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。     

基于重现时间间隔分析的极端收益预测及交易策略研究

极端收益的预测在金融风险管理中非常重要。本文系统研究了极端收益重现时间间隔的统计规律,提出了一种基于重现时间间隔分析的早期预警模型,并对极端收益的重现进行预测,检验了模型在样本内外的预测性能;最后分别针对极端正收益和极端负收益的样本外预测结果,设计了看涨和看跌的两种交易策略,并以中国上证指数、法国CAC40指数、英国富时指数、香港恒生指数和日本日经指数为例,对交易策略的日均收益率进行了统计显著性检验。研究结果表明,极端收益的重现时间间隔具有右偏、尖峰厚尾和强自相关等典型特征;极端收益预测模型在样本内和样本外检验中都具有良好的预测能力;看涨和看跌交易策略在卖出区间均能有效地避开下跌阶段,看涨策略有更显著的盈利水平。     

一种基于组合神经网络的时间序列预测方法

本文探讨了神经网络时间序列预测模型的建立机制有其的构造方法，同时，为了消除模型的系统偏差，提出了构造辅助神经网络用以对原有模型的预测结果进行了校正以减小其误差。并对外汇汇率数据进行了模糊构造和预测。结果表明，组合神经网络在模型的拟合精度和预测准确性方面有都有提高。     

基于结构可变的RBF神经网络的时间序列预测

基于神经网络的时间序列预测方法,需要正确确定网络结构,它关系到所建模型的合理性以及预测的准确性。目前确定网络结构的绝大多数方法,其网络结构一经训练确定便保持不变。然而现实中许多时间序列呈现非平稳性,其结构经常发生变化,这就要求网络结构能够动态可调,因此本文提出结构可变的径向基函数(RBF)神经网络预测模型。并采用序列蒙特卡罗(SMC)方法实现基于结构可变RBF网络的时间序列在线预测;最后采用CRU钢铁价格指数月数据进行实证研究,结果表明该模型的有效性。     

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。     

基于时间序列分析股票上证指数走势

本文应用时间序列对上证指数历史数据进行研究分析,并建立预测模型,以研究2014年上证指数的变化规律。利用统计分析软件分别对其开盘价格进行分析,应用时间序列分析方法建立模型对上证指数作预测分析,以得出接近真实值的预测值,并对模型进行检验,证明有效后,对未来数据进行短期预测。     

中国水稻纹枯病发生率预测研究——基于时间序列预测模型

该文以1960年²007年中国水稻纹枯病发生率年度数据为样本,通过分析病害流行动态与周期特征,运用时间序列Logistic模型、自回归移动平均(ARIMA)模型和自回归AR模型进行预测,在此基础构建组合预测模型预测2014年水稻纹枯病发生率,预测结果与模型构建过程可以为相关研究提供借鉴参考。     

基于小波网络的经济时间序列预测模型

本文在小波网络的基础上,利用经济类时间序列的特点,建立通用的经济预测小波网络模型.该网络的权值由广义递推最小二乘法来学习,尺度参数和平移参数通过稳定的Davidon最小二乘法获得.并利用此模型对我国工业发电量加以预测.实际预测结果表明了该模型的先进性和可行性.     

基于时间序列和线性规划的人力资源配置研究

对迪卡侬体育用品超市的人力资源配置和排班进行案例研究.通过调研获取数据,然后采用时间序列模型预测出下一周期的销售额,结合工作效率计算出每月所需工时数;再考虑实际的轮班情况,以人力成本最小为目标,构建了相应的数学模型;最后基于Excel和Solver对模型进行优化求解,并给出了实际排班规则.优化方案在满足相关需求的同时节约了人力成本投入,为企业的实际人力资源配置提供了借鉴.     

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。     

基于修剪平均的神经网络集成时序预测方法

由于复杂时序存在结构性断点和异常值等问题,往往导致预测模型训练效果不佳,并可能出现极端预测值的情况。为此,本文提出了基于修剪平均的神经网络集成预测方法。该方法首先从训练数据中生成多组训练集,然后分别训练多个神经网络预测模型,最后将多个神经网络的预测结果使用修剪平均策略进行集成。相较于简单平均策略而言,修剪平均策略不容易受到极值的影响,能够使集成模型获得鲁棒性强的预测效果。在实证研究中,本文构造了两种神经网络集成预测模型,分别为基于修剪平均的自举神经网络集成模型(Trimmed Average based Bootstrap Neural Network Ensemble, TA-BNNE)和基于修剪平均的蒙特卡洛神经网络集成模型(Trimmed Average based Monte Carlo Neural Network Ensemble, TA-MCNNE),并采用这两种模型对NN3竞赛数据集进行预测,结果表明在常规和复杂数据集上,修剪平均策略比简单平均策略具有更好的预测精度。此外,本文将所提出的集成模型与NN3的前十名模型进行比较,发现两种模型在全部数据集上均超过了第6名,在复杂数据集上的表现均超过了第1名,进一步验证本文所提方法的有效性。     

混沌时间序列及其在我国GDP（1978-2000）预测中的应用

混沌经济时间序列的预测方法研究是混沌经济非线性动力系统的重要内容。本文利用混沌动力学原理,通过混沌时间序列的相空间重构,运用局域预测方法,建立了预测模型。并用其确立的混沌动力学模型对1978～2000年我国GDP进行了预测。把此预测结果与实际值进行了比较,结果证明误差较小。同时还将此预测结果与用指数平滑法建立的预测模型的预测结果相比,结果表明混沌时间序列建立的模型其短期预测效果更好。     

Dynamic Forecasting Conditional Probability of Bombing Attacks Based on Time‐Series and Intervention Analysis

In recent years, various types of terrorist attacks occurred, causing worldwide catastrophes. According to the Global Terrorism Database (GTD), among all attack tactics, bombing attacks happened most frequently, followed by armed assaults. In this article, a model for analyzing and forecasting the conditional probability of bombing attacks (CPBAs) based on time‐series methods is developed. In addition, intervention analysis is used to analyze the sudden increase in the time‐series process. The results show that the CPBA increased dramatically at the end of 2011. During that time, the CPBA increased by 16.0% in a two‐month period to reach the peak value, but still stays 9.0% greater than the predicted level after the temporary effect gradually decays. By contrast, no significant fluctuation can be found in the conditional probability process of armed assault. It can be inferred that some social unrest, such as America's troop withdrawal from Afghanistan and Iraq, could have led to the increase of the CPBA in Afghanistan, Iraq, and Pakistan. The integrated time‐series and intervention model is used to forecast the monthly CPBA in 2014 and through 2064. The average relative error compared with the real data in 2014 is 3.5%. The model is also applied to the total number of attacks recorded by the GTD between 2004 and 2014.     

基于小波域隐马尔可夫模型的时间序列分析-平滑、插值和预测

提出一种基于小波域隐马尔可夫模型的时间序列分析方法.首先介绍了离散小波变换;并针对小波系数进行统计建模,分别讨论了单个小波系数的混合高斯模型、不同尺度小波系数之间的隐马尔可夫树结构、模型训练及似然计算等问题;其次,提出了关于时间序列插值、平滑和预测的统一数学模型,并运用极大后验概率估计和贝叶斯原理,将小波域隐马尔可夫模型作为先验知识给出了一种分析时间序列的新方法;然后,详细推导了时间序列重建问题的Euler-Lagrange方程及对数似然的导数计算,将时间序列的插值、平滑和预测归结为一个简单线性方程的求解;最后通过期望极大化(EM)算法和共扼梯度算法进行交替迭代来计算小波域隐马尔可夫模型参数和重建时间序列.实验结果表明该方法在经济领域时间序列分析中的有效性.     

基于二次分解策略和模糊时间序列模型的航空客运需求预测研究

提高航空客运需求预测的准确性对于航空公司以及整个航空运输系统的发展都具有重要的现实意义。以往研究普遍采用单一分解策略去处理航空客运需求时序中存在的复杂特征,以此提升组合模型的预测性能。然而传统的分解策略存在着特征提取不完全、分解方法带有固有缺陷等问题,导致组合模型预测效果不能得到充分的提升。为此,本文提出一种基于二次分解策略和模糊时间序列模型的航空客运需求预测方法。该方法首先利用季节调整模型(X12-ARIMA)将原始时序分解成季节成分序列与季节调整后序列,继而利用改进的自适应噪声集成经验模态分解方法(ICEEMDAN)将季节调整后序列分解成一系列不同时间尺度的本征模态函数(IMF)和残差序列(Residue)。然后使用基于模糊C均值算法(FCM)划分论域区间的FTS模型对季节成分序列、各IMF分量以及残差序列分别进行预测。最后将各分量序列的预测结果进行集成,重构出航空客运需求的预测值。实证结果表明,本文所提出的二次分解策略表现显著优于传统的分解策略,并且本文所提出模型对于航空客运需求预测有着较高的准确性。     

计算实验金融、技术规则与时间序列收益可预测性

从受到广泛关注的简单技术规则视角,运用新兴的计算实验金融方法研究股票市场收益的时间序列可预测性,证明投资者非理性心理和行为是造成时间序列收益可预测性的原因.基于Swarm仿真平台和Objective C语言构建仿真模型TA-ASM,并进行多组不同参数下的计算实验,通过对模拟数据的统计分析发现,简单技术规则能获得超额收益,表明其在一定程度上具有时间序列收益可预测,该结果意味着收益时间序列存在可被简单技术规则侦测的部分.为确定潜在的影响因素的作用,研究进一步定性定量地对可能的各个内外生因素进行分析,最后得出投资者的非理性心理和行为作为一种系统风险被市场收益吸收从而导致时间序列收益可预测性的结论,该结论支持了行为金融理论关于个体的非理性存在于市场收益过程的假说.     

金融时序中异常数据挖掘算法设计及实证分析

金融市场中的数据由于其内在联系,通常表现为相互关联的时间序列。本文主要讨论如何将金融市场中时间序列模型简化为相应的线性模型,继而用传统的线性模型方法去检验异常值的存在,并且判断该异常值是加性异常值还是创新异常值。创新异常值的挖掘对于金融风险的研究不仅具有理论上的意义,而且具有很强的现实意义。最后进行了算法的实证分析,结果表明本文的两种方法在金融市场的研究中是可行的并且行之有效。     

一种基于客户行为时序分析的反洗钱异常交易识别方法

可疑交易报告制度是打击洗钱活动的一项基本机制,如何有效甄别可疑交易是金融机构和金融情报中心面临的一个技术难点。为辅助反洗钱分析人员从海量金融交易信息中甄别客户异常交易,本文提出一种预测误差和统计处理综合法--CPEST,通过分析客户前后行为的一致性来发现异常。CPEST建立客户行为模型,根据预测误差对客户行为进行时点异常检验,并在此基础上构造一个窗口检验,以提高对涉嫌洗钱行为的识别能力。本文在支持向量回归和核密度估计等具体实现手段的基础上,运用CPEST对实际交易和仿真数据进行分析,结果表明该方法的有效性和可行性,具有应用推广价值。