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。     

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.     

考虑影响因素的隐马尔可夫模型在经济预测中的应用

定量预测方法分为因果预测法和时间序列预测法,因果预测法利用预测变量与其他变量之间的因果关系进行预测,时间序列预测法是根据预测变量历史数据的结构推断其未来值。由于因果预测法只利用某个变量与其他变量之间的因果关系,但缺少描述变量自身时间序列结构的功能;而时间序列预测法只能描述变量自身序列的结构,但没有考虑其他相关因素的影响,因此本文提出基于观测向量序列的隐马尔可夫模型(HMM)预测方法,该方法能同时考虑变量自身序列结构以及相关因素的影响。首先介绍HMM基本理论;其次,在模型训练、隐状态序列估计的基础上,提出基于观测向量序列HMM预测算法;最后分别进行仿真实验和实证研究,结果表明该方法的有效性。     

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。     

基于时间序列与机器算法的工商银行股票预测分析

股票市场在国家经济发展中发挥着重要作用,对于投资者来说,其有可能获得超额收益,也有可能遭受巨大损失。因此,如何合理地对股票未来发展作出预测,是投资者关心的问题。文章基于支持向量机、逻辑回归及BP神经网络3种机器学习算法建立分类预测模型,对工商银行股票下一个交易日的涨跌走势进行分析预测,并使用时间序列ARIMA模型进行预测,综合考虑训练模型,分析比较时间序列模型与机器学习对工商银行股票的预测能力。     

外商直接投资与我国三次产业技术进步相关关系研究

近几年来,我国利用外商直接投资(FDI)一直是理论界学者和实际工作者关心和研究的热点问题。现有成果主要关注FDI对经济增长的推动作用,系统研究FDI与技术进步关系的成果相对较少。本文在更加精确测算三次产业技术进步序列的基础上,研究FDI与我国技术进步的相关关系,重点分析FDI对我国三次产业技术进步的影响程度及特点。     

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。     

河北社会消费品零售总额SARIMA预测模型

本文运用时间序列分析方法中的季节时间序列模型(SARIMA),对2003年～2010年的河北省社会消费品零售总额进行时间序列模型分析。分析结果显示,SARIMA模型较好地消除了时间序列的季节因素影响和趋势的变动,且模型短期预测效果极佳,通过模型预测了2011年各月河北省社会消费品零售总额,同时提出增加农村消费是提高消费政策的重点。     

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.     

FDI对我国金融服务贸易出口影响的实证研究

本文通过建立时间序列,运用平稳性检验、协整检验、Granger因果检验及误差修正模型等计量方法,对我国1997—2008年的相关数据进行分析。结果表明,我国金融服务贸易出口与FDI之间存在一个长期稳定的关系;FDI是金融服务贸易出口的Granger原因,而金融服务贸易出口不是FDI的Granger原因;误差修正模型表明,金融服务贸易出口与FDI短期内的关系不明显。基于以上的实证研究,提出针对性的建议。     

FDI与工业污染排放物的空间面板模型分析

本文以FDI的环境效应为切入点,利用Moran I指数对我国FDI与工业污染排放物的空间相关性进行了分析。在此基础上通过变量的空间相关性检验结果以及对比传统面板模型实证结果来说明引入空间计量的必要性,最后通过空间滞后模型(SAR)和空间误差模型(SEM)的计量结果来揭示FDI与环境污染的空间非线性关系。结果表明:FDI和工业污染排放物具有显著的空间相关性,环境污染程度与FDI之间呈"N型"发展关系,并且我国环境污染治理已出现"越治理越严重"的趋势。     

基于小波分析的石油价格长期趋势预测方法及其实证研究

本文将小波方法引入到油价长期趋势的预测中,利用小波多尺度分析的功能,提出了一种可以较为准确地根据油价时序列预测其未来长期走势的方法。这种方法的优点在于可以准确地提取油价的长期趋势,从总体上把握油价的非线性波动特征,从而能够很好地利用油价时间序列的历史数据,开展对未来一段时期内的多步预测。实证研究中,对Brent油价开展了时间跨度为1年的趋势预测,并将预测结果与ARIMA、GARCH、Holtwinters等方法得到的结果进行了比较,表明了基于小波分析的长期趋势预测法的预测能力是其他方法所不能比拟的,反映了本文所建立的石油价格长期趋势预测方法的有效性。     

中韩FDI优惠政策对比刍议

改革开放以来,随着中国对基础设施建设方面的不断推进,FDI硬环境得到长足发展,总体水平显著提高。近年来的发展趋势来看,如何加强FDI软环境建设受到更多的关注。中韩两国同处东亚,外资环境的相似之处颇多,在吸引FDI方面优惠政策的构建上又各具特色。本文主要围绕中韩国FDI优惠政策方面,通过简要介绍两国的FDI优惠政策现状,同时加以对比,以期对我国FDI优惠政策的未来优化调整有所裨益。     

企业中统计预测的应用与实例分析

统计预测中最常见,运用最为广泛的模型就是长期趋势模型,它主要是在时间序列中的长期存在的趋势实行外推预测的模型。在统计预测中,常见的预测方法有:最小平均法、直观法、指数平滑法、折扣最小平方法和三点法。企业的经济预测可以作为编制计划的依据和提升计划工作的质量。通过长期趋势模型分析了某企业经营的发展趋势,为企业领导决策以及编制计划提供科学依据。     

基于时间序列模型下河南人均GDP的预测分析

以河南省1978-2013年的人均GDP统计数据为样本,通过序列平稳化处理,消除伪回归,在单位根检验的基础上通过模型识别选择了合适的模型,建立了河南省人均GDP的时间序列方程,以此对河南未来人均GDP进行了预测分析。研究表明,河南未来人均GDP仍处于较快增长阶段,但增速呈放缓趋势;河南在未来一段时间内仍将处于脱离"中等收入陷阱"阶段的经济发展关键期,距离世界银行公布的一万美元的中高端收入标准尚待时日。     

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。     

“十二五”时期我国粮食需求状况的分析与预测

我国的粮食需求主要包括城乡居民口粮需求、饲料用粮需求、种子用粮需求和工业用粮需求.由于我国人口的持续增长、居民收入水平的不断增加以及工业化进程的加快,使得我国在未来一段时间内对粮食的总体需求刚性上涨,且粮食供需缺口有被进一步拉大的风险.本文首先介绍了我国粮食需求的构成情况,其次对影响我国粮食需求的主要因素进行了详细的分析,最后采用计量经济学中经典的GARCH模型,并利用我国1949-2010年粮食人均占有量时间序列数据对我国“十二五”时期(2011-2015年)的粮食人均占有量和粮食总需求量进行了分析与预测,并得到了相关结论.     

FDI对我国国内投资效应的实证分析

本文通过回归模型,利用我国1983-2007年的宏观经济数据来分析FDI对我国国内投资的效应,以及对不同所有制经济的投资的效应。实证分析得到:在总体上,FDI会挤入我国的国内投资,这与FDI进入我国的模式,产业以及中国的竞争环境有关;就不同所有制而言,FDI会挤入国有企业以及集体企业的国内投资,对个体企业的国内投资没有显著影响,这与政府政策的倾向性以及个体企业本身的不足相关的。     

基于宏观管理下的时间序列模型货币供应量趋势分析

本文选取2000-2004年的12个月的货币供应量为研究对象,利用SPSS软件对其进行时间序列模型分析及趋势预测。通过模型的时序图、自相关图及偏自相关图,得到时间数据的显著趋势性,继而采用二阶差分对其进行平稳性处理,从而得到可用ARIMA模型拟合的平稳性时序。进而依次对模型进行参数估计、白噪声检验和序列预测,得到货币供应量历年的数据值及对应预测值的时序图。结果表明,ARIMA模型的拟合效果较好,对货币供应量的趋势预测具有一定的参考价值。