基于Lyapunov指数和CBP的混沌时序预测模型

本文根据经济系统的非线性及混沌特征,通过找出预测状态点的邻界状态与其后续状态点之间的函数关系,作为预测函数,提出了基于Lyapunov指数和CBP的混沌时序预测模型;利用Lyapunov指数判别时间序列的混沌特性,估计最大可预测时间尺度;应用混沌优化的BP神经网络进行经济预测。然后将这一模型应用于某超市的销售数据预测,取得了比较满意的结果。     

现代统计学思想之概率公理化探索之路

20世纪初,概率论经俄罗斯圣彼得堡学派切比雪夫(Chebyshev,1821-1894)、马尔科夫和李雅普诺夫(Aleksandr Mikhailovich Lyapunov,1857-1918)等的努力,使极限理论成了中心研究课题.李雅普诺夫将特征函数引入概率论,马尔科夫提出马尔科夫链,巴夏里埃(L.Bachelie...     

混沌时间序列的支持向量机预测

文章以重构相空间理论为基础,探讨了混沌时间序列的支持向量机预测模型建模的思路、特点及关键参数的选取;利用饱和关联维数法进行相空间重构,并运用小数据量法计算最大Lyapunov指数,对时间序列进行混沌特性识别。实例表明,该模型能较好地处理混沌时间序列,具有较高的泛化能力和很好的预测精度。     

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。     

基于支持向量机的降水量混沌时间序列预测

本文针对降水量时间序列的混沌性,根据混沌动力系统的相空间延迟坐标重构理论,基于支持向量机优越的非线性拟合性能,建立了基于支持向量机的降水量混沌时间序列预测模型。由于降水量时间序列的特殊性,本文采用均方根误差为标准来选取最优嵌入维数和模型参数,并结合实例验证该模型能精确地预测降水量。同时,这一结论也预示着支持向量机是一种研究混沌时间序列的有效方法。     

中国股市长期记忆性的检验及记忆长度的度量

分析了股市长期记忆的存在对现有金融理论尤其是对有效市场假设的影响,采用自相关和偏自相关函数、R/S分析、修正的R/S分析三种方法检验了中国股市的长期记忆性。但是,三种方法的检验结果不一致,本文对造成这一结果的原因进行了分析,提出了记忆长度比长期记忆的存在性更重要的观点,并采用R/S分析和李雅普诺夫指数两种方法计算了深沪两市的记忆长度。     

灰色波形预测模型的改进及应用

文章针对波动幅度不规则的时间序列提出了一种灰色波形预测模型改进的方法,即应用分位数法选取非等间隔的等高线,并有选择地对等高时刻序列进行GM(1,1)建模.最后,本文选取了目前世界上使用最广泛的航运运价指数——波罗的海干散货运价指数(Baltic Dry Index,BDI)进行实证分析.通过对波罗的海干散货运价指数月数据的建模与预测表明,改进的灰色波形预测方法比传统的灰色波形预测方法在预测精度和运算效率方面具有明显的优势.     

多变量混沌时间序列的最小二乘支持向量机预测

文章根据多变量混沌时间序列的相空间重构理论,建立了多变量时间序列的最小二乘支持向量机预测模型.通过Lorenz系统和中国股市的股票价格序列对该模型进行了验证,结果表明该预测模型能精确地预测混沌时间序列,并且优于基于单变量时间序列的最小二乘支持向量机预测模型.     

基于混沌神经网络算法的CPI预测

文章针对CPI时间序列的非线性特征,运用混沌理论对其相空间进行了重构,并求出其最大Lyapu nov指数大于零,从而判断CPI时间序列的混沌特性,利用混沌BP混合算法(CBP)构建了CPI预测模型。结果表明,该模型在6个月内具有较高的精度。     

深圳证券市场混沌性探测的前提:小波去噪

0引言自上世纪90年代末期开始,国内掀起了一股研究我国证券市场混沌性的热潮。其基本思想是通过相空间重构的方法重构待研究时间序列的奇怪吸引子,计算其关联维数和Lyapunov指数,根据关联维是否为分数以及Lyapunov指数是否为正数来判断该市场是否具有混沌性。众所周知,经济时间     

中国黄金市场的非线性和确定性检验

混沌普遍存在于现代金融市场中,非线性和确定性是时间序列存在混沌的重要前提,而中国黄金市场这一新兴市场在此方面的研究仍是空白。文章以上海黄金交易所黄金现货日收盘价格序列作为研究对象,对数据进行收益率和对数线性去趋势平稳化处理,然后运用R/S分析来检验其非线性,发现上海黄金价格序列具有非线性和分形特征,但其后的BDS定量检验表明其非线性特征并不显著。最后运用递归图方法进行确定性检验,得出该系统具有一定确定性的结论。因此相较于传统的线性分析方法,对于我国黄金市场价格序列,采用非线性确定性模型进行分析预测可能更加有效。非线性和确定性的存在也表明我国黄金市场可能具有混沌特性,从而为今后对我国黄金价格的初值敏感性和奇异吸引子存在性等混沌特征进行分析,并进一步构筑混沌预测模型打下基础。     

LS-SVM的一种参数优选方法及混沌时间序列预测

支持向量机是一种新型的学习方法,该方法以结构风险最小化原则取代传统机器学习中的经验风险最小化原则,在小样本的机器学习中显示出了优异的性能.文章提出适当的验证性能指标用遗传算法优化最小二乘支持向量机的有关参数,并进行时间序列预测.通过对混沌时间序列的预测及和神经网络预测的比较证明,该模型的预测精确度是令人满意的,文中提出的方法是可行的.     

论平滑系数的优选

指数平滑法是由移动平均法发展而来的,并得到广泛接受的一种传统的时间序列预测法,它的主要优点是对于给定的时间序列观察值以不同的加权,体现了近期信息比远期信息更重要。但使用指数平滑法最困难之处在于平滑系数α的选取,以往α的选取是凭经验,或反复试验而得。 笔者认为,指数平滑法的平滑系数采用0.618法作优选,能取得较好的效果,能较     

基于神经网络模型的沪深300指数预测

文章对选取沪深300指数收盘价序列进行了正态性检验和Hurst指数的计算,得出价格序列的非正态和长记忆性特征.随后选择了适当的结构建立Elman神经网络模型,结合技术分析中的K线图理论,对沪深300指数隔夜开盘价进行了预测.经过求解和趋势检验,以及与相同输入输出结构线性模型的比较,发现该模型取得了良好的预测效果.     

基于混沌时间序列分析的股票价格拐点预测方法

随着混沌科学的迅猛发展,当前在经济、金融研究领域,对经济、金融系统行为的混沌分析已成为一大热点,由此发展起来的混沌经济学大大增强了经济理论对现实的描述能力。股票价格时间序列是一个受政治、经济、心理等多方面因素影响的离散时间序列,使得股票价格常表现出包括混沌在内的各种复杂现象与行为。这些现象与行为若采用传统的统计学的方法处理往往难以得到令人满意的结果,而若采用混沌的方法处理则非常有效,因而混沌时间序列的建模与预测已成为当今学术界的研究热点。     

基于Chaos和CS理论的工程投资预测方法研究

文章针对当前工程投资预测领域存在的投资目标预测方法不科学、预测方法工作量大、准确性低等问题及原因,在借鉴了国内外相关理论和方法的基础上,运用显著性投资(Cost-signifi-cant,CS)理论寻找显著性项目,简化工程投资估算的操作难度,从而解决了投资预测工作量大的问题;运用混沌理论通过使用自相关法、G-P算法、计算Lvapunov指数等方法,在大量历史时序数据基础上,建立了混沌预测模型并进行了实证验证.实证分析结果证明,混沌预测模型适合于工程投资近期预测,预测精度较高.     

汇率预测方法及比较:基于贝叶斯平均分类回归模型的检验

分类回归模型是回归模型家族的一个重要组成部分.文章针对现有的分类回归模型均采用选择性回归计算所存在的问题,建立了贝叶斯平均分类回归模型,并将其用于人民币汇率预测的实证研究.在实证研究时选取人民币对主要货币的汇率序列,对使用时间序列模型的预测结果与贝叶斯平均分类回归模型的预测结果进行对比分析,证明贝叶斯平均分类回归模型确实能够提高预测准确度.还使用贝叶斯平均分类回归模型对比分析了现有研究文献的预测效果,结果表明分类回归模型具有一定程度的优越性.     

卡尔曼滤波在高频金融时间序列模型预测中的应用

时间序列模型在预测中占有重要的地位,其固有的系统误差性往往对预测精度产生负面影响.文章以沪深300指数为研究对象,通过时间序列模型得到预测方程,并以此为基础推导出卡尔曼滤波的状态方程和测量方程,利用卡尔曼方程对预测结果进行修正.结果表明,卡尔曼滤波对时间序列模型的预测有优化作用,可以提高预测的精确度.     

股指期货预测模型构建及其应用效果分析

文章选择股指期货价格以及基差预测这一理论界和实务界共同关心的问题为研究对象,使用香港恒生期货数据为样本,分别采用时间序列ARIMA、ARMA模型对恒生期货连续指数的日收盘价对数序列LHF和基差序列BASIS进行建模分析,并利用预测误差检验量对模型样本外的预测效果进行了实证研究.结果表明,ARIMA(3,1,3)模型很好地拟合和预测了股指期货指数对数LHF序列的走势,达到了预测目的;ARMA(1,1)和ARMA(3,3)模型在预测精度方面不甚理想但基本刻画了基差序列的变动趋势.     

上海股票市场的基于小波去噪的混沌性检验

由于经济混沌需要大样本、低噪声的时间序列,所以文章首先利用小波变换对上证指数日收盘价序列进行去噪处理,然后由去噪后的日收盘价序列计算出日收益率序列,姑且称其为去噪后的日收益率序列,并把它同未经过去噪处理得到的日收益率序列进行比较,发现该方法较好地保留了序列自身固有的特性,只是剔除了由于日常细微波动产生的噪声,为有效地探测我国上海证券市场的混沌性打下了基础。最后分别计算去噪前后收益率的关联维数和Lyapunov指数,发现小波去噪并未改变上海证券市场的混沌性,但是去噪后的市场的复杂度要小于去噪前的市场的复杂度。所以进行混沌性探测的时候必须对数据进行去噪处理。