LS-SVM的一种参数优选方法及混沌时间序列预测

支持向量机是一种新型的学习方法,该方法以结构风险最小化原则取代传统机器学习中的经验风险最小化原则,在小样本的机器学习中显示出了优异的性能.文章提出适当的验证性能指标用遗传算法优化最小二乘支持向量机的有关参数,并进行时间序列预测.通过对混沌时间序列的预测及和神经网络预测的比较证明,该模型的预测精确度是令人满意的,文中提出的方法是可行的.     

中国棉花产量的时间序列预测模型

时间序列分析预测的首要任务是辨识影响时间序列的项目因素,这个辨识过程称为分解。每个项目的辨识都独立进行。完成分解后的各项目再度组合,由此途径来分析预测时间序列的未来值时间序列分析预测的主要任务就是对时间序列的观察样本建立尽可能合适的分析预测模型。     

近似非齐次指数序列预测的新融合模型构建

DDGM(1,1)模型和LS-SVM模型都是针对小样本进行预测的方法,文章根据DDGM(1,1)模型和LS-SVM模型结构特点上的相似性,将LS-SVM算法引入DDGM(1,1)模型,构建了一种基于DDGM(1,1)与LS-SVM算法融合的预测模型.该模型基于DDGM(1,1)模型作为建模原型,利用LS-SVM算法优化了DDGM(1,1)模型的参数估计方法,增强模型的推广性.实验表明,新模型充分发挥两种小样本预测技术的各自优势,实现了优势互补,对近似非齐次指数时间序列的预测具有较高精度.     

时间序列的综合分析法在经济预测中的应用

在传统时间序列分解计算方法的基础上 ,采用灰色预测方法对趋势项进行预测 ,建立以传统分析方法和灰色系统理论相结合的经济变量长期预测数学模型 ,并对经济指标进行预测     

时间序列中DF单位根检验存在的问题及方法改进

在时间序列分析中,DF单位根检验方法被广泛使用。文章通过随机模拟试验研究这种检验方法的DF统计量在不同情况下的统计特征,并以此为基础论证DF单位根检验方法存在的一些问题：假设检验的设计存在缺陷、小样本时间序列检验和强自回归时间序列检验误判率高、与时间序列分析的目的相悖等。综合来看,使用这种方法不一定能达到时间序列分析的目的,应谨慎使用。     

股指期货预测模型构建及其应用效果分析

文章选择股指期货价格以及基差预测这一理论界和实务界共同关心的问题为研究对象,使用香港恒生期货数据为样本,分别采用时间序列ARIMA、ARMA模型对恒生期货连续指数的日收盘价对数序列LHF和基差序列BASIS进行建模分析,并利用预测误差检验量对模型样本外的预测效果进行了实证研究.结果表明,ARIMA(3,1,3)模型很好地拟合和预测了股指期货指数对数LHF序列的走势,达到了预测目的;ARMA(1,1)和ARMA(3,3)模型在预测精度方面不甚理想但基本刻画了基差序列的变动趋势.     

基于灰色关联度的小样本预测模型

针对传统灰色预测模型无法处理以及难以寻找统计规律的小样本数据,通过对序列之间灰色关联度物理含义的分析,挖掘序列内部以及序列之间的数据变化规律,并在此基础上构建了一种新的灰色预测模型;应用该模型对中国2008年度的GDP进行预测,预测结果验证了该模型的有效性及实用性;该模型的提出为小样本数据提供了一种新的预测方法。     

利用Bootstrap与核密度估计的方法计算VaR

根据历史数据估计收益率的分布来计算VaR是一种常用的方法.然而,过多的历史数据所构成的时间序列可能不独立同分布.文章选择离预测时间较近且相对较少的历史数据,使其通过BDS检验,再对其进行Bootsrap抽样,得到足够的样本,选择适当的核密度分布函数,从而算出VaR.经比较发现,这种方法算出的VaR比传统方法更准确.     

时间序列分析的AR模型在全社会消费品零售总额预测中的应用

全社会消费品零售总额是一个与宏观经济运行状况有重要关系的经济变量,本文对全社会消费品零售总额作时间序列分析,建立AR模型进行趋势预测.我们以1987年至1995年的统计数据,作为时间序列分析的样本观测值,数据单位为人民币亿元,样本长度n=18.首先,假定全社会消费品零售总额x_t是一个平稳时间序列,为选择适当的描述x_t增长与变化规律的数字模型,我们对样本观测值进行数据分析,由公式     

面向不确定物流需求的改进GM-BPNN组合预测方法

在面对具有突变性、不稳定性以及非线性等特征的区域物流需求预测问题时,传统的时间序列、BPNN、GM-BPNN等预测方法在拟合物流需求曲线上存在缺陷,文章提出了改进GM-BPNN组合预测方法,利用ARIMA和遗传算法（GA）分别改进GM(1,1)和BPNN,根据有效度确定加权系数并构建线性组合模型,并以浙江、广东、江苏进行实例验证。结果表明,相比传统时间序列、BPNN、多元回归、GM-BPNN等预测方法,改进的GM-BPNN组合预测方法提高了物流需求预测的精确度。     

基于ARIMA模型的北京居民消费价格指数预测

自回归单整移动平均模型(ARIMA)是目前较为广泛应用的时间序列建模方法之一,文章以北京市1998年1月~2013年5月的CPI月度数据为样本,采用Eviews6.0软件,建立了ARIMA(12,18)模型,模型对样本内数据拟合较好,预测误差较小,用该模型对北京市2013年6月~2013年12月的CPI指数进行了预测。     

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。     

基于混频模型的CPI短期预测研究

传统的CPI预测模型都是基于相同频率的月度数据,金融市场的高频日度数据需要转化为月度数据才能使用。这会忽略日度变量所包含的CPI短期走势信息。为充分利用这些信息,本文基于自回归混频数据抽样模型同时考察了金融市场一阶矩收益和二阶矩波动的日度信息对CPI的短期走势预测的影响。结果表明,股票收益、短期利率和长短期利差变化量仅在收益水平上对CPI短期走势产生影响,而长期利率、粮食和能源商品市场的收益和波动都有助于CPI短期预测,而且收益对CPI的影响要比波动更加持久。相对于传统的月度时间序列建模方法,本文的混频CPI模型具有更好的样本内解释能力和样本外预测能力。另外,引入二阶矩波动的日度信息在一定程度上能更多地降低预测偏差。     

小波包与贝叶斯LS-SVM在石油价格预测中的应用

掌握国际石油价格变化趋势,可以为决策者提供决策依据.文章提出了基于小渡包和贝叶斯推断的最小二乘支持向量机石油价格预测方案.对石油价格时间序列进行小渡包分解与重构,采用贝叶斯推断对得到的各近似序列和各细节序列进行最小二乘支持向量机模型参数优化,再分别利用优化了的模型进行预测,合成得到最终预测结果.对美国纽约商品交易所原油价格进行仿真实验,结果表明该方法很好地改善了石油价格预测模型的运行速度与预测精度.     

基于分片逆回归的小样本组合预测建模方法

针对在基于回归的小样本组合预测中,容易出现预测模型多于用于组合预测的样本数量,导致回归系数无法估计的问题,文章从信息重组的角度对组合预测建模方法进行了研究.首先采用三次样本插值对原始样本容量进行扩充,然后采用采用分片逆回归方法对扩充后的样本进行降维处理,并在此基础上构建基于回归的小样本组合预测模型.最后实例通过与常用组合预测方法结果的比较说明了该方法的可行性和有效性.     

税收收入预测的时间序列方法选择

税收是国家财政收入的主要来源,能否准确地预测税收收入对于制定国家财政预算具有重要意义.文章以中国2001年至2007年的税收收入数据为基础,分别采用传统时间序列分析方法和Box-Jenkins的方法建立了中国月度税收收入的时间序列预测模型.该模型可用于对未来短期情况的预测,同时说明有时在进行预测时传统方法除了操作简便外,精度也更高一些.因此,在建模时,要通过对几个不同模型的比较,找出数据规律,确定最优的模型.     

天然气产量季节预测模型的比较与选择

随着气田企业规模的扩大和竞争的加剧,需要建立一套完整的短期天然气产量预测方法及模型,以预测未来的产量发展趋势,故提出三种基于时间序列预测模型:布朗指数平滑法(Smooth)、季节系数法时间序列的预测、用于时间序列的灰色系统预测方法.但是普通时间序列预测模型的参数难以估计并且模型较难预测具有季节特征的时间序列问题,根据天然气产量的季节性、周期性特点,实验结果表明:季节系数法时间序列的预测能够对带有季节特征的历史数据进行有效预测,对进行气田企业的安全生产都具有一定的理论和实践价值.     

基于HRM的金融时间序列预测

由于金融时间序列具有复杂、非线性、非平稳性、含噪声等特点,许多传统的线性及非线性方法难以对其进行有效的预测。为此,文章提出将HRM(A Hessian Regularized Nonlinear TimeSeries Model)应用于金融时间序列领域。实验结果表明,HRM具有较好的模型构建能力,拥有较快的计算速率,并且得到了较好的预测结果。     

基于平衡轮换样本调查的季节调整方法研究

传统季节调整方法对时间序列数据进行季节调整时,往往假定误差项为白噪声,不考虑其序列相关关系。为了进行更准确地季节调整分析,本文从连续性抽样调查的角度出发,研究基于平衡轮换样本调查的抽样误差对季节调整的影响,建立一般化的季节调整模型,利用卡尔曼滤波进行参数估计,并从预测误差、误差方差等角度评价模型精度。最后以中国城镇住户调查采用的12～0平衡轮换模式为例,对考虑抽样误差结构特征的季节调整模型进行实证分析,验证这套季节调整方法的有效性。     

基于回归方法的灰色包络带预测模型改进

传统灰色包络带预测模型在上(下)界函数构造上有其不足,从而造成对预测精度影响。文章利用回归分析的方法构建上缘点连线的逼近曲线,并由此构建上缘点的序列点的上界函数。利用GM(1,1)模型得到时间响应式,并由时间响应式得到改进包络带预测模型。通过比较传统包络带模型、改进包络带模型和中位线序列模型预测精度,以说明改进的包络带模型在预测精度上得到了显著提高。