基于神经网络的工程造价快速估算

本文根据神经网络的原理和工程造价估算的特点,建立了基于神经网络的工程造价估算模型;阐述了估算模型的基本原理;并通过住宅建筑估价模型的建立,说明了模型的实现方法且验证了其实用性。     

我国碳排放增长率的运行机理及预测

碳排放是气候变暖的重要原因之一,研究和预测碳排放增长率能为低碳政策的制定提供理论指导。利用经验模态分解方法,本文将我国碳排放增长率序列分解为短期波动项和趋势项两个序列,并分析了国家政策、国内宏观经济变化、金融危机对短期波动项和趋势项的影响。在此基础上,利用动态神经网络分别对趋势项和短期波动项进行预测,并将二者之和作为最终的碳排放增长率的预测值。最后,从误差序列绝对值的最大值、最小值、均值和标准差四个角度来比较该预测方法与单独以碳排放量和碳排放增长率为输入变量的神经网络模型的优劣,并得出本文提出的模型具有预测有效性的结论。     

智能组合预测方法及其应用

由于具有能以任意精度逼近任意复杂非线性函数的优良性能,神经网络在灰色系统预测中得到了较大的应用。在已有的研究基础上,针对灰色神经网络进化时容易陷入局部最优,参数修正受阻的问题,建立基于遗传粒子群混合算法优化的新型灰色神经网络模型。首先将灰色神经网络进行数学建模,以便于优化算法的应用;其次,综合遗传算法与粒子群算法的优点,构造一种混合算法,运用混合算法对灰色神经网络进行优化;最后通过日本入华游客数量预测的算例研究,比较新型灰色神经网络与灰色神经网络、单一算法优化的灰色神经网络的预测精度。所得结果表明,混合算法优化的新灰色神经网络具有更好的预测性能,在社会经济领域有着广泛的应用前景。     

时尚服装销量BP神经网络预测模型研究

本文针对传统时尚服装销量预测方法难以满足新情况下预测的需求,对神经网络技术在时尚服装销量预测的应用方法研究,如何使用在服装销量的预测上。针对某时尚运动品牌公司的具体情况,使用BP神经网络对其销量进行预测实验。从影响因素确定到建立相应的网络模型,最终在MATLAB中实现,得到预测结果。最终结果显示BP神经网络法预测,高于传统预测方法的预测精度。     

应用混合神经网络和遗传算法的期权价格预测模型

隐含波动率是指在市场中观察的期权价格所蕴涵的波动率.提出了一种加权的隐含波动率作为混合神经网络的输入变量,建立了混合神经网络和遗传算法相结合的期权价格预测模型,通过遗传算法来优化神经网络的结构和获得隐含波动率的权重.在对香港金融衍生品市场的实证中表明,本文模型在预测结果上要优于传统的Black-Scholes模型.     

人才环境及基于神经网络的陕西经济发展预测模型研究

利用多层前馈神经网络的反传算法(BP算法),在建立陕西人才环境评价指标体系的基础上,采用MATLAB软件建立了人才环境与经济发展关系的神经网络模型,映射出各年人才环境指标与人均GDP指标之间的函数关系,此BP神经网络可以成功地根据陕西人才环境指标对经济发展进行预测。     

基于KPCA-CNN-DBiGRU模型的短期负荷预测方法

本文针对已有神经网络模型在短期负荷预测中输入维度过高、预测误差较大等问题,提出了一种结合核主成分分析、卷积神经网络和深度双向门控循环单元的短期负荷预测方法。先运用核主成分分析法对原始高维输入变量进行降维,再通过卷积深度双向门控循环单元网络模型进行负荷预测。以第九届全国电工数学建模竞赛试题A题中的负荷数据作为实际算例,结果表明所提方法较降维之前预测误差大大降低,与已有预测方法相比也有大幅的误差降低。     

灰色神经网络模型在河南省未来人口总量预测中的应用

人口预测对经济社会的发展有着非常重要的作用。本文在灰色GM(1,1)模型基础上,利用BP神经网络修正残差,建立灰色BP神经网络组合预测模型,对河南省未来人口总量进行拟合和预测。此组合模型既克服了数据的非线性关系及随机波动大对预测精度的影响,也增强了预测的自适应性。结果证明了该组合模型的优势,具有较好的预测精度,预测结果是可信的。     

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。     

基于Excel的最优子集多元线性回归预测模型设计

回归分析预测法是一种具体的、行之有效的、实用价值很高的常用市场预测方法.统计学中的回归预测分析具有普遍的实用意义.但变量之间关系分析及计算繁杂,而借助Excel可方便高效地研究其数量变动关系.完成其繁杂的计算分析过程.本文利用Excel的图表及数据分析工具,采用最优子集法,判断各变量间的相关程度,并在此基础上建立回归模型进行预测,使回归预测分析的计算过程更加简单.统计预测方法更为实用.     

粮食产量的人工神经网络预测方法的应用研究

粮食产量预测是农业经济管理中的一个重要环节,本文以小麦产量预测模型为例论述了应用于全国粮食产量预测的神经网络模型建立的关键步骤和指标分析选取的方法,并在模型参数优选的基础上用此方法用历史数据进行了预测分析.预测结果表明,该模型可提高粮食产量预测准确性,有效性,实际的预测结果分析说明了该方法的先进性和可行性.     

基于神经网络的科技进步态势预测

可以采用多元线性回归方法、神经网络方法等多种方法对城市科技进步做出预测。首先尝试利用多元线性回归方法,发现误差比较大,继而采用神经网络方法,达到了很高精度。在此基础上,对2010年哈尔滨科技进步态势进行了预测     

一类结合Outlier分析的单变量ARIMA模型在股票市场中的应用

本文通过对当前广泛使用的经济时间序列预测方法的分析比较,针对如股票价格这一类易受到大量外部因素影响且难以通过多变量建模分析的经济现象,采用了单变量ARIMA模型并结合Outlier分析的方法。实证分析表明了此方法具有良好的效果。     

现金流信息、现金流风险与股票收益定价研究

研究了现金流信息、现金流风险与股票收益定价的关系,建立了包含现金流信息的多变量股票非预期收益定价模型,并采用2002年1月至2011年4月间中国股票市场的有关交易数据、机构会计收益预测数据和财务数据,检验了理论模型和实证模型的预测,发现:1)由证券分析师盈余预测修正估计出的正现金流信息对股票非预期收益、股票实际收益、股票超额收益均具有稳健的解释能力;2)由证券分析师盈余预测估计出的现金流风险反映了股票的系统风险,可以对股票预期收益定价;3)在解释股票超额收益方面,由现金流信息、现金流风险、分析师跟踪人数与宿成建3变量模型构成的多变量模型优越于Fama-French 3因子模型变量与现金流信息、现金流风险构成的多变量模型.     

基于贝叶斯因子模型金融高频波动率预测研究

构建了包含时变系数和动态方差的贝叶斯HAR潜在因子模型(DMA(DMS)-FAHAR),并对我国金融期货(主要是股指期货和国债期货)的高频已实现波动率进行预测.通过构建贝叶斯动态潜在因子模型提取包含波动率变量、跳跃变量和考虑杠杆效应的符号跳跃变量等预测变量的重要信息.同时,在模型中加入了投机活动变量,以考察市场投机活动对中国金融期货市场波动率预测的影响.预测结果表明,时变贝叶斯潜在因子模型在所有参与比较的预测模型当中具有最优的短期、中期和长期预测效果.同时,具有时变参数和时变预测变量的贝叶斯HAR族模型在很大程度上提高了固定参数HAR族模型的预测能力.在股指期货和国债期货的预测模型中加入投机活动变量可以获得更好的预测效果.     

胜任力评价的主成分神经网络建模

提出一种基于主成分分析的BP神经网络模型,用于管理人员胜任力的综合评价。首先采用主成分分析方法对众多评价指标进行降维处理,在此基础上,构建管理人员胜任力的BP神经网络评价模型。实例证明,主成分神经网络模型在胜任力综合评价中比通常的BP神经网络模型有更好的效果。     

基于BP神经网络的上市公司财务预警研究

文章采用BP神经网络方法,以263家制造业上市公司的截面财务指标作为学习样本,并使用76家制造业上市公司作为检验样本,建立了制造业上市公司财务预警模型.研究结果表明与没有区分行业的通用预警模型相比,分行业的BP神经网络财务预警模型的预测精度有了较大提高,为广大投资者和监管机构预测公司财务状况提供了可靠的依据.BP神经网络在分析和研究我国上市公司的财务状况方面,具有广泛的应用前景.     

反向有约束混频数据模型的市场化利率预测

为准确预测市场化利率,在混频数据抽样(MIDAS)模型和反向无约束混频数据抽样(RU-MIDAS)模型的基础上,提出了反向有约束混频数据抽样模型(RR-MIDAS),使之能够适应各变量之间频率倍差较大时,低频变量对高频变量的分析与预测.选取SHIBOR作为市场化利率的代表,分析其影响因素并开展预测研究.实证结果表明:RR-MIDAS模型能够细致揭示各变量间的实时动态变化关系,表现出很好的拟合效果与预测能力;宏观经济变量和资本市场信息能够在1周甚至1天内对货币供求关系产生影响,进而迅速反映在SHIBOR走势变化上.此外,稳健性检验结果验证了RR-MIDAS模型的实用性以及实证结论的可靠性.     

基于信息披露文本的上市公司信用风险预警——来自中文年报管理层讨论与分析的经验证据

本文运用文本挖掘技术,对2008-2018年1297家上市公司年报的管理层讨论与分析(MD&A)进行文本分析。从文本质量特征、文本词汇特征和文本语调特征等角度量化计算文本相似度、文本情感值、文本可读性三个维度文本披露指标,采用Logistic模型、决策树模型、支持向量机和神经网络模型四种方法构建上市公司信用风险预警模型,实证检验加入MD&A文本信息披露指标后信用风险预警模型的预测能力。实证结果表明：(1)在加入文本信息披露指标后,信用风险预警模型的预测准确度得到显著提升,多维度文本信息披露指标比单维度文本信息披露指标对信用风险预警模型预测准确度提升效果更优;(2)Logistic回归模型的预测准确度在样本数量较低时要优于决策树、支持向量机与神经网络,随着样本数量的增加,支持向量机和神经网络的预测准确度会明显提升;(3)不同特征的文本信息内容与企业是否发生信用风险均显著相关。本文的研究结论为提高信用风险预警的预测准确性提供了方法和经验证据,对于投资者与相关学者研究市场有效性提供新的研究视角。     

基于结构可变的RBF神经网络的时间序列预测

基于神经网络的时间序列预测方法,需要正确确定网络结构,它关系到所建模型的合理性以及预测的准确性。目前确定网络结构的绝大多数方法,其网络结构一经训练确定便保持不变。然而现实中许多时间序列呈现非平稳性,其结构经常发生变化,这就要求网络结构能够动态可调,因此本文提出结构可变的径向基函数(RBF)神经网络预测模型。并采用序列蒙特卡罗(SMC)方法实现基于结构可变RBF网络的时间序列在线预测;最后采用CRU钢铁价格指数月数据进行实证研究,结果表明该模型的有效性。