基于混沌时间序列分析的股票价格预测

根据股票市场是非线性动力系统的假设,利用混沌理论对混沌时间序列的分析方法,提出了股票价格预测方法。同时利用重构相空间的嵌入维数和延迟时间分别确定经向基函数模型网络的结构和训练样本对,对实际的股票时间序列预测结果表明,该方法能有效地进行短期预测,并与前馈神经网络模型相比,可得到较好的预测结果,因而在股票时间序列预测中有广泛的实用价值。     

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。     

“时间序列外推法”在体育预测中的应用研究

本文通过查阅有关原始数据和文献，采用时间序列外推法对裘、章二人和省九届大运会男子乙组三级跳远前六名成绩进行了预测,将所得结果作了对照分析；并对该项目的发展趋势作了进一步的分析研究。     

时间序列分析在金属价格预测中的应用

与回归分析不同,时间序列分析不是根据与其它变量的因果关系来预测一个变量的未来变化,而是根据该变量自身过去的规律来预测其未来的变化.这与实际中价格信息的复杂性特征具有较好的符合关系.作者在Intnet网上查取了伦敦金属交易所(LME)镍金属从1998年1月到2001年5月共41个月的月平均现金参与价值数据41个,用其中的前37个数据进行时间序列分析,得到了AR(3)模型,用最小二乘法和Yule-Walker法预测后五个数据,得到了较好的效果.因此在价格信息分析与预测中使用时间序列分析理论和方法具有广阔的应用前景.     

时间序列分析方法及人民币汇率预测的应用研究

在简要介绍时间序列模型的基础上，使用人民币／美元的日汇率值进行实证研究，建立相应的ARIMA模型和EGARCH模型并进行预测和评价。研究结果表明，EGARCH模型的预测结果较ARIMA模型理想，适合描述人民币／美元汇率的变动趋势。     

时间序列预测新方法及其在电信预测中的应用

利用时间序列稳定的季节性,建立一种新的时间序列预测模型。即建立季节末总量基于给定资料的条件分布,利用季节周期内已知的少数观测值来预测周期末总量;在总量预测的基础上进一步预测周期内的为止观测点。经过实证研究可以看出,该模型对于观测值少的时间序列有很高的预测效率。     

基于合作对策的股指时间序列智能组合预测研究

针对我国股市呈现出非线性、大幅度、频繁波动的特征,提出一种基于合作对策的股指时间序列智能组合预测方法,利用改进GRACH方法从时间关联性的角度辨识股指时间序列;同时利用神经网络方法从多种经济指标之间的相关性出发,建立股指时间序列预测模型,同时引入合作对策方法,对两种预测方法进行组合。实证分析结果表明,采用本算法能够有效地将预测精度控制在2.68%以内,同时在RMSE、MAPE和F三项指标上,较单一模型有极大提升。     

正态模糊数时间序列的回归预测问题研究

讨论了一类不分明时间序列的线性回归预测问题,通过模糊数空间中的距离,建立了模糊环境中最小二乘回归模型,证明了回归模型的解的存在性和唯一性,并给出了确定模型的模糊参数及检验模型拟合度的计算公式。     

混沌时间序列分析法在生产总值预测中的应用分析

国内生产总值是国家经济建设中一个重要的参数,是衡量国家经济实力和经济发展规模的重要指标,利用混沌动力学原理,采用相空间重构技术的混沌时间序列分析法,对改革开放以来(1978-2004年)我国国内生产总值(GDP)时间序列进行了分析,计算了时间序列的嵌入维数、延迟时间等关键参数,建立了局域预测模型。并且把预测结果和用灰色系统预测结果进行了比较。结果表明,用混沌时间序列分析法预测国内生产总值具有较好的精度。     

时间序列建模、预报的原理

本文介绍时间序列理论的基本内容,以及各种基本模型。最后对各类时序模型做预报公式。     

汽车销售混合预测方法研究

市场分析和预测已成为企业重要的决策依据和手段。就汽车销量问题提出了一种ARMA模型与RBF神经网络相结合的混合预测方法。采用ARMA模型对汽车销量趋势进行初步线性预测,利用RBF神经网络对线性预测的残差建模,得到非线性预测,两部分预测输出和为总的预测值。该方法既体现了销售量数据间的线性关系, 又揭示了数据内部的非线性特征,克服了单一方法的局限性,提高了预测精度。仿真结构分析表明,该方法预测效果最佳。     

中国食用粮食消费总量的时序预测

粮食消费预测是安排粮食生产、调整粮食种植结构、制定粮食安全和农业可持续发展战略的重要理论依据。利用粮食消费量与时间之间的相关关系 ,采用SPSS程序包进行筛选 ,建立我国食用粮食消费总量的时序预测模型。研究结果表明 ,所建立的三个时序预测模型的拟合度等统计指标高度显著 ,运用所建模型对所获资料进行的内推预测比较准确 ,但外推预测结果因影响因素多 ,其准确性有待时间和实际的检验     

税收增长预测的灰色理论模型研究

税收是国家财政收入的重要来源,准确的税收预测结果对于制定各项经济政策具有非常重要的意义。文章在传统GM(1,1)模型的基础上,通过改变背景值,提出了用于中国税收预测的改进GM(1,1)模型。实例分析采用中国1994-2008年共15年的税收数据,预测结果表明:灰色预测可以较好地模拟出税收总量的变化趋势,而改进的GM(1,1)模型比传统的GM(1,1)模型所得到的预测结果更加合理。并且,整个预测过程思路简洁,易于编程实现,在当前中国税收政策变化力度加大、受国内外经济波动影响颇深的情形下,依然不失为一种有效的税收预测方法。     

时间序列平稳性分析的自动机制研究

平稳性分析是建立时间序列自回归滑动平均模型的一个预处理过程,已有的分析方法研究颇多,但尚缺乏一个自动判定平稳性的机制。文章在分析自相关函数的基础上,引入非线性转换理论进行改进,并采用聚类方法建立时间序列平稳性分析的自动机制,为大批量时间序列的平稳性自动判定提供了一条新途径。文中采用了一组模拟数据和一组金融数据来进行实证分析,实验表明,平稳性分析的自动机制能得到较好的结果。     

时滞系统神经网络辨识方法研究

提出基于神经网络的时滞非线性系统的辨识方法,通过一种带有时滞的神经网络进行在线辨识,神经网络的权值矩阵在线自适应调整,并通过Lyapunov-Krasovskii方法验证了算法的收敛性,表明辨识算法可以对任意的非线性时滞系统进行有效辨识。