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。     

基于多分类器动态选择与成本敏感优化集成的电信客户流失预测研究

针对不同样本在特征空间中具有不同的区域特性和不同分类算法之间的预测互补性,在电信客户流失预测理论基础上,融合多分类器动态集成理论和成本敏感学习理论,建立了电信客户流失多分类器集成预测的利润函数,并提出了一类新的基于多分类器动态选择与成本敏感优化集成的电信客户流失预测模型.首先使用K均值聚类法聚类训练样本成多个分区;接着使用NaiveBayes算法、多层感知机算法和J48算法在各分区样本上构建客户流失预测子分类器;最后使用改进人工鱼群算法分别对各分区的子分类器进行成本敏感优化集成.实验结果表明,所提出的基于多分类器动态选择与成本敏感优化集成模型的分类性能不仅优于由训练集全体样本所构建的3个单模型,也优于基于改进人工鱼群算法优化集成这3个单模型而得到的集成模型.     

基于PSO-PLS的组合预测方法在GDP预测中的应用

GDP预测是经济预测中一个非常重要的问题,随着经济的发展,对其预测精度的要求也越来越高.在考虑样本权重的基础上,提出一种微粒群算法与部分最小二乘回归方法相结合的组合预测方法,即采用微粒群方法对样本最优权重进行求解,在所得样本权重系数的基础上,用部分最小二乘回归方法确定组合预测的权重系数.将该方法用于中国GDP预测取得了较好的结果,与其他几种传统方法相比,预测精度有一定程度的提高,说明算法的有效性和可行性.     

一种基于动态关系辨识算法的短期预测方法

针对目前众多短期预测问题中存在的业务数据波动性增大、预测结果影响因素增多等问题,结合自适应建模技术,提出了一种基于动态关系辨识算法的统计类短期预测方法。该方法首先根据预测问题提出动态关系模型,然后结合不断更新的业务数据和最佳预测精度值,对模型参数和模型结构系数进行动态调整,从而使得决策者能够始终基于模型的最优状态获得预测结果。研究结果表明:针对波动性较大的业务数据,该方法自我调整能力较强,对近期数据的跟踪性较好,鲁棒性强,易于推广应用。     

基于一致性的动态组合评价方法研究

为了解决多种动态评价方法和动态组合评价方法评价结论非一致性问题,提出基于一致性的动态组合评价方法。确定相容动态评价方法集,应用几种动态组合评价方法对相容动态评价方法集中的单一动态评价结论进行组合评价,如果评价结论非一致,再利用这几种动态组合评价方法对动态组合评价结论进行组合或再组合,直到得到一致性的动态组合排序值为止。应用基于一致性的动态组合评价方法对东部地区区域自主创新能力进行动态组合评价,得到一致性的评价结论,通过实例说明本研究实际应用上的有效性。基于一致性的动态组合评价方法对解决多种动态评价方法评价结论非一致性问题提供了思路,是综合评价方法研究的有益补充,可以利用该方法进行应用研究。     

基于马尔科夫状态转移模型的股指收益率研究

金融资产收益率的分布是金融资产投资和风险管理等应用中的重要决定因素。针对经济和金融的潜在状态改变可能引起金融资产收益率分布结构性变化的现实情况,提出考虑收益率分布的时变性,将马尔科夫状态转移结构应用于中国股票指数对数收益率分布的建模,并提出使用混合正态分布模型刻画股指收益率在各状态的分布,建立隐马尔科夫状态转移-混合正态分布(HMS-MND)模型,使用期望最大化算法(E-M算法)和Baum-Welch算法给出模型的参数估计,采用2002年7月1日至2010年10月29日沪深两市11种主要股票指数的对数日、周收益率作为实证数据。模型参数估计和似然比检验结果表明,大部分股票指数收益率的分布中都存在显著的马尔科夫状态转移结构,且HMS-MND模型可以较好地刻画对数收益率分布的高阶矩统计特征。因此,引入马尔科夫状态转移结构对股指收益率的相关研究具有重要意义。     

基于EM算法的有先验范围的回归预测及应用研究

1.引言现在,随着经济和科学的不断发展,对未来的预测显得越来越重要.因为只有对未来有个比较精确合理的预测,人们才能采取更有效率的行动以实现既定的目的.     

Excel回归分析法在财务预测中的应用

财务预测是企业决策的前提与基础,Excel是一个具有强大功能的数据管理与分析软件,我们可以运用Excel进行回归分析财务预测,以提高工作效率。本文通过案例分析,运用Excel函数与数据分析工具两种方法建立直线回归模型,并进行回归分析的预测。     

线性回归模型变点估计的动态规划方法

本文基于动态规划的思想方法,在最小二乘准则下,给出了求解离散及连续的多变点线性回归模型中的变点及参数的估计的动态规划基本方程。     

改进随机森林的集成分类方法预测结直肠癌存活性

 癌症是人类死亡的主要原因之一,许多国家在癌症方面的支出占医疗总支出的很大比例。癌症存活性预测作为癌症预后的一项重要工作,可以辅助医生做出更精准的诊疗决策,进而降低癌症治疗成本。近年来,基于数据驱动的癌症存活性预测方法逐渐得到应用,而预测的准确性是评价预测方法性能的主要指标,因此提高癌症存活性预测方法的准确性一直是一个活跃的研究领域。        结直肠癌是一种具有高发病率和高死亡率的癌症,为了提高结直肠癌存活性预测的准确性,利用遗传算法对随机森林进行改进,提出基于GA-RF的集成分类方法。该方法通过遗传算法对随机森林中的决策树实行进化搜索,以提高集成分类准确率为目标选出决策树的满意集成。实验分别使用基于GA-RF的集成分类方法、决策树和参数优化的随机森林训练预测模型预测结直肠癌患者的存活性,利用SEER数据库的结直肠癌数据集对3种方法分别进行10折交叉验证,然后用准确性、敏感性和特异性3个指标对它们进行评价。        实验结果显示,基于GA-RF的集成分类方法的预测精度最高(88.2%),参数优化的随机森林的预测精度次之(86.4%),但集成复杂度远高于基于GA-RF的集成分类方法,决策树的预测精度最差(74.2%),而基于GA-RF的集成分类方法还表现出了最好的泛化性能。        该集成分类方法对随机森林进行了有效的改进,能以更高的运算效率和更好的准确性预测结直肠癌存活性,可以为结直肠癌的预后提供决策参考,弥补经验预测的不足,该方法的提出对节约医疗资源、降低医疗成本、提高患者满意度具有实际意义。     

税收增长的动态回归模型分析

本文给出了税收增长的动态线性回归和动态非线性回归分析方法,对我国税收增长与国内生产总值之间的关系进行了分析。     

基于动态分类器集成选择的不完整数据客户分类方法实证研究

在管理决策的制定中,分类已经成为一种十分重要的方法和技术。由于现实客户数据常常是不完整的,因此,研究不完整数据的客户分类问题具有重要意义。通过分析以往分类过程中对不完整数据的处理方法,提出了一种基于动态分类器集成选择的不完整数据分类方法DCES-ID。分别在UCI客户分类数据集以及某券商客户数据集上进行分类的实验和实证分析。结果表明,与已有的6种分类算法相比,DCES-ID算法具有更高的分类准确性及稳定性,能够更有效地进行客户分类。     

基于优化回声状态网络的股价预测研究

股票市场是一个充斥着各种噪声的动态非线性系统,能够精确地对其进行预测是一项具有挑战性的任务。本文构建的BCC-ESN模型,是运用细菌群体趋药性算法(BCC)来优化回声状态网络(ESN)的权值结构,在继承ESN优良性质的同时,具有更高的模型预测能力。实验证明,BCC-ESN模型比前馈神经网络具有更好的学习和预测能力。经对上证指数进行短期价格预测,结果与BP网络、Elman网络和ESN网络进行比较,BCC-ESN模型精度明显优于其他三种网络预测。同时,在运算效率上,BCC-ESN模型继承了ESN的运算优势,明显优于其他神经网络预测模型,是一种切实可行、高效的预测算法,尤其在股票时间序列预测中有广泛的实用价值。针对BCC-ESN模型在训练预测中遇到的问题,比如耗费时间过长和过度拟合问题,本文亦提供了简单易行的思路和方法。     

基于CPFR的需求预测新方法——分位数回归预测法

本文引入计量经济学前沿预测研究方法-指数加权分位数回归预测,并建立需求预测模型.该模型通过直接预测销售序列的分位数,避免既存研究中基于假设的预测失误,使预测结果更加贴近需求模式的真实值.在此基础上建立基于CPFR的供应链系统成本模型,对比分析表明指数加权分位数回归方法的预测精度较高.     

基于漂移度的组合预测方法研究

由于不同的预测方法能够提供不同的有用信息,其预测精度往往也存在差异,为了分散预测的风险,采用组合预测方法。本文首先提出相容方法集和互补模型集,然后在对不同单一预测模型的漂移性和互补性研究的基础上提出了基于漂移度的组合预测模型,为组合预测模型研究提供一种新的思路。最后通过实例来说明基于漂移度的组合预测模型能够提高样本期预测精度和外推预测精度及实际应用的有效性。     

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。     

基于状态转移信息对FF三因子模型的改进

以1995年6月-2005年12月期间在我国沪深A股市场上市的全部股票为样本,本文实证发现,在新的样本期间,FF三因子模型不能对组合收益作出完全的解释。为了基于现代金融理论的基本观点对组合收益作出完全解释,本文利用状态转移信息对无条件的FF三因子模型进行改进,实证发现,改进后的状态转移的条件定价模型对我国股市的组合收益作出了完全解释。由此得出结论认为,在解释组合收益时,状态转移的条件定价模型是一个优于无条件FF三因子模型的模型。     

一种新的金融动态横截面估计方法——基于中国股票市场条件定价模型评估的应用与扩展

大多数资产定价模型常常用静态横截面回归(the static cross-sectional regression)进行定价表现评估,从而投资组合回报率的时间变化性并不能被时变的风险承载或者(和)时变的风险溢价所解释.本文从经济学的角度,运用一种新的金融动态横截面回归(the dynamic cross-sectional regression),首次考察了基于中国股票市场和美国股票市场的条件资产定价模型的定价表现:股票市场投资组合回报率的时变性是否能被时变的风险溢价所解释.本文发现,短期收益反转和流通市值加权市场换手率为条件变量的条件资本资产定价模型和基于消费的条件资本资产定价模型,能更好的解释中国股票投资组合的回报时变性,其时变性主要来自于时变的风险溢价.另外,本文发现一些拥有持续(persistence)和缓慢变化(slow-moving)特性的条件变量更能够解释横截面投资组合的时变回报.     

一种新的计算组合预测权重的方法

建立了基于最小二乘原理的组合预测模型,提出了求解此组合预测模型的一种新的算法,即Frank-Wolfe算法,并将其应用于实证研究.结果表明,Frank-Wolfe方法用于求解组合预测问题的权重时,是一种行之有效的方法.