了相应的混合学习算法。通过与多元线性回归模型、Fisher模型和Logistic回归模型的预测结果对比表明,该方法具有预测精度高,学习与泛化能力强,适应性广的优点。在预测上市公司财务危机方面优于其他方法。     

二重趋势性季节型电力负荷预测组合灰色神经网络模型

对于具有增长和波动二重趋势性的季节型电力负荷,首次提出了季节型负荷预测的组合优化灰色神经网络模型,研究了同时考虑两种(非线性)趋势的复杂季节型负荷预测问题,说明了此优化模型分别优于两种单一发展趋势负荷预测模型,给出了电力负荷预测的应用实例,为季节型电力负荷预测提供了一种新的、有效的方法。     

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。     

确定投资组合权重的MC2线性规划方法

任何投资者都希望在投资中获取大的回报,但较大的回报通常伴随着较大的风险.为了分散风险或减少风险,投资组合是一种常用的投资技术.本文提出一种新的投资组合方法,可以同时概括投资项目的多种预测结果和多位投资专家的观点,在综合多方面投资建议的基础上,制定投资方案.     

基于PLS的变权重组合预测方法

在目前研究较多的组合预测模型中加权系数是不变的.事实上,假定加权系数为常数,组合预测模型并不能很好地反映预测方法的有效性.基于以上事实,本文提出基于PLS的变权重组合预测方法,利用偏最小二乘回归方法求得组合预测的权重函数.最后通过实例分析验证了方法的有效性.     

基于EMD和SVMs的原油价格预测方法

针对原油价格预测问题,提出一种基于EMD(经验模式分解)和SVMs(支持向量机)的非线性组合预测方法.该方法运用EMD技术将原油价格序列分解成若干个不同频率的分量,根据频率高低将各分量分组叠加得到3个新序列,分别代表市场波动价格、重大事件价格、趋势价格;针对此3个序列,构建不同SVMs模型分别进行预测,得到各序列预测值;用SVMs针对各序列预测值构建组合模型得到最终预测值.采用WTI和Brent原油现货价格数据验证本方法的有效性,结果表明,此方法与单一的SVMs模型和人工神经网络模型相比,具有较高的预测精度.     

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。     

基于斯坦规则和误差校正的组合预测模型

研究了基于斯坦规则估计和误差校正机制的组合预测方法和模型设定 .应用表明 ,利用斯坦规则结合非样本信息可以改善组合预测性能 ,采用误差校正形式的组合预测模型较之其它形式的组合预测模型具有更高的外推预测精度 ,建议的误差校正形式具有更高的精度和更广的适用性     

指数证券组合模拟市场指数的聚类和MTV方法

根据Markowitz组合证券投资理论,在一定的假设下,投资者优化其投资组合的结果必定是以市场证券组合为其最优风险资产的投资组合.国外许多研究也表明消极投资策略是有效的,投资者只要按照某个较有代表性的股票市场综合指数中的每个股票所占权重投资每个股票,就可以消除股票的特有风险,达到很好的投资效果.但是,股票市场上股票种类繁多,有限的资金很难按照股票市场综合指数去投资.本文提出了一种利用聚类分析和MTV模型,可以以有限的几种证券的资产组合去逼近市场综合指数的方法.然后以上海股票市场为例,从任意选取的50种股票中使用本方法抽取不超出10种股票,用它们的组合去逼近上证综合指数,取得了比较满意的逼近和预测效果.     

广义加权平均组合预测及其应用

本文利用拉格朗日乘数法给出广义加权平均组合预测权系数的简易计算方法,并将此预测方法用于航材消耗预测。实例表明此方法的预测效果更佳。     

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。     

一类基于IOWGA算子的组合预测新方法

目前传统的加权几何平均组合预测方法存在赋权的缺陷。在有序加权几何平均(OWGA)算子概念的基础上,提出诱导有序几何加权平均(IOWGA)算子,建立新的组合预测模型,并给出了IOWGA权系数的确定的数学规划方法。最后进行了实例分析,结果显示该模型能有效提高组合预测精度。