基于模糊时间序列模型的股票市场预测

文章针对模糊时间序列模型目前存在的缺乏客观论域划分方法和模糊关系前件单一等缺陷,首先应用模糊聚类方法将数据分类,以相邻两个聚类中心的中点作为子区间的分界点来划分论域;其次将数据模糊化后根据证券市场主要量价指标建立了具有多个前件的高阶模糊关系;最后根据序列对比规则计算预测值。将该模型用于股票指数的价格预测和涨跌预测,与传统模型比较的结果表明其预测准确率有了较大提高。     

多元平稳时间序列ARIMAX模型的应用

本文介绍多元平稳时间序列ARIMAX模型的建立方法,并将ARIMAX模型应用于我国第三产业产值、固定资产投资和GDP数据的分析与预测,得到较为满意的结果。     

贝叶斯时间序列方法研究与应用评述

文章对贝叶斯时间序列方法的研究与应用现状进行了评迷,内容包括一元时间序列、多元时间序列及模型识别等三个方面,以期为该方面的研究与应用者提供参考.     

我国城市化水平的时间序列模型分析

本文运用时间序列分析模型对我国城市化水平的发展变化特征及发展趋势进行了分析,并对我国未来一段时间内的城市化水平进行了预测.     

时间序列分析在经济预测中的应用

为了配合《统计学》课程的现行教学 ,提高学生运用统计方法分析、解决实际问题的能力 ,我们组织了一次案例教学 ,其内容是 :对烟台市的未来经济发展状况作一预测分析 ,数据取烟台市 1978～ 1998年 GDP的年度数据。在组织实施时 ,我们首先将数据资料印发给学生 ,并讲清本案例的教学目的与要求 ,明确案例所涉及的教学内容 ;然后给学生一段时间 ,由学生根据资料 ,运用不同的方法进行预测分析 ,并确定具体的讨论日期 ;在课堂讨论时让学生自由发言 ,阐述自己的观点 ;最后 ,由主持教师作点评发言 ,取得了良好的教学效果。本文是此次案例教学活动…     

国外时间序列应用研究最新动态

经济时间序列的应用研究越来越受到政府统计官员、统计学者和其他经济研究人员的重视。近年来,经济时间序列的应用研究方法除采用一些传统的方法之外,又有一些新的拓展。本文作者参加了在韩国汉城举行的第53届国际统计学大会,根据在会议期间所获得的信息,将国外在这方面应用研究的最新动态介绍给读者,以满足各方面信息的需求。由于大会所提供的有关论文摘要的篇幅有限,有些方法只能作一些概念化的介绍;无法展示完整的公式。     

基于机器学习与时间序列组合模型的中国汽车市场预测

文章构建了基于差分自回归移动平均(ARIMA)模型与支持向量机(SVM)、随机森林(RF)、极端梯度提升树(XGBoost)的三种组合模型,将其应用于国内汽车市场批零量预测。基于2009—2018年国内汽车市场乘用车批零量数据以及上汽集团数据库中相关指标数据,将组合模型的预测结果与改进后的三次指数平滑(HW)算法、ARIMA模型进行比较。结果显示:组合模型均能有效地改善建模结果,其中ARIMA与XGBoost的组合模型针对批发量与零售量的三个月内预测平均相对误差分别为3.53%与2.97%,对汽车企业具有参考价值。     

我国铁路客运量的季节时间序列模型

针对季节调整方法如X-11等调整结果不利于解释,及其方法本身没有考虑我国像春节等季节性特点的不足,文章建立起一般的季节时间序列模型,另外,针对季节周期的主观诊断,文章建立起辅助回归模型,较为客观的诊断时间序列的季节周期。结合我国铁路客运量的实证分析,预测结果表明:未来10月铁路客流量较大,相反,11月和12月客运量较小,这点和历史数据的特征十分类似,说明建立的模型较合适。     

非线性时间序列ARMA模型的优化估计法

本文提供了一种ARMA模型参数的优化估计法—NLBFGS算法,它收敛速度快,且只须一阶导数的信息,不需求逆矩阵,和具有超线性收敛性等优点。而且本文给出实例的MATLAB程序,并利用t统计量对ARMA模型参数估计进行了检验:拟合模型效果显著。     

中国城市化水平时间序列模型分析:1949～2007

文章采用1949～2007年的中国年度数据,建立了一个中国城市化水平的时间序列模型.模型显示,中国城市化水平的提高主要受到模型滞后一期和滞后五期的随机误差的影响,具体为,滞后一期和滞后五期的随机误差分别增加1个单位,则城市化水平的提高就会相应增加0.6706个单位和0.3236个单位.通过该模型对2003～2007年中国城镇人口比重进行预测.得出预测结果的所有预测误差的绝对值都小于1%.而且,用该模型预测未来3年的中国城市化水平,从对2010年的预测结果46.59%来看,预测结果与国家统计局提出的在2010年前后中国城镇化水平将接近45%的预期目标基本一致.     

基于改进BP神经网络的时间序列补缺及预测

对BP神经网络的改进方式和网络参数确定进行分析,以青海省各月份经济统计中的时间序列问题为实验对象,分别采用动量项自适应学习率法和LM-BP算法,利用神经网络完成数据补缺及数据预测。该方法无须确立时间序列模型,便捷高效。最后对两种方法的训练情况和实验结果进行了比较和分析。     

案例教学在时间序列分析中的应用

案例教学是理论与实践紧密结合的一种先进的教学方式,对调动学生积极性、掌握理论知识、提高综合素质有着重要的作用。本文从时间序列课程本身实用操作性强的需要出发,探讨了应用案例教学的必要性,指出时间序列案例教学选择标准,提出案例选择应遵循的原则和提高案例教学整体效果的措施,并阐述了案例教学的组织实施过程。     

居民消费价格指数的时间序列分析及预测

时间序列是按照时间顺序取得的一系列数据,大多数的经济时间序列存在惯性,通过这种惯性分析可以由时间序列的历史数值对未来值进行预测.文章主要利用时间序列的趋势外推方法对我国目前居民消费价格指数(CPI)进行了建模析和预测,以达到合理预期和分析的目的.     

基于傅立叶级数和模糊马尔可夫链的小样本时间序列建模方法

为克服传统时间序列预测方法在处理小样本数据方面的不足,文章引入傅立叶级数和模糊马尔可夫链方法,并结合灰色GM(1,1)模型对小样本时间序列数据进行动态建模。实例结果表明,预测方法与传统的时间序列预测方法相比,具有较高的预测精度,说明该方法对于小样本时间序列的预测是有效的。     

基于模糊时间序列对我国对外贸易中的进口水平的预测

文章基于模糊时间序列对我国对我国对外贸易中的进口水平进行了预测分析,结果认为:在模糊时间序列分析中,用隶属度加权平均法比最大隶属度法的预测结果更为准确,表明常用的最大隶属度法在进口额即期增量的预测上未必适用.     

线性回归模型与传递函数模型在时间序列应用上的比较研究

如果一个因变量是由一个或多个自变量来解释的,那么对这些数据可以建立回归模型.但如果因变量和自变量同时又是时间序列,则也可以建立传递函数模型(transferfunction models).与普通的回归模型相比,传递函数模型说明因变量与自变量以及扰动项之间关系时,有着更为丰富的结构.在多变量时间序列模型方面,有关线性回归模型与传递函数序列在时间序列方面应用效果的比较很少,因此,本文拟进行这方面的研究,为多变量时间序列建立模型提供参考.     

国内外大学教材‘经济预测与时间序列’对比研究

随着教育部提倡全国普通高校使用国外教材,现在许多重点大学和一些普通高校纷纷在不同的学院、不同的专业、不同的年级上有选择地、有条件地实行“原版英文教材教学”试点。本文针对国内外大学教材中“经济预测与时间序列”方面的教材进行深入地对比分析研究,指出国内一些教材中普遍存在的问题与不足。     

基于HRM的金融时间序列预测

由于金融时间序列具有复杂、非线性、非平稳性、含噪声等特点,许多传统的线性及非线性方法难以对其进行有效的预测。为此,文章提出将HRM(A Hessian Regularized Nonlinear TimeSeries Model)应用于金融时间序列领域。实验结果表明,HRM具有较好的模型构建能力,拥有较快的计算速率,并且得到了较好的预测结果。