基于投资混频数据的中国经济波动预测

文章基于投资与经济波动之间的相关关系,充分体现统计调查数据和网络搜索数据的优势,利用两种数据对中国宏观经济波动进行研究。针对混频数据的特点和深度学习算法的优势,提出了融合混频数据和深度学习的宏观经济预测方法。首先,考虑到政府统计调查数据与经济波动的强相关性,选取政府投资统计月度指标合成投资统计指数;然后,结合网络搜索数据的时效性和高频性,选取与投资相关关键词的百度指数日度数据合成投资网络搜索指数;最后,构建多源混频数据长短期记忆神经网络模型（MM-LSTM）,利用中国2011—2022年的相关数据进行实证研究,并考察模型的精度与时效性。结果表明,投资相关指标与中国GDP增长率之间存在正向关系;网络搜索数据的加入有助于提升宏观经济预测的精度;MM-LSTM模型提高了短期和中期的预测精度,具备提前预测能力,可为相关部门提供决策依据。     

宏观经济指标、技术指标与国债期货价格预测——基于随机森林机器学习的实证检验

分别以筛选的4种技术指标和6个宏观经济指标作为国债期货指数预测变量,利用随机森林算法构建4种机器学习预测模型;依据价格波动集聚性设计跟踪交易规则,通过比较4种模型的预测精度和跟踪交易收益率,检验宏观经济指标、技术指标和随机森林算法对国债期货指数的预测能力。研究结果发现:用主成分精选技术指标构建的预测模型,对国债期货指数的跟踪交易收益率虽然明显优于市场收益率,但不如遵循单个技术指标经验交易规则的跟踪交易收益率;用主成分精选技术指标和宏观经济指标构建的模型能够取得很好的预测精度和跟踪交易收益率,这表明宏观经济指标与技术指标都对国债期货价格具有预测意义,可以利用随机森林机器学习算法构建有效的国债期货量化投资模型。     

基于技术分析、基本面分析和深度学习的股价预测

文章从深度学习技术角度出发,将技术分析指标、基本面分析指标与混合循环神经网络模型相结合构建新型股价预测模型,并提出滚动样本预测评价法检验股价预测模型的长期有效性。研究发现,相较于以往研究模型,基于LSTM模型和GRU模型构建的混合循环神经网站模型能更有效地提取技术分析指标和基本面分析指标的数据特征,从而给出预测个股股价的最优网络结构;该混合循环神经网络模型在长期预测上具有更高的预测精度。     

基于深度学习LSTM神经网络的全球股票指数预测研究

作为深度学习技术的经典模型之一，长短期记忆（LSTM）神经网络在挖掘序列数据长期依赖关系中极具优势。基于深度神经网络优化技术，本文构造了一个深层LSTM神经网络并将其应用于全球30个股票指数三种不同期限的预测研究，结果发现：①LSTM神经网络具有很强的泛化能力，对全部指数不同期限的预测效果均很稳定；②LSTM神经网络具有优秀的预测精度，相比三种对照模型（SVR，MLP和ARIMA），其对全部指数的平均预测精度在不同期限上均有提升；③LSTM神经网络能够有效控制误差波动，其对全部指数的平均预测稳定度相比三种对照模型在不同期限上亦均有提高。鉴于LSTM神经网络在预测精度和稳定度两方面的优势，其未来在金融预测中将有广阔的应用前景。     

基于蝙蝠算法SVR模型的北京市二手房价预测研究

传统SVR模型可预测房价变化趋势,但不恰当的参数设置会影响预测的精度。本文针对北京二手房同比价格指数的非线性变化特征,将蝙蝠算法(BatAlgorithm,BA)引入到SVR模型中,使其对模型的三个参数进行优化设置,结合网络搜索数据(Web Search Data,WSD),构建了BA-SVR&WSD混合模型,并给出了该模型算法的预测流程,通过引入多个基准预测模型和预测性能度量指标进行对比研究。研究结果表明：基于蝙蝠算法的SVR模型的具有较好的泛化能力、预测效果更准确且预测精度更高,该预测方法也为北京二手房价格的监测和调控提供有价值的参考。     

基于优化LSTM模型的股价预测方法

为了提高金融时序预测的准确性及泛化性，文章提出了基于主成分分析法和注意力机制来优化长短时记忆模型（PCA-Attention-LSTM）的消费行业板块指数预测方法。首先对指数日常数据生成技术指标，然后通过主成分分析法提取重要特征，根据长短时记忆神经网络（LSTM）学习输入特征的内部变化规律，并利用注意力机制计算LSTM隐层状态的不同权重，最后结合注意力权重和LSTM神经网络进行指数预测。结果表明，优化后的LSTM模型对消费行业板块指数走势具有较强的预测能力。此外，在预测方法的基础上引入了股票的异同移动平均线和均线指标，提供了一种每日轮动自动捕捉交易点的短频量化交易策略。     

融合分解集成和深度学习的金融时间序列预测模型

由于金融时间序列具有高度非线性、不稳定性等特点，单一预测模型的预测精度受限。文章将集成经验模态分解（EEMD）技术和长短期记忆网络（LSTM）相结合，同时融入麻雀搜索算法（SSA）优化神经网络参数，构建了EEMD-SSA-LSTM混合预测模型。首先将该金融时间序列进行EEMD分解，其次将分解所得的各IMF分量与残差项输入到SSA优化后的LSTM网络进行逐个预测，最后通过累加得到最终预测结果。以上证指数价格为研究对象进行实证分析，结果表明，所提出的混合预测模型的MAPE、RMSE、MAE分别为0.0122、0.3278、0.2681，具有更高的预测精度与适用性。     

考虑高维宏观信息的波动率与股票价格预测

为刻画股票价格的非线性动态特征,并充分利用高维宏观经济变量对股价的预测能力,文章基于LSTM模型、LASSO降维和混频模型,研究了高维情形下利用低频宏观经济变量预测高频股价的问题。首先,使用LASSO方法对高维宏观经济变量进行筛选,并进行因子分析提取宏观因子;然后,使用该宏观因子构建混频GARCH-MIDAS模型以预测波动率;最后,以包含宏观经济信息的波动率和通过因子分析降维后的技术指标因子作为特征,输入LSTM神经网络模型来预测上证综指价格。结果表明,LSTM-GARCH-MIDAS模型具有较高的预测精度和良好的适用性。     

基于差值灰色RBF网络模型股票指数预测

针对RBF神经网络的预测精度受样本数据随机性影响较大,而灰色理论能弱化数据随机性的特点,文章提出了差值结合法将灰色GM(1,1)模型和RBF神经网络模型有效地结合起来,构建了差值灰色RBF网络预测模型。将该预测模型运用于股票指数预测,实证结果表明:该模型预测精度高,平均预测误差为0.52%,与BP神经网络和RBF神经网络相比具有更好的泛化能力和更高的预测精度,在股票预测中具有一定的使用价值。     

基于长短期记忆模型的入室盗窃犯罪预测研究

随着智慧警务建设的兴起,利用时空大数据对犯罪事件进行预测成为具有前瞻性的研究。基于2015—2018年WH市110入室盗窃类接警数据,利用循环神经网络(RNN)改进得到的长短期记忆模型(LSTM),通过学习得到最佳性能对应的迭代次数、回看天数、空间依赖度、失活率等超参数,构建最优的二值化接警数据长短期记忆模型(BD-LSTM*)和频数统计数据长短期记忆模型(RD-LSTM*),并分别对WH市各区域的案件发生概率以及案件发生数量进行预测。结果表明,两种犯罪预测模型具有良好的预测精度和稳健性。     

基于首末位质量因子的BP神经网络财务风险预警模型

上市公司往往存在粉饰财务数据来美化企业经营状况的动机,这会降低财务风险预警模型预测的准确性。文章利用Benford律和Myer指数两种数据质量评估方法,构建Benford和Myer质量因子,引入BP神经网络模型,构造BM-BP神经网络财务风险预警模型;并进一步利用2000—2019年中国A股上市公司数据,评价数据质量因子对财务风险预警模型预测准确性的影响,分析新模型预测准确性的稳定性。实证分析结果显示:Benford和Myer质量因子提高了BP神经网络财务风险预警模型预测的准确性;在不同质量因子的比较结果中,包含评选指标Benford和Myer质量因子的BP神经网络财务风险预警模型具有较高的预测准确率和较低的二类误判率,稳定性良好;利用决策树算法筛选指标有效提高了新模型的预测准确性。     

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。     

Bayesian neural tree models for nonparametric regression

Frequentist and Bayesian methods differ in many aspects but share some basic optimal properties. In real-life prediction problems, situations exist in which a model based on one of the above paradigms is preferable depending on some subjective criteria. Nonparametric classification and regression techniques, such as decision trees and neural networks, have both frequentist (classification and regression trees (CARTs) and artificial neural networks) as well as Bayesian counterparts (Bayesian CART and Bayesian neural networks) to learning from data. In this paper, we present two hybrid models combining the Bayesian and frequentist versions of CART and neural networks, which we call the Bayesian neural tree (BNT) models. BNT models can simultaneously perform feature selection and prediction, are highly flexible, and generalise well in settings with limited training observations. We study the statistical consistency of the proposed approaches and derive the optimal value of a vital model parameter. The excellent performance of the newly proposed BNT models is shown using simulation studies. We also provide some illustrative examples using a wide variety of standard regression datasets from a public available machine learning repository to show the superiority of the proposed models in comparison to popularly used Bayesian CART and Bayesian neural network models.     

A dynamic multiple-variety choice adaption model

The choice of a product on one purchase occasion by one consumer could be multiple varieties and influenced by past usage experience of this product. To mimic the real situation, this article proposes a new dynamic multiple-variety choice (DMC) model which incorporates quantitative and qualitative dynamics into an additive utility function. This model exhibits three major features of consumer purchase behavior: more than one variety purchased, learning behavior from use experience, and forgetting with the passage of time. All these are achieved by combining a simultaneous demand model with Bayesian learning theory embedded in an exponential function. The model is tested and validated using Hong Kong television viewing data. Empirical results show that including Bayesian learning in a multiple-choice model significantly improves model performance and prediction accuracy, and consideration of the effect of forgetting when studying learning behavior renders the Bayesian learning model much more accurate in practical application.     

利用互联网大数据预测季度GDP增速的方法研究

大数据为季度GDP走势预测创新研究带来重要突破口。本文利用百度等网站的互联网大数据,基于代表性高维数据机器学习(和深度学习)模型,对我国2011-2018年季度GDP增速深入进行预测分析。研究发现,对模型中的随机干扰因素作出一定分布的统计假设,有助于降低预测误差,任由模型通过大量数据机械地学习和完善并不总是有利于模型预测能力的提升;采用对解释变量集添加惩罚约束的方法,可以有效地处理互联网大数据维度较高的棘手问题;预测季度GDP增速的最优大数据解释变量集的稳定性较高。     

Standardization of Process Norms in Baker's Yeast Fermentation through Statistical Models in Comparison with Neural Networks

Achieving consistency of growth pattern for commercial yeast fermentation over batches through addition of water, molasses and other chemicals is often very complex in nature due to its bio-chemical reactions in operation. Regression models in statistical methods play a very important role in modeling the underlying mechanism, provided it is known. On the contrary, artificial neural networks provide a wide class of general-purpose, flexible non-linear architectures to explain any complex industrial processes. In this paper, an attempt has been made to find a robust control system for a time varying yeast fermentation process through statistical means, and in comparison to non-parametric neural network techniques. The data used in this context are obtained from an industry producing baker's yeast through a fed-batch fermentation process. The model accuracy for predicting the growth pattern of commercial yeast, when compared among the various techniques used, reveals the best performance capability with the backpropagation neural network. The statistical model used through projection pursuit regression also shows higher prediction accuracy. The models, thus developed, would also help to find an optimum combination of parameters for minimizing the variability of yeast production.     

基于Twin-SVM的多分形金融市场风险的智能预警研究

本文以沪深300指数（CSI300）长达11年时间的5分钟高频交易数据为研究样本,首先提出一种基于多分形特征的金融市场正常与关注状态的界定方法,并引入新型的支持向量机（SVM）人工智能模型,即孪生SVM（Twin-SVM）模型对多分形特征下的金融市场风险展开预警研究。实证结果表明：（1）中国新兴金融市场的价格波动具有显著的多分形特征;（2）基于多分形特征参数界定的正常与关注状态不仅准确,而且也具有明显的统计检验意义和明确的现实意义;（3）与传统SVM和BP神经网络（NN）相比,Twin-SVM在预测精度上不仅显著更高,而且在预测稳定性上也明显更优,即Twin-SVM能够有效地解决其它预警模型存在的非对称样本问题。