投资组合动态VaR预测模型和预测精度评价

采用4种Backtesting检验方法,检验22个常态和时变投资组合动态VaR预测模型的风险预测精度,发现GJR_GPD_TV_Copula具有最高的投资组合风险预测精度,GJR_GPD_Copula的拟合、密度预测和组合风险预测精度都要高于GJR_SKST_Copula,且Copula模型的组合风险预测精度分别与拟合精度和密度预测精度存在较弱的正相关关系.     

基于分形理论的石油价格预测

讨论了有关分形的基本理论，研究了分形理论用于石油价格预测的基本思路。在此基础上建立了基于分形的石油价格预测模型，并对模型进行了求解。最后，利用建立的分形模型对2005—2008年的石油价格进行了预测，井与其他预测机构的预测结果进行了对比分析。结果表明，用该法对石油价格的预测具有一定的借鉴意义。     

石油价格的ARFIMA模型预测研究

经检验，石油价格波动具有长记忆性，而通常用于定量预测的ARMA模型是不考虑长记忆性的．应用考虑长记忆性的ARFIMA模型对石油价格进行了预测研究，预测结果表明，ARFIMA模型的预测结果要好于不考虑长记忆性的ARMA模型．     

基于拉开档次法组合模型在物流需求预测中的应用——以江苏省为例

为了对物流需求进行科学预测,文章在主成分分析的基础上,选取了对物流需求影响较大的3个主要因素:人均社会商品消费额、人均GDP和商品零售价格指数为自变量.分别建立了多因素灰色预测模型、ARIMA预测模型、多元回归预测模型,并运用拉开档次法建立了组合模型。通过该组合模型对江苏省物流需求进行了预测。结果表明,江苏省物流需求每年以近9.5%快速增长。与其他预测模型相比,该预测模型具有更高的预测精度。     

天然气消费量组合预测建模及应用

2011年是"十二五"规划实施的第一个年头,四川省是我国天然气的生产和消费大省,对天然气消费量的有效预测对于四川"十二五"期间相关产业发展、能源消费结构调整具有指导作用,对顺利实现"十二五"能源战略目标具有重大的现实意义。基于标准差法的灰色—增长曲线组合预测方法对四川"十二五"期间的天然气消费量进行了预测,再用马尔科夫链对预测结果进行修正,以提高精度。结果表明:此天然气消费量组合预测模型具有较高的精度和应用价值。     

基于CBR的化妆品销售组合预测模型

预测是销售企业面临的至关重要的问题,预测精度会直接影响到企业的利润及长远发展。考虑到化妆品销售独特的生命周期特点,提出基于案例推理技术的化妆品销售组合预测模型。基于案例推理技术能够弥补短生命周期产品数据不足的问题,根据"最相似"产品的数据对目标产品属性进行推理计算,既提高了预测精度,又便于实际操作。在此基础上,提出了改进的BASS模型及季节性趋势增长模型,充分考虑数据序列波动的季节性、趋势性及其完整的生命周期特征。为了进一步提高预测精度,提出AFTER-GA组合预测算法,并添加PSOWv-SVM模型作为组合预测的模型之一,利用模型处理外界影响因素的能力,使得各模型取长补短,更有效地突出各模型的优势,从而取得更精确的预测结果。实例分析表明,AFTER-GA组合预测算法在精度上要明显优于其他方法;基于CBR的组合预测模型在化妆品销售预测方面,能够达到令人满意的精度要求,具有实际应用价值。     

简单平均组合预测有效性的应用分析

通过实例分析,说明了当序列模式变动较大时,简单平均组合预测模型相对于其他组合预测模型的优越性,并且基于样本段的拟合精度不足以说明组合预测模型的外推预测精度。文中的分析对于组合预测模型的选择和应用具有实际参考价值。     

基于VAR和GM组合模型的电力消费预测

组合预测模型较单一模型具有更准确的预测精度,利用中国电力消费1978年~2007年的年度数据,将VAR模型与灰色预测的GM（1,1）、无偏GM（1,1）两种模型有机组合,建立灰色VAR组合预测模型,对2008年~2015年的电力消费量进行预测。结果表明,该模型平均相对误差为4.88%,拟合精度较高,具有较好的应用价值。     

基于GA-BP和小波-SVM算法的风电场短期功率预测

风力发电过程中的功率预测问题是制约风力发电发展的重要因素。针对单一传统神经网络易陷入局部最优的问题,提出了利用信息熵原理把遗传算法优化的BP网络和小波-支持向量机2种算法进行组合预测,结合华北某风电场提供的历史功率数据和数值天气预报数据对未来48 h功率进行预测,仿真结果表明,该组合预测方法的预测精度比单一预测模型的预测精度高,效率高,具有一定实用价值。     

基于模糊分类变系数的铅锌烧结过程综合透气性状态预测

针对铅锌烧结过程的强非线性、时变等特点,运用智能集成建模的思想,提出一种模糊分类变系数透气性状态预测方法。首先深入机理分析和工况参数相关性分析研究,采用神经网络方法建立工艺参数和时间序列透气性预测模型;然后借助于模糊组合器实现两个子模型的有机组合,设计了模糊分类变系数综合透气性集成预测模型结构,其中加权系数由工况波动程度确定。运行结果表明:提出的集成模型具有较高的预测精度和较强的自学习能力,并且在工况波动严重的情况下,仍然具有好的预测效果,该模型具有一定的灵敏度和鲁棒性。     

基于SVM的人口预测

为了提高人口预测的精度,建立了基于支持向量机的预测模型,并采用此模型对实测数据进行了预测。与FNN组合预测的预测结果相比,建立的新型人口预测模型具有更好的预测精度。     

基于广义IOWA算子的安徽省税收组合预测模型

先引进广义IOWA算子，建立广义IOWA算子组合预测模型.该模型与一般的组合预测方法的不同在于组合预测的赋权系数与预测精度有着紧密联系而与单项预测模型关系不大.这是组合预测方法的一种新的可变赋权方法.在此基础上建立基于广义IOWA算子的税收组合预测模型，并通过与指数平滑方法、线性回归预测方法和灰色预测方法进行比较，发现组合预测模型既稳定又精确.     

基于改进灰色GM模型的装备磨损趋势评估

磨损是影响高端装备精度保持性的关键因素,因磨损量难以测量,对磨损状况进行准确的预测较为困难。针对上述问题,研究一种基于灰色GM模型的磨损预测方法,构建了数据驱动的模型参数优化算法,能更有效地挖掘时间序列的内在联系及变化规律。对装备磨损监测数据进行处理和预测分析,与传统GM模型预测精度进行对比,结果表明:改进模型预测精度更高,适用于中长期预测。     

基于改进粒子群算法的神经网络优化证券投资组合方法

采用人工神经网络对证券投资进行预测与分析的研究过程中,提高神经网络各个节点参数的优化能力是极其关键的。传统的神经网络存在学习速度慢、易陷入局部极小值、预测结果精度较低等缺点,一种玫进型粒子群（Improved Particle Swann Optimizer,IPSO）算法．可以优化BP（Back Propagation）神经网络．并将优化后的BP神经网络应用于优化证券投资组合中。实验结果表明：该研究方法能够在预测精度和稳定性方面明显优于传统的PSO—BP神经网络优化证券投资组合方法。     

广义递归方差倒数组合预测方法研究

在递归等权组合预测方法（ＲＥＷ法）￣［１］和递归方差倒数组合预测方法（ＲＶＲＷ法）￣［２］的思路基础上，以方差的幂函数倒数构造组合权重，进一步提出了广义递归方差倒数组合预测方法（ＧｅｎｅｒａｌｉｚｅｄＲｅｃｕｒｓｉｖｅＶａｒｉａｎｃｅＲｅｃｉｐｒｏｃａｌＷｅｉｇｈｔｉｎｇ，即ＧＲＶＲＷ法），给出了有关的迭代计算方法。该方法更一般地体现了以预测精度作为组合权重依据的思想，将ＲＥＷ法和ＲＶＲＷ法概括为其特殊情况，实例表明，ＧＲＶＲＷ法可以明显地提高预测精度。     

GPS／DR汽车自主导航中的卡尔曼联邦滤波算法

汽车的自主导航在当今社会越来越普遍和重要,对导航系统的精确性也有了更高的要求。为此,人们将各种导航系统组合起来形成组合导航系统,使其扬长避短,以达到最好的精度．其中GPS／DR就是一种组合方式,本文就是利用卡尔曼联邦滤波算法将它们的信号最优组合,输出具有较高精度的导航信息。     

灰色BP网络预测方法在公交客流预测中的应用

本文将BP网络模型与灰色系统预测方法相结合,建立了公交客流量预测模型。该模型有自组织 和自学习的功能,可以根据每次学习误差的不同,不断调整学习速率,加速收敛过程,充分排除数据样本 的随机性影响。与传统的公交客流量预测方法相比,本模型预测结果具有更高的精度。     

基于多分类器组合的个人信用评估模型

针对个人信用评估单一模型存在的不足,提出一种基于多分类器组合的个人信用评估模型.该模型综合了多元判别分析、logistic回归、神经网络、支持向量机等七种个人信用评估单一模型的预测结果,利用加权投票方法对其进行组合并输出最后预测结果.在某商业银行信用卡数据集上的测试结果表明,组合模型能有效地提高预测精度及稳健性,对信贷机构控制消费信贷风险具有很好的适用性.     

基于CAS优化的LSTM循环神经网络的高压断路器故障预测方法研究

在研究真空高压断路器运行历史数据的基础上,提出一种基于长短期记忆(LSTM)循环神经网络的断路器故障时间序列预测方法,采用混沌蚁群(chaotic ant swarm,CAS)优化算法训练LSTM模型,并在TensorFlow深度学习框架上搭建模型仿真,与其他常用的优化训练方法相比,基于CAS优化的LSTM模型具有更高的预测精度和更短的训练步数,且模型简单容易训练。该故障预测方法在基于时间序列的设备故障预测方面有较高的应用价值。     

基于优化灰色模型的湖南省粮食产量预测方法改进研究

常见的粮食产量预测方法主要包括时间序列法、回归分析法、神经网络、灰色模型等方法,由于粮食产量数据呈现出的非线性特征,非线性灰色模型GM（1,N）在粮食产量预测方面具有更好的适应性,但由于模型自身存在一些缺陷,使得预测精度不高。为提高预测结果的准确性,采用灰色关联分析,应用优化灰色模型OGM（1,N）进行计算,并将结果与GM（1,N）模型预测结果进行比较,发现OGM（1,N）模型预测结果精度较GM（1,N）模型预测结果精度提高了一个数量级,表明OGM（1,N）模型在粮食产量预测方面有更高的准确性。最后根据预测结果的分析讨论,对湖南省粮食增产问题提出了一些建议。