黑龙江省空气质量数据的分析和预测

本文分别基于ARMA模型,主成分分析模型和神经网络模型对黑龙江省空气质量数据进行了分析和预测。首先,基于ARMA模型,本文对黑龙江省未来的空气状况数据进行预测并检验了其预测精度。其次,采用主成分分析对大气污染物等自变量进行降维,选取了有效的主成分,并对AQI进行一定刻画。最后,借助神经网络的计算机手段,对数据中变量的复杂关系做深入挖掘,以对前面的分析结果进行合理补充。     

众数回归森林模型及其在收入分配研究中的应用

为解决传统非参数众数回归模型没有考虑解释变量间复杂交互影响的局限，文章将众数回归与机器学习方法相结合，提出了一个新的非参数众数回归模型：众数回归森林模型。该模型一方面充分考虑了各个解释变量之间的交互影响；另一方面采用Bagging技术汇总多个众数回归树的结果，提高了预测性能。数值模拟结果表明：第一，与线性众数回归模型和众数回归树模型相比，众数回归森林模型极大地提高了估计和预测精度；第二，当数据为偏态分布时，众数回归森林模型的估计和预测精度显著优于中位数回归森林和均值回归森林模型。此外，将众数回归森林模型应用于收入分配研究中，得到了与中位数回归森林和均值回归森林模型不同的结果。     

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。     

考虑高维宏观信息的波动率与股票价格预测

为刻画股票价格的非线性动态特征,并充分利用高维宏观经济变量对股价的预测能力,文章基于LSTM模型、LASSO降维和混频模型,研究了高维情形下利用低频宏观经济变量预测高频股价的问题。首先,使用LASSO方法对高维宏观经济变量进行筛选,并进行因子分析提取宏观因子;然后,使用该宏观因子构建混频GARCH-MIDAS模型以预测波动率;最后,以包含宏观经济信息的波动率和通过因子分析降维后的技术指标因子作为特征,输入LSTM神经网络模型来预测上证综指价格。结果表明,LSTM-GARCH-MIDAS模型具有较高的预测精度和良好的适用性。     

核主成分遗传算法与SVR选股模型改进

 量化选股一直是金融领域研究的热点。随着人工智能技术的空前发展,量化选股方法取得了很大进步。本文构建了基于核主成分遗传算法改进的支持向量回归机人工智能选股模型(KPCA-GA-SVR),并基于沪深股市股票基本面及交易数据,分别从短期和中长期对其选股性能和预测精度进行了实证分析。主要结论为：①遗传算法(GA)改进的SVR较传统模型预测精度更高,且避免了过度拟合;②与采用主成分降维技术的PCA-GA-SVR模型相比,基于核主成分特征提取的KPCA-GA-SVR模型,具有更好模型稳健性及预测准确性;③中长期内该模型的预测误差随滑窗长度的增加有降低趋势,且一年期预测精度最高;短期内不同滑窗下,一周的预测效果最佳。本研究对个人投资者的投资决策及国家宏观监控股市动态变化都具积极意义。     

Bootstrap方法和SV模型在风险测度中的应用

文章用SV-GED模型刻画收益率序列的尖峰厚尾、波动集聚以及异方差等特征,在得到标准残差序列的基础上,与Bootstrap方法结合构建一个基于参数---非参数估计的新的风险度量模型——基于Boot-strap-SV-GED模型的风险度量模型,最后对模型的有效性进行了分析.研究表明:Bootstrap-SV-GED模型能很好的刻画收益率序列的特征,并且能在一定程度上提高金融风险测量的精度.     

参数与非参数回归在FDI中的比较分析

文章在对参数回归及非参数回归方法进行介绍的基础上,采用线性回归模型、引入虚拟变量的非线性回归模型以及N-W核权函数回归估计,对1983-2014年我国外商直接投资总额与GDP关系进行探讨.最后分别给出3类方法的拟合值以及MAE和MSE.从拟合效果来看,相对于线性回归模型,引入虚拟变量的非线性回归模型以及非参数回归方法更能有效地拟合FDI与GDP之间的关系,且窗宽为0.25的非参数估计效果更优.     

具有核化函数的部分线性模型及其应用

本文基于再生核希尔伯特空间中的再生核，将核技巧与高斯-赛责尔迭代算法相结合，提出了具有核化函数的部分线性模型（PLMKF）及其算法收敛性条件等相关内容，具体包括：（1）基于OLS的PLMKF；（2）基于岭估计的PLMKF；（3）基于GLS的PLMKF；（4）基于多核学习的PLMKF。它们构成了PLMKF家族，具有一定的相互转化关系。在数值模拟中，本文验证了各个算法的有效性，比较了基于OLS与GLS、单核与多核的PLMKF模拟结果。实际应用中，在大幅外推情景下，PLMKF仍保持了良好的泛化能力，预测精度高于PLM、GAM和SVR。     

再生核Hilbert空间展开的函数型回归模型变量选择

针对协变量是函数型、响应变量是标量的多元函数型回归模型,文章提出了函数系数基于再生核Hilbert空间展开的变量选择方法。首先,利用带积分余项的泰勒展开式和再生核Hilbert空间内积性质将模型转化为结构化形式,其次,通过自适应弹性网惩罚对结构化模型中的组间和组内系数同时进行压缩。结果证明了这种压缩估计具有Oracle性质,蒙特卡罗模拟结果也显示新方法在不同样本量、不同噪声和变量相关性干扰下均优于基于普通基函数展开的变量选择方法,且尤其适用于原始协变量高度相关的情形。最后,通过分析一个商品房平均销售价格影响因素数据演示了新方法的应用。     

基于主成分BP神经网络的油田产量预测研究

文章提出采用基于主成分的BP神经网络来对油田产量进行预测。主成分分析法用于将输入变量维度降低且互不相关;BP神经网络因其自组织、自学习的动力机制实现输入输出空间的非线性映射。以江汉油区为例的研究表明,该方法具备较高的预测精度,在复杂经济时间序列的预测中有一定的应用前景。     

基于混沌特性参数的股指神经网络建模及预测

文章针对嵌入维数较高的混沌时间序列很难在相空间中找出一种映射关系来预测其变化趋势,提出基于序列的混沌特性参数建立RBF神经网络预测模型。该模型以相空间中的各个相点作为输入,通过高斯函数的多次复合来逼近复杂的映射关系。以具有混沌特性的上海证券交易所股指时间序列为例对模型进行了验证。结果表明,该模型具有较好的预测能力和预测精度。     

Logistic回归的双层变量选择研究

变量选择是统计建模的重要环节,选择合适的变量可以建立结构简单、预测精准的稳健模型。本文在logistic回归下提出了新的双层变量选择惩罚方法——adaptive Sparse Group Lasso(adSGL),其独特之处在于基于变量的分组结构作筛选,实现了组内和组间双层选择。该方法的优点是对各单个系数和组系数采取不同程度的惩罚,避免了过度惩罚大系数,从而提高了模型的估计和预测精度。求解的难点是惩罚似然函数不是严格凸的,因此本文基于组坐标下降法求解模型,并建立了调整参数的选取准则。模拟分析表明,对比现有代表性方法Sparse Group Lasso、Group Lasso及Lasso,adSGL法不仅提高了双层选择精度,而且降低了模型误差。最后本文将adSGL法应用到信用卡信用评分研究,对比logistic回归,它具有更高的分类精度和稳健性。     

基于多因素影响的房地产价格预测模型

文章根据我国房地产发展情况以及与其影响因素之间复杂的非线性关系,提出了基于多因素影响的房地产价格预测组合模型.首先运用灰色关联法对影响因素进行计算排序,筛选出主要的影响因素变量,然后应用改进的小波神经网络组合预测法对房地产价格进行预测,最后使用马尔科夫链分析法将预测值区间化,提高预测值的可信度,得出最终预测结果.研究表明,考虑多种因素影响的房价预测模型能够有效地预测房地产价格,且较传统的预测方法大大提高了预测精度.     

非参数随机条件持续期模型及其迭代算法

 随机条件持续期（SCD）模型能有效刻画超高频时间序列中持续期的变化,但该模型假定期望持续期生成机制固定,且模型参数估计存在一定的困难。文章在不假定条件均值形式和冲击项分布的基础上结合核估计方法提出了非参数SCD模型及其迭代求解方法。然后,基于TEACD(1,1)模型生成的模拟数据,将非参数SCD模型与用卡尔漫滤波进行伪似然估计的参数SCD模型和用Gibbs抽样进行马尔科夫蒙特卡罗估计的参数SCD模型的拟合效果进行比较,实证表明在大样本条件下非参数SCD模型的拟合效果与用MCMC估计的参数SCD模型的拟合结果相差不大,但明显优于用QML估计的参数SCD模型的拟合结果,且非参数SCD模型能为参数SCD模型的参数设定提供参考。     

基于贝叶斯网稀疏结构学习的信用影响因素结构发现

面对海量高维信用数据,传统贝叶斯网络在刻画变量复杂结构和概率关系时遇到了挑战。尝试将基于multi-logit回归的离散贝叶斯网络稀疏方法用于个人信用影响因素结构关系的发现,实现从多维变量复杂关系中抓取重要结构关系;基于解路径探讨了用于结构发现的稀疏贝叶斯网络模型的选择标准,并比较了稀疏贝叶斯网络与经典贝叶斯网络结构学习的性能;结合领域先验知识进一步改进贝叶斯网络结构,定性分析多维变量存在的主要结构关系;在确定多维变量稀疏网络结构的基础上,采用贝叶斯后验估计获取模型参数,并利用贝叶斯网络推理定量分析关键变量对信贷客户类型的直接或间接影响。     

基于样条函数的时间序列预测模型

本文基于B样条函数最小二乘法的非参数回归与时间序列方法相结合,建立了时间序列的预测模型。该方法有较高的预测精确度,可以描述复杂模型,并且用实例进行了分析。     

基于ARIMA的多元时间序列神经网络预测模型研究

文章基于ARIMA模型具备准确提取时间序列当前值、过去值及误差值之间回归关系的能力,人工神经网络具备对各种变量的感知能力强,非线性逼近、自适应、自学习性等特性,构建了一种多元时间序列预测模型,并进行了理论探讨和实证.该模型能较准确模拟和预测时间序列的变化规律,可较好满足时复杂时间序列的分析预测需求.     

基于LS-MWSVM的股票价格预测

文章基于小波分解理论和支持向量机核函数的条件,提出了最小二乘M0det小波核的支持向量机(LS-MWSVM)算法.用该算法建模并对沪深300日收盘价进行预测,且与常用的RBF核的LSSVM模型及RBF神经网络模型的预测能力进行了比较.结果表明.LS-MWSVM的预测能力要好于其它两种模型.进一步得出,采用最小二乘支持向量机与小渡理论结合的组合模型对股市进行预测效果较好.     

区域出口贸易非线性混合预测模型及其实证

混合预测模型由于能够反映事物变化的线性和非线性特征,而在预测领域得到了广泛的应用。本文针对区域出口贸易的特点建立了一种基于BP神经网络和误差校正向量自回归模型的的非线性混合预测模型,应用于区域出口贸易预测,得到了较好的预测效果。由于该模型能够反映经济系统中各变量的长期均衡关系,同时非线性的协整变量能够反映出经济系统其他变量的短期波动对预测变量的影响,因此该模型适合于经济变量的预测。     

中国铁矿石消费量与对外依存度预测

文章基于ARIMA模型对非平稳时间序列良好的短期预测特性,采用该方法对“十三五”期间中国铁矿石消费量与对外依存度进行了模型构建和预测分析,所建模型的拟合效果和预测精度较佳.预测结果表明,“十三五”期间中国铁矿石消费量将趋向于缓慢上升至零增长率的顶点,对外依存度则将在经过高位平台后拐入下降趋势.