基于小波网络的经济时间序列预测模型

本文在小波网络的基础上,利用经济类时间序列的特点,建立通用的经济预测小波网络模型.该网络的权值由广义递推最小二乘法来学习,尺度参数和平移参数通过稳定的Davidon最小二乘法获得.并利用此模型对我国工业发电量加以预测.实际预测结果表明了该模型的先进性和可行性.     

基于LSTM神经网络的金融时间序列预测

本文提出将小波分析与纳入时间序列依赖特征的长短期记忆(LSTM)神经网络相结合,构建金融时间序列数据预测模型,以克服现有模型对金融时间序列数据非平稳、非线性、序列相关等复杂特征以及数据间非线性交互关系无法反映的缺陷。同时,以道琼斯工业指数日收盘价为例,探究LSTM神经网络对实际金融时间序列数据的预测能力,比较其与多层感知机、支持向量机、K近邻、GARCH四种模型的预测效果。实证结果表明LSTM神经网络具有更高的预测精度,能够有效预测金融时间序列数据的长短期动态变化趋势,说明了其对金融时间序列数据预测的适用性与有效性。此外,对金融时间序列数据进行小波分解与重构,可有效提高LSTM预测模型的泛化能力,以及对长短期动态趋势的预测精度。     

时间序列分析在中国城市化进程分析中的应用

本文收集了1978年至2006年我国城市化进程的年度数据,建立了城市化进程的自回归移动平均模型(即ARMA模型).     

河南省农业竞争力的时间序列分析

文章从纵向角度定量分析河南省农业竞争力。在相关研究基础上,构建一个农业竞争力评价模型,选取部分代表性指标对河南省农业竞争力进行时间序列分析,据此重新划分农业发展阶段,由此提出提高河南省农业竞争力的建议。     

基于小波域隐马尔可夫模型的时间序列分析-平滑、插值和预测

提出一种基于小波域隐马尔可夫模型的时间序列分析方法.首先介绍了离散小波变换;并针对小波系数进行统计建模,分别讨论了单个小波系数的混合高斯模型、不同尺度小波系数之间的隐马尔可夫树结构、模型训练及似然计算等问题;其次,提出了关于时间序列插值、平滑和预测的统一数学模型,并运用极大后验概率估计和贝叶斯原理,将小波域隐马尔可夫模型作为先验知识给出了一种分析时间序列的新方法;然后,详细推导了时间序列重建问题的Euler-Lagrange方程及对数似然的导数计算,将时间序列的插值、平滑和预测归结为一个简单线性方程的求解;最后通过期望极大化(EM)算法和共扼梯度算法进行交替迭代来计算小波域隐马尔可夫模型参数和重建时间序列.实验结果表明该方法在经济领域时间序列分析中的有效性.     

时间序列分析在中国城市化进程分析中的应用

本文收集了1978年至2006年我国城市化进程的年度数据,建立了城市化进程的自回归移动平均模型(即ARMA模型)。     

甘肃省人均GDP时间序列分析

人均GDP的增长具有内在的规律性,本文以甘肃省1978～2007年人均GDP的时间序列数据资料为依据,建立了一个能够有效拟合甘肃省人均GDP变化的时间序列模型,以揭示甘肃省人均GDP增长变化的规律性。     

四川省CPI的时间序列分析

居民消费价格指数(CPI)是衡量宏观经济发展状况的指数之一。CPI把价格水平对宏观经济的影响概括在一系列可量化的统计数字中。时间序列分析中,基本的分析模型是ARMA模型和ARIMA模型。本文以四川省2009年至2014年的CPI统计数据为基础,借助相关分析软件,建立与现实情况较为吻合的分析模型,对四川省的CPI做时间序列分析。     

Excel与基于时间序列的动态市场预测分析

本文简要介绍了基于时间序列的分析方法。重点介绍其中的移动平均法，结合实例介绍基于移动平均法的市场预测方法、步骤及Excel实现。指出该方法具有通用性和动态适应性。     

基于EOF方法的福建省近50年雷暴日变化分析

该文利用福建省气象局提供的1961年²010年雷暴日观测数据,对福建省雷暴时空分布特征和规律进行探讨。结果表明:近50年来,福建省雷暴活动的3个典型空间分布类型为全省一致型、南北差异型和东西差异型,其中全省一致型是最主要的模态,解释了总方差的62.32%,反映了福建省雷电活动呈现出全省多发(少发)的同步变化特征,体现全省雷暴活动经历了由强到弱的变化;南北差异型说明北部雷暴活动经历了由强到弱的变化,而福建南部雷暴活动经历了由弱到强的变化;东西差异型说明福建东部沿海地区雷暴活动经历了由弱到强的变化;东西差异型说明福建东部沿海地区雷暴活动经历了由弱到强的变化,而福建西部、南部地区雷暴活动经历了由强到弱的变化趋势。     

基于时间序列分析股票上证指数走势

本文应用时间序列对上证指数历史数据进行研究分析,并建立预测模型,以研究2014年上证指数的变化规律。利用统计分析软件分别对其开盘价格进行分析,应用时间序列分析方法建立模型对上证指数作预测分析,以得出接近真实值的预测值,并对模型进行检验,证明有效后,对未来数据进行短期预测。     

基于小波分析的石油价格长期趋势预测方法及其实证研究

本文将小波方法引入到油价长期趋势的预测中,利用小波多尺度分析的功能,提出了一种可以较为准确地根据油价时序列预测其未来长期走势的方法。这种方法的优点在于可以准确地提取油价的长期趋势,从总体上把握油价的非线性波动特征,从而能够很好地利用油价时间序列的历史数据,开展对未来一段时期内的多步预测。实证研究中,对Brent油价开展了时间跨度为1年的趋势预测,并将预测结果与ARIMA、GARCH、Holtwinters等方法得到的结果进行了比较,表明了基于小波分析的长期趋势预测法的预测能力是其他方法所不能比拟的,反映了本文所建立的石油价格长期趋势预测方法的有效性。     

基于Box—Jenkins方法的中国季度GDP的时间序列分析

时间序列分析如今已经广泛应用于社会科学和自然科学的各个领域。尤其是在金融与宏观经济领域,由于大多数的数据的得到都是按照时间序列来获得的,因此通过时间序列分析从而在统计学意义上处理时间序列数据具有很大的灵活性。时间序列的分析方法很多,本文主要是通过运用Box-Jenkins的方法来分析中国近年来GDP的数据,并且进行一定程度的预测。选取的GDP数据是今年来的季度数据。     

一种非线性时间序列预测模型及对原油价格的预测

针对具有非线性和不稳定性的时间序列,提出一种结合小波分解、滑动平均离散差分方程和马尔可夫方法的动态预测模型.利用小波多尺度分解将原时间序列分解到不同频率通道上,然后对分解出的低频近似小波系数利用滑动平均离散差分方程预测模型进行预测,并利用马尔可夫方法对时间序列的高频细节小波系数进行预测,最后将低频和高频的预测结果进行小波重构得到时间序列的实际预测值.原油价格的时间序列是一类典型的具有非线性和不稳定性的序列,利用此模型对WTI原油(周度)价格进行实证预测分析,分别预测WTI原油价格的整体变化趋势和周度实际原油价格.研究结果表明,此模型不但可以有效地预测时间序列的整体变化趋势,能从细节上对其进行有效的刻画,而且比其他基于小波的预测模型具有更高的预测精度.可以看出国际原油价格从整体上呈现周期性上涨趋势,并且不稳定的随机波动也会一直存在.     

基于R语言的时间序列分析课程案例式教学的研究与应用

本文利用R语言实现时间序列分析课程中的案例分析,通过建立案例库进行案例式教学,在学生熟练掌握理论算法的前提下,培养其运用R语言进行数据分析和解决实际问题的能力。     

基于符号时间序列方法的金融收益分析与预测

引入符号时间序列分析方法从大尺度的角度分析收益变化的特征,提出了确定收益变化的主要模式并预测收益水平的方法。首先将收益序列转化为符号序列,由符号序列中不同的字代表不同的收益变化模式,根据符号序列直方图,可以确定收益变化的主要模式。然后,根据各收益变化模式的概率分布,在前几个时点收益水平确定的情况下,可以推知下一个或几个时点处于不同收益水平的概率,从而实现对收益水平的预测。对上证综指、深证成指以及上证工业股指数、上证商业股指数、上证地产股指数、上证公用事业股指数共六个股票指数的收益序列进行了实证分析,确定了各指数收益的主要变化模式,并基于主要变化模式进行了收益水平的预测,从而说明了该方法的有效性和可行性。     

违约预测的小波结构模型研究

本文针对上市公司违约预测问题,按照行业类型对我国2009年的上市企业进行分层抽样,构建了小波结构模型.小波结构模型通过应用小波变换来分解上市公司日收益序列,进而对低频序列和高频序列分别构建预测模型,再依据预测模型对未来收益进行预测,最后使用小波逆变换重构预测收益序列.通过小波结构模型可以避免时间序列模型进行收益波动预测的累加计算过程.在结合我国上市公司的实际数据对这两种模型的校验中,可以发现小波结构模型比时序结构模型在违约预测上有更好的识别力和准确度.     

基于时间序列模型下河南人均GDP的预测分析

以河南省1978-2013年的人均GDP统计数据为样本,通过序列平稳化处理,消除伪回归,在单位根检验的基础上通过模型识别选择了合适的模型,建立了河南省人均GDP的时间序列方程,以此对河南未来人均GDP进行了预测分析。研究表明,河南未来人均GDP仍处于较快增长阶段,但增速呈放缓趋势;河南在未来一段时间内仍将处于脱离"中等收入陷阱"阶段的经济发展关键期,距离世界银行公布的一万美元的中高端收入标准尚待时日。     

闲暇时间对我国经济增长影响的实证分析

经济增长问题的研究是世界经济学界一个永恒话题,文章诣在对闲暇时间对我国长期经济增长的影响效果进行实证方面的初步研究。选取23年(1988-2010)的时间序列数据用于本文研究,同时还引入一个新古典经济增长模型用来分析这些数据,分析结果表明,闲暇时间和经济增长之间存在一个显著的相关关系。