小波包变换在股市预测中的应用研究

应用小波包变换对股市预测进行了研究,提出了股市预测的小波包方法。首先将股指时序进行小波包分解,并对分解后得到的各部分进行混沌判别,以确定其混沌特性;然后对各部分分别建立混沌模型进行预测;再将混沌模型预测的结果进行小波包重构,则得到原始时序的预测结果。对上证综指日收益率进行了单步预测和多步预测研究,效果很好。     

小波变换和混沌理论在股市预测中的应用

应用小波变换和混沌理论相结合的方法对股票市场进行预测,即先对股指时序进行小波分解,然后对分解得到的高、低频部分分别进行混沌预测,再将预测的结果进行小波重构,得到原始时序的预测结果。在此基础上应用小波和混沌理论提出进一步提高预测精度的方法,即通过对高频部分再进行小波分解、混沌预测和小波重构而使高频部分的预测精度得以提高,进而提高原始时序的预测精度。     

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,该方法具有较高的精度和较大的应用范围。     

小波变换的离群时序数据挖掘分析

针对时序数据进行离群数据挖掘方法的研究。通过对时序数据进行离散小波变换,将其从时域空间变换到频域空间,使时序数据映射为多维空间的点。该方法具有多尺度、时移不变性等特点,经离群时间序列进行离散小波变换后,不仅具有良好的保距性又达到降低维数目的。然后提出一种基于距离的离群时序数据挖掘算法。仿真试验表明了该方法的有效性。     

ARMA过程的小波特征

本文分析了由具有二阶矩的ARMA过程的小波特征,把时序模型与小波变换结合起来,得到一些新结果。     

基于小波变换和时间序列法考虑随机分量的短期风速预测

为提高短期风速预测的准确性,本文结合小波变换和时间序列法,考虑随机分量进行短期风速预测.利用小波变换对风速时间序列分层,将高频变化的风速时间序列利用自回归滑动平均模型(ARMA)进行预测,低频变化的风速时间序列利用持续法进行预测,最后将预测结果叠加并通过随机阵列对结果进行修正.通过实例验证以及与时间序列方法进行对比,结果证明该方法的预测精度和预测稳定性都有所提高.     

基于灰色时序组合模型的股价预测

基于Cramer分解定理,针对股票价格的随机性提出用灰色系统理论与时序分析相结合的方法描述股价变化。并通过对上证马钢股份数据进行预测分析证明了用GM（1,1）模型和ARMA模型共同描述股价变化的适用性,并用模型预算公式对预测值与实测值作了比较,说明该模型具有较高的预报精度和应用价值。     

纹理SAR图像的多分辨率分析和分类(英文)

应用小波变换研究纹理合成孔径雷达（ＳＡＲ）图像的多分辨率分析和分类，首先应用树状结构的小波变换算法对一幅纹理ＳＡＲ图像进行多分辨率分解，并对图像中的不同纹理类型进行定量分析，然后将金字塔结构的小波变换算法应用到图像的多分辨率分类，所得结果证明了小波变换在纹理ＳＡＲ图像分类中的优越性。     

小波级数变换的一种离散小波变换算法

小波文献中，离散小波变换多由于带分解或拉普拉斯塔形分解等引出。本文从连续小波变换及小波级数变换出发，通过对采样过程的分析导出了离散小波变换的定义。离散小波变换是唯一便于Ｘ数值计算的小波变换，本文提出了一种以离散小波变换计算小波级数变换的算法，该算法较之Ｏ’Ｒｌｏｕｌ的类似算法相比，可取得更好的计算精度。     

小波去噪结合ARMA模型在电力设备故障率预测中的应用

针对电力设备故障率具有周期性、随机性和多变性等特点,提出小波相关性去噪算法与时间序列自回归滑动平均(ARMA)模型的电力设备故障率预测方法.将电力设备故障率数据进行小波相关性去噪,最大限度保留有效序列,把重构后的序列进行ARMA建模及预测,预测值与实际值进行比较.仿真结果表明,小波相关性去噪后的ARMA模型预测结果有较高的精度,实际故障率预测效果较好.     

基于多尺度特征和支持向量机的股市趋势预测

应用支持向量机方法对股票市场趋势性变动进行预测是金融市场行为研究领域里一个重要的研究课题。为了提高股市趋势预测的准确率,现有文献中基本将研究重点集中在改善支持向量机参数上,而没有对输入数据的特征进行深入研究。股票市场时序数据是不同时间尺度因素非线性作用的结果,因此具有本质的多尺度特性。据此构建了股票市场多尺度时序特征趋势预测方法,该方法首先基于小波多分辨分析对股市时序数据进行多尺度分解,然后提取了股票市场数据的记忆性和趋势性特征,最后应用支持向量机对股票市场趋势进行预测,预测结果表明该方法提高了股市趋势预测的准确率。     

基于我国股市混沌行为的预测分析

时间序列中的随机性蕴涵着非线性确定性系统混沌行为,混沌系统对初值的极端敏感性使之不可能对其进行长期预测,然而,在判定时间序列混沌行为的基础上运用局域法对我国股市进行了短期预测,并指出在计算关联维数时存在的问题,得到了较好的结果.     

基于时间序列分析的股价预测

基于收盘深发展股票价格的实际数据资料,通过对实际样本数据的预处理,确认股票价格序列为平稳非白噪声序列的基础上,利用SAS/ETS软件,采用ARMA方法,建立时间序列预测模型。应用的结果表明：本预测模型考虑了各种随机因素的影响,与实际状况有较高的吻合度,对动态数据进行预测是可行的,对于经济统计预测有一定的实用价值。     

农产品市场价格超短期预测研究——基于西红柿日批发价格的现代时间序列法建模

为科学分析与预测农产品市场日价格走势,研究农产品市场日价格波动的随机性特征,增强价格的预见性和市场的调控性,选择全国西红柿日批发价格为预测对象,基于价格序列数据的ADF检验和ARCH效应检验,结合2008—2009年间731天日价格数据分析,利用ARIMA、ARCH、GARCH等现代时间序列法,分别建立西红柿日批发价格预测模型,并选取2010年1月1—10日进行样本外区间的评估预测。研究表明,3个日价格预测模型的平均绝对百分比误差（MAPE）都在2％以内,其中GARCH模型在预测中具有更高的精度;农产品市场价格超短期预测中,在没有突发性因素干扰的情况下,所建立的3个模型预测结果的精度比较理想,但对于突发性事件等引起的价格急剧变化难以定量化模拟和预测。     

基于遗传神经网络的股价波动预测

对价格、成交量特征样本序列分别进行小波包分解,将其小波包系数单支重构能量值共同作为样本波动的本质表征,结合遗传神经网络进行股票价格波动预测。对沪市股票上海汽车(600104)、宝钢股份(600019)进行实证研究,结果表明,该模型具有收敛速度快和预测精度高的特点。     

基于SVM的股票时间序列的预测研究

支持向量机（support vector machine,SVM）是以统计学理论为基础的一种新的模式识别方法,目前已广泛应用于股票价格的预测中。在股市投资问题的研究中,股价作为时间序列数据是复杂的、非线性的,并且极不稳定。文章将支持向量机引入到股价预测的建模中,并对效果进行了分析。     

Multiscale Combined Forecast of Carbon PriceBased on Mixed Structure Data

Accurate forecast of the carbon trading price is of great significance in promoting the scientific and rational development of carbon trading market. Therefore, this paper proposes a multi-scale combined forecasting method for carbon price based on mixed structure data. First, the Google Index is used to extract the unstructured data related to the carbon price.The dimensions of unstructured data are reduced based on principal component analysis. Then, EMD is employedto the structured data,unstructured data and the carbon trading price to obtain different IMFs, which are reconstructed by the Fine-to-Coarse technique to get low, high frequency sequence and trend sequence. Furthermore, the three items are predicted respectively by using ARIMA, PLS and neural networks according to the features of each scale in time series. Finally, the forecasting results are summed to get the carbon price forecast sequence. The proposed method is used to forecast carbon price in EU. The empirical results show that the prediction accuracy of the model is higher than that of the single prediction method and the prediction method that time series aren’t decomposed by EMD, which is of great applicability.     

科学数据时间序列的预测方法

针对传统的时间序列分析方法预测科学数据效果较差的特点,提出了一种结合自组织神经网络和灰色理论的时间序列预测方法。该方法利用度量时间序列相似性距离函数,将时间序列按照其变化规律分成不同的类别,并在GM算法中针对白化参数进行优化,对科学数据时间序列进行自组织聚类,针对各类别采用灰色理论建立预测模型。试验表明,该模型适合科学数据的变化特点,提高了预测精度。