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。     

基于EMD与DVG的非线性时间序列预测模型及其应用研究

针对具有非线性和不稳定性的时间序列,提出一种结合经验模态分解(EMD)、有向可见图(DVG)网络的动态预测模型。利用经验模态分解将原时间序列分解为多个固有模态函数(IMF),然后对分解后的高频和低频IMF利用快速傅里叶变换得到各自的周期;依据每个周期,从原时间序列的尾部截取长短不一的子序列,然后采用有向可见图算法转换为多个有向网络,利用随机游走在每个有向网络中寻找与时间序列最后一个节点相似的节点;最后,依据平行线法,预测时间序列的下一个数值。原油价格的时间序列是一类典型的具有非线性和不稳定性的序列,利用此模型对WTI原油每日价格进行实证分析。研究结果表明,此模型不但可以有效地预测时间序列的变化趋势,而且具有较高的预测精度。     

一种非线性时间序列预测模型及对原油价格的预测

针对具有非线性和不稳定性的时间序列,提出一种结合小波分解、滑动平均离散差分方程和马尔可夫方法的动态预测模型.利用小波多尺度分解将原时间序列分解到不同频率通道上,然后对分解出的低频近似小波系数利用滑动平均离散差分方程预测模型进行预测,并利用马尔可夫方法对时间序列的高频细节小波系数进行预测,最后将低频和高频的预测结果进行小波重构得到时间序列的实际预测值.原油价格的时间序列是一类典型的具有非线性和不稳定性的序列,利用此模型对WTI原油(周度)价格进行实证预测分析,分别预测WTI原油价格的整体变化趋势和周度实际原油价格.研究结果表明,此模型不但可以有效地预测时间序列的整体变化趋势,能从细节上对其进行有效的刻画,而且比其他基于小波的预测模型具有更高的预测精度.可以看出国际原油价格从整体上呈现周期性上涨趋势,并且不稳定的随机波动也会一直存在.     

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。     

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,结果表明该方法具有较高的精度,有极大的应用范围.     

基于多尺度组合模型的铜价预测研究

铜价预测是国际大宗商品市场研究的一个重要领域。本文运用经验模态分解法（EMD）、人工神经网络（ANN）、支持向量机（SVM）和时间序列方法,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。在模型构建过程中,提出了运用游程判定法对分量序列进行重构的新思路。然后,运用此模型对LME铜价波动特点和走势进行分析：将铜价序列分解并重构成高频、低频和趋势三个部分,并从不规则因素、重大事件以及长期趋势三个角度解释了重构项的波动特征;实证分析表明,与灰色模型GM（1,1）、Elman神经网络方法等单模型,以及ARIMA-SVM组合模型相比,多尺度组合模型取得了最好的预测效果。     

文本数据驱动的碳交易价格区间二层分解预测方法

新闻文本数据所包含的情感信息影响着管理者与投资者的决策过程,因而可为碳价预测提供额外信息。本文提出了一种文本数据驱动的碳价区间二层分解预测模型,首先爬取碳排放网上相关新闻文本并计算其情感得分,接着对碳价区间与情感数据进行EMD-WTS二层分解,并基于SE算法将分解结果重构为对应时序的高、低频及趋势项,最后运用LSTM网络对所得序列开展预测,叠加集成后得到最终预测结果。实证实验及对比实验发现,上述模型在有效利用多源信息的同时充分挖掘了碳价区间复杂波动时序中的细节特征,预测效果更为显著。     

贵金属期货价格预测方法及实证研究

本文融合了二次分解与极限学习机的优势,提出了VMD-Res.-EEMD-ELM贵金属期货价格预测模型,选择变分模态分解(VMD)作为主要的分解技术,生成模态分量序列(VMFi)和残差序列(Res.),采用集合经验模态分解(EEMD)对残差序列进行二次分解,并使用具有良好泛化能力的极限学习机(ELM)对各分量进行预测,最后叠加各模态分量和残差的预测值形成收益率的最终预测结果。所提出的模型不仅充分发挥了二次分解技术的优势,而且解决了传统变分模态分解组合预测模型未考虑残差影响因素的问题。实证研究表明,本文所提出的组合模型能够全面捕捉黄金、白银期货价格日收益率序列的特征,方向性预测准确率分别为83.33%和93.33%,误差指标MAE分别为0.15和0.11,经比较本文所提出的模型具有良好的预测性能。     

基于滚动时间窗的碳市场价格分解集成预测研究

提高碳市场价格预测准确性对于交易风险监测以及碳市场平稳发展具有重要价值。针对复杂的、非线性碳市场价格数据的短期预测误差偏大、分解过程易产生数据泄露问题，提出了基于滚动时间窗的SSA-SVR分解集成预测框架。首先，选取时间窗数据，继而借助奇异谱分析将时间窗内碳价序列分解重构为高、低频序列；然后，使用支持向量回归方法对高、低频序列分别进行预测；最后，加和集成预测结果，得到下一时刻的碳市场价格预测值。通过不断更新时间窗的数据内容，动态执行“分解-预测-集成”过程，实现碳市场价格的实时预测。研究结果表明，本文所提出框架表现出优异且稳定的预测性能，在碳市场价格预测研究中具有良好的适用性和有效性。     

违约预测的小波结构模型研究

本文针对上市公司违约预测问题,按照行业类型对我国2009年的上市企业进行分层抽样,构建了小波结构模型.小波结构模型通过应用小波变换来分解上市公司日收益序列,进而对低频序列和高频序列分别构建预测模型,再依据预测模型对未来收益进行预测,最后使用小波逆变换重构预测收益序列.通过小波结构模型可以避免时间序列模型进行收益波动预测的累加计算过程.在结合我国上市公司的实际数据对这两种模型的校验中,可以发现小波结构模型比时序结构模型在违约预测上有更好的识别力和准确度.     

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。     

基于小波包和神经网络的股票价格预测模型

股票价格是大量因素影响的综合结果,波动规律异常复杂,即使是神经网络这样强大的非线性预测工具也不堪胜任对其的准确预测。本文利用小波包理论将价格波动序列最优地分解为一系列规律较易掌握的子波动,对原始价格波动的预测也就分成神经网络对各子波动的预测。实证研究结果表明,这种小波包和神经网络相结合的股票价格预测模型预测精度明显高于小波和神经网络相结合以及直接利用价格波动预测的同类神经网络模型。     

灰色量子粒子群优化通用向量机的中国行业间碳排放转移网络预测研究

针对行业间碳排放转移量预测问题,以中国1997-2017年间9年度28个行业间碳排转移量数据为样本,本文提出了基于小样本随机振荡序列的灰色量子粒子群优化通用向量机混合预测模型ROGM-QPSO-GVM。该模型首先使用ROGM(1,1)模型得到各行业对其他行业碳排放转移量的预测序列和残差序列,然后提出了一种新的量子粒子群优化(QPSO)算法优化GVM模型网络参数,构建了QPSO-GVM模型对残差序列进行修正,再将两部分的预测值相加得到行业间碳排放转移量预测值,最后根据所有预测值构建出行业间碳排放转移网络。结果表明ROGM-QPSO-GVM模型与其他模型相比具有更好的预测效果,并利用该模型对2020年、2025年、2030年中国行业间碳排放转移网络进行了预测及变化趋势分析。     

Carbon price forecasting with a novel hybrid ARIMA and least squares support vector machines methodology

In general, due to inherently high complexity, carbon prices simultaneously contain linear and nonlinear patterns. Although the traditional autoregressive integrated moving average (ARIMA) model has been one of the most popular linear models in time series forecasting, the ARIMA model cannot capture nonlinear patterns. The least squares support vector machine (LSSVM), a novel neural network technique, has been successfully applied in solving nonlinear regression estimation problems. Therefore, we propose a novel hybrid methodology that exploits the unique strength of the ARIMA and LSSVM models in forecasting carbon prices. Additionally, particle swarm optimization (PSO) is used to find the optimal parameters of LSSVM in order to improve the prediction accuracy. For verification and testing, two main future carbon prices under the EU ETS were used to examine the forecasting ability of the proposed hybrid methodology. The empirical results obtained demonstrate the appeal of the proposed hybrid methodology for carbon price forecasting.