基于NARX神经网络与ARMA的汇率混合预测模型

汇率时间序列是一个动态复杂系统,单独的线性回归模型或者非线性神经网络都不能很好地反映系统的特征.文章将汇率时间序列分解成线性序列和非线性序列两部分,并分别用ARMA和NARX神经网络进行建模;最后组合成NARX-ARMA汇率混合预测模型.结果证明,相比其他汇率预测模型,NARX-ARMA混合模型有更好的预测效果.     

非线性协和模型：理论与方法

 本文系统梳理了十多年来非线性协和理论与方法的研究进展,从非线性协和概念的提出开始,对目前已给出的非线性协和的各种不同定义、具有非线性结构的时间序列的非平稳性检验、非线性协和关系的检验、非线性协和模型的参数与非参数估计方法、门限协和模型、以及非线性误差修正模型的研究状况进行了总结。     

非线性协和模型:非参数方法研究综述

对于非线性协和理论,非参数方法具有重要的研究和应用意义。文章对当前非线性协和理论的三个研究方向进行了梳理,进一步对已给出的非线性协和的不同定义,总结了相应的具有非线性结构的时间序列的非平稳性非参数检验、非线性协和关系的非参数检验、非线性协和模型非参数估计方法以及非线性误差修正模型的非参数方法前沿问题。     

改进粒子群算法优化灰色神经网络预测模型及其应用

文章针对神经网络存在局部最优、收敛速度慢以及大样本等缺点,将改进的粒子群算法、灰色模型和神经网络模型有机结合,构建了改进粒子群优化灰色神经网络预测模型(IPSO-GMNN).并与其他预测模型进行比较,实证结果表明:IPSO-GMNN预测模型能够克服神经网络预测模型的不足,更好地识别时间序列的非线性和突变性特征.在对我国专利授权数量的预测应用中,新模型对非线性时间数据预测表现出更好的预测精度和稳定性.     

基于半参数混频误差修正模型的中国CPI预测研究

考虑宏观经济变量具有明显的非线性特征,将非线性误差修正项引入存在协整关系的非平稳混频数据抽样（MIDAS）模型中,构建半参数混频数据抽样误差修正（SEMI-ECM-MIDAS）模型。使用广义似然比（GLR）检验,拓展了混频数据下模型函数形式的一致性检验问题。模拟结果表明SEMI-ECM-MIDAS模型对存在非线性误差修正机制的数据具有显著的预测优势。最后使用该模型研究中国股票市场周度数据、广义货币发行量月度数据和国际原油市场月度数据对中国CPI的短期预测效果。基于AIC准则,对包含半参数模型在内的4种混频数据抽样模型和2种同频模型的连续预测效果进行了全面的比较。研究结果发现：GLR检验表明误差修正项具有明显的非线性特征且在回归中具有显著的反向修正机制,无论采用递归样本、滚动样本还是固定样本,本文提出的SEMI-ECM-MIDAS模型在进行连续预测时均具有最优的预测精度,且预测结果不受混频动态协整关系选择的影响。     

基于神经网络灰色Verhulst算法的CPI预测模型

为了提高居民消费价格指数的预测精度,对于呈近似S形的CPI时间序列,利用灰色Verhulst模型对其预测.构造基于时间序列的人工神经网络输入输出模式,利用BP神经网络对原始数据与灰色verhulst预测值的残差进行训练.仿真实例表明,该组合算法预测结果比单纯使用GM(1,1)模型、灰色Verhulst模型和文献[1]的总体误差要小,将神经网络引入到灰色Verhudst模型中能较好地提高预测精度.     

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。     

分数维非线性协整及误差校正模型

本文在分数维和非线性的框架下讨论了经济系统中的长期均衡关系,提出了分数维非线性协整的概念及对应的误差校正模型,基于小波神经网络给出了分数维非线性协整的检验及其误差校正模型的建模方法。实证研究发现中国股市存在分数维非线性协整关系,据此建立了相应的分数维非线性误差校正模型.该模型的预测效果优于带有外生变量的非线性自回归移动平均模型。     

区域出口贸易非线性混合预测模型及其实证

混合预测模型由于能够反映事物变化的线性和非线性特征,而在预测领域得到了广泛的应用。本文针对区域出口贸易的特点建立了一种基于BP神经网络和误差校正向量自回归模型的的非线性混合预测模型,应用于区域出口贸易预测,得到了较好的预测效果。由于该模型能够反映经济系统中各变量的长期均衡关系,同时非线性的协整变量能够反映出经济系统其他变量的短期波动对预测变量的影响,因此该模型适合于经济变量的预测。     

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。     

基于贝叶斯PSECM模型的非线性协整能源需求研究

文章通过面板数据平滑转换模型研究影响能源需求的主要因素.针对面板数据平滑转换模型的序列差分容易造成信息缺失的问题,进行误差修正,构建PSECM模型,刻画变量的非线性特征与变量之间的长期稳定的非线性关系.由于非线性最小二乘算法难以收敛,容易造成参数估计不准确,运用贝叶斯方法分析模型结构,估计模型参数;在此基础上,对新兴市场国家进行实证分析,研究结果表明:贝叶斯算法能够准确地估计模型各参数,证明了贝叶斯PSECM模型的有效性,能源需求弹性与经济水平、能源价格、金融发展水平之间存在长期稳定非线性协整关系.     

基于多源数据深度融合的金融时间序列预测

文章提出一种双阶段深度学习的金融时间序列预测模型,研究股民评论、金融新闻资讯与股票指标多源数据对股票市场波动的影响。该模型运用word2vec并结合卷积神经网络对非结构化文本数据进行情感分析,计算情感权重并与股票指数联合;通过双向长短时记忆网络结合注意力机制关注文本重点语义分布,提升全局时序信息敏感度,从而完成非线性、时变性的股指预测。所提模型相比于单一使用股票指数,其均方误差降低0.264,比BiLSTM股票预测模型降低了0.186。实证结果表明,端对端的多源数据融合情感分析模型能够有效解决因多级因素导致的股票市场波动性与不规律性,从而对股票指数进行预测。     

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。     

价格波动的研究方法及其模型

在价格理论与实践中,经济学家们试图建立严密的数学模型来研究和分析时间序列经济周期和误差修正等价格波动问题。文章参考有关时间序列分析方面的研究成果,系统阐释了应用于价格波动相关的计算方法及其模型。     

基于主成分BP神经网络的油田产量预测研究

文章提出采用基于主成分的BP神经网络来对油田产量进行预测。主成分分析法用于将输入变量维度降低且互不相关;BP神经网络因其自组织、自学习的动力机制实现输入输出空间的非线性映射。以江汉油区为例的研究表明,该方法具备较高的预测精度,在复杂经济时间序列的预测中有一定的应用前景。     

中国经济与股价波动关联性的实证

文章以1992～2006年间中国股市与经济增长的季度时间序列为基础,建立了二者之间的误差修正模型,并对二者作了Granger因果检验脉冲响应分析与方差分解分析.     

基于秩方法的TAM估计

一、问题的提出作为统计学一个重要分支学科 ,现代时间序列分析的发展十分惊人 ,尤其是近二十年来 ,人们已不再满足于平稳、线性的时间序列分析 ,如AR、MA、ARMA、ARIMA等 ,越来越多的人将视野投向非平稳时间序列、谱分析、时间序列的线性系统、非线性时间序列及非线性系统、空间序列、不等间隔抽样等问题的研究。TAM模型属于非线性时间序列分析的范围 ,是我国香港地区的学者汤家豪 (参见 [12 ,13])先生于 1978年提出来的 ,由于该模型具有一些重要的性质特征 ,如比 :设置“门坎”(门限 ) ,然后通过门限的控制作用 ,保障模型自身的稳…     

时间序列和神经网络的组合预测及其应用

近年来各种预测方法中,时间序列是线性模型中精度比较高,应用较广的模型之一;而在非线性类中,神经网络模型是典型的非线性预测.建立时间序列和神经网络的组合预测模型可以有效的反映各种因素的综合影响,组合预测理论已经证明多种模型的线性组合在一定的条件下能够有效的改善模型的拟合能力和提高预测精度.本文采用线性组合预测方法,应用线性规划方法,从而在预测中得到比单项预测方法更好的科学预测结果.     

基于小波神经网络的经济预测研究

本文通过小波变换和神经网络的结合,建立了相应的小波神经网络经济预测模型.该模型克服了传统时间序列预测模型只能进行线性预测,避免了一些BP神经网络的固有缺陷.     

基于BP神经网络与修正GM(1,1)模型的能源消费组合预测

随着我国经济社会的进一步发展,能源需求逐步增大,且消费量的增长与多种因素相关.能源消费预测存在与多因素的关联.文章在基础GM(1,1)模型框架下,以重新累积生成累加后序列预测值的方式进行GM(1,1)的无偏化修正,并按照加权平均背景值重设进行pGM(1,1)模型修正;并以各种非线性参变量间的映射纳入组合BP神经网络的能源消费预测.结果证实,无偏GM(1,1)、pGM(1,1)模型有效降低了GM(1,1)的预测平均相对误差,再与BP神经网络组合预测,形成了较好的能源消费预测精度.