股指时间序列的分形插值模型与R/S分析

运用分形插值模型和R/S分析法研究股指时间序列的变化规律和结构特征,通过建立分形插值模型刻画上证综合指数在一定时间内的变化规律,并预测其在短期内的指数走势。使用R/S分析法和Hurst指数,分析了上证综指的结构特征,指出市场具有状态持续性和分形分布等统计特征。     

基于分形插值函数模型的非等距时序灰色预测方法

本文简单介绍了分形插值的数学模型及其插值方法,构造了一种分形插值算法。该算法利用区间内的迭代函数系和吸引子由特定的初始点出发进行直接搜索,并通过迭代特定次数和获得的点集与吸引子均方偏差不断减小的过程来逐步调整初始点的纵坐标值,而均方偏差达到最小化时的纵坐标值可作为预测值。该值可用于非等距时序GM(1,1)的灰色预测问题。     

时间序列ARFIMA模型的贝叶斯预测分析

ARFIMA模型是时间序列分析理论体系中的一个新领域,其模型结构比较复杂.本文系统地研究了时间序列ARFIMA(p,d,q)模型的贝叶斯预测问题,给出了模型的似然函数形式,构造了模型参数的先验分布;根据贝叶斯定理严密地推断了参数的后验边缘分布密度函数,建立了贝叶斯ARFIMA模型预测的基本程序,并且进行了实证研究分析.     

股指时问序列的分形插值模型与R／S分析

运用分形插值模型和R／s分析法研究股指时间序列的变化规律和结构特征,通过建立分形插值模型刻画上证综合指数在一定时间内的变化规律,并预测其在短期内的指数走势。使用R／S分析法和Hurst指数,分析了上证综指的结构特征,指出市场具有状态持续性和分形分布等统计特征。     

基子分形插值函数模型的非等距时序灰色预测方法

本文简单介绍了分形插值的数学模型及其插值方法,构造了一种分形插值算法.该算法利用区间内的迭代函数系和吸引子由特定的初始点出发进行直接搜索,并通过迭代特定次数和获得的点集与吸引子均方偏差不断减小的过程来逐步调整初始点的纵坐标值,而均方偏差达到最小化时的纵坐标值可作为预测值.该值可用于非等距时序GM(1,1)的灰色预测问题.     

分形插值预测模型的构建及应用

文章根据长江大通站月平均径流量数据资料,首先运用重标极差(R/S)分析方法揭示了径流复杂的非线性特性下隐藏的持续性特征,并计算出其分形维数,证明该径流量时间序列具有分形特性。据此,利用历史数据建立了具有外推功能的迭代函数系统(IFS),其中对垂直尺度因子的求取采用了能兼顾数据局部细节和待插值对象整体特征的方法。然后通过筛选不同的数据长度建立了新陈代谢分形插值预测模型对径流量进行预测。最后通过实例验证表明,该预测模型能够满足预测的精度要求。     

基于ARIMA模型的短期股票价格预测

文章选取“华泰证券”250期的股票收盘价作为时间序列实证分析数据,通过建立ARIMA模型对创业板市场股票价格变动的规律和趋势进行了预测.实证结果表明,该模型短期动态、静态预测效果较好,可以为投资者和企业在进行相关决策时提供有益参考.     

基于SARIMA模型的我国季度GDP时间序列分析与预测

文章主要研究季节时间序列模型在我国季度GDp时间序列预测中的应用,并分析探讨模型的准确性和实用性.文章分析了我国1992～2008年的季度GDP时间序列,剔除时间趋势和季节性后使原序列平稳并建立季节时间序列模型.通过对不同模型进行参数估计和比较后发现:ARIMA(2,1,1)(1,1,1)4能很好地拟合我国季度GDP时间序列,用该模型进行预测得出了2009年四个季度和2010年前两个季度的GDP数值,分析发现季度GDP仍然呈增长趋势,但其速度放缓.预测结果的准确性较高,并具有一定现实意义.     

基于人工神经网络方法的上市公司股价预测

本文从影响公司股价的核心上市公司质量出发,利用公司在各个层面的财务指标来预测股价,实现了在思想上的创新.在传统的线性模型预测的基础上,探索应用BP神经网络模型对上市公司的股价表现做出预测.     

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。     

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.     

基于AR模型的Kalman滤波在股票价格预测中的应用

文章在分析AR(n)模型和Kalman滤波模型具有的预测功能的基础上,将二者结合起来而提出一种基于AR模型的卡尔曼滤波模型.该模型用1至n阶的AR模型组合建立新的多维状态空间模型,再应用Kal-man滤波方法预测股票价格.通过对股票价格预测的具体实验表明,提出的新模型克服了单一方法使用的缺点,具有较高的预测精度.     

基于HP滤波和GARCH模型的股票价格趋势预测

在股票市场中人们最关心的就是股票价格的变化,对股票价格趋势的预测直接影响到投资者的投资决策,关系到投资者的切身经济利益,因而对预测的准确性要求较高.为了更精确的预测股票价格趋势,提供更为合理的股票投资意见.文章尝试将HP滤波法应用到股票价格趋势的预测中,通过HP滤波法将股票价格分解为不同的数据,然后通过高阶自回归和GARCH模型分别对分解出来的数据进行拟合和预测.并通过对上证指数的预测后,发现该模型具有较好的预报效果,可为金融产品的趋势研究提供帮助.     

基于混合时间序列模型的粮食产量预测

粮食产量的预测是保障粮食安全的重要组成部分.文章结合河南省许昌市粮食产量的历史数据,首先建立趋势外推预测模型,并对模型进行相应的分析;然后运用趋势外推与ARIMA模型(求和自回归移动平均模型)结合起来的混合时间序列模型对趋势值和真实值之间的离差序列即残差进行分析,得到混合时间序列模型的预测结果;最后通过比较得出的混合时间序列模型预测的精度较高,可作为粮食总产量预测的有效工具之一.     

我国GDP时间序列的模型建立与预测

本文利用统计软件对我国1952年到2005年的实际GDP时间序列数据进行了分析,分别建立了ARMA模型和Holter-Winter非季节短期预测模型,并对2006年到2010年的全国GDP进行了预测。结果表明两个模型都有很好的预测效果。     

基于股价修正的结构化风险模型及其检验

在诸多的信用风险度量模型中,以默顿的期权定价理论为框架的结构化模型被认为是度量违约风险的有效工具.在结构化模型中,唯一考虑的风险就是公司风险.然而,股票价格是要受市场因素影响的,特别是在市场剧烈波动的时候,市场因素对股票价格的影响可能更大.文章认为,应用修正后的股价,剔除了股票价格变化过程中市场因素的影响,结构化模型将能更加有效地度量违约风险.     

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.     

国债系统模型及分析预测

举借国债就是国家凭借其信誉,以国家政府的名义,采用信用的方法获得债务收入。它已成为目前世界各国筹集资金的一种重要形式。凯恩斯主义认为:为了解决资本主义经济中严重的有效需求不足,必须实行赤字预算,扩大政府支出,发行政府债券。至于社会主义国家搞不搞赤字财政,留待理论界去探讨,至少在我国恢复举借内债的直接原因是为了弥补1979年和1980年连续两年的大量的财政     

互联网企业广告收入预测研究——基于低频数据的神经网络和时间序列组合模型

神经网络模型对大样本时间序列的拟合效果优于传统时间序列模型,但对于年度、月度、日度等低频时间序列的预测则难以发挥其优势。鉴于此,本文应用传统时间序列模型和神经网络模型,建立Holtwinters-BP组合模型,利用Holtwinters模型分别拟合各解释变量序列,利用BP模型拟合解释变量和自变量的非线性关系,基于某社交新闻类APP的日广告收入数据进行互联网企业广告收入预测研究。通过与循环神经网络(RNN)模型、长短期记忆神经网络(LSTM)模型等预测结果的对比发现:Holtwinters-BP组合模型的预测精度和稳定性更高;证明多维变量对于广告收入的显著影响,多变量模型的预测准确性高于单变量模型;构建的Holtwinters-BP组合模型对于低频数据预测有较好的有效性和适用性。     

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…