FEPA-金融时间序列自适应组合预测模型

本文报告一种金融时间序列预测的信号分析、信息融合与智能计算组合模型,简称FEPA,由针对金融时间序列（FTS）信号分析的经验模态分解（EMD）、用于数据降维的主成分分析（PCA）和用于非线性建模的人工神经网络（ANN）三部分组成。该模型首先应用滑动窗口截取原始金融时间序列最近期数据集,应用EMD分解算法把数据集分解成不同尺度的本征模态函数（IMF）,然后通过主成分分析将分解后的数据降维,提取最有信息量的特征;然后将这些特征输入到神经网络进行组合预测。本文提出的组合预测模型FEPA是基于分解-提优-合成的信息融合思想,有效提高了预测可靠性。其创新点在于：1）首次给出了EMD算法的结构化表达,提供了今后融合更多信息的算法接口;2）通过多步长预测输出深入研究EMD分解的有效信息结构;3）通过切换到更细时间框架来处理EMD的端点效应,并探索了两级时间框架下的预测效果;4）给出了金融时间序列组合预测模型的一般性架构,具有可升级性和可扩展性。并且通过滑动窗口EMD使得实证更能切近实际。通过在沪深300股指和澳大利亚股指上的实证,结果表明FEPA预测模型在沪深300股指日线和15分钟线上的预测命中率高达78%和82%,在澳大利亚股指日线上也达到了74%的命中率,经比较,明显高于文献中常见的5种模型。     

季节性数据特征驱动的电子废弃物回收规模分解集成预测建模研究

电子废弃物回收规模预测是政府制定循环经济发展规划和有关补贴政策、企业进行资源回收价值评估和产能优化的基础。本文考虑电子废弃物回收规模季度数据的季节性数据特征可能导致传统单模型预测误差偏大、预测结果不稳定等问题，基于“分解-集成”的思想提出了季节性数据特征驱动的电子废弃物回收规模预测CH-X12/STL-X框架。首先，基于Canova-Hansen(CH)检验对电子废弃物回收规模时间序列的季节性数据特征进行识别，继而对适于进行季节性分解的时间序列采用X12乘法模型或时间序列季节性分解(Seasonal-trend Decomposition Procedure Based on Loess，STL)模型实现季节性分量提取。然后，采用Holt-Winters模型对获得的季节性分量进行预测，并以支持向量回归模型(Support Vector Regression，SVR)预测分解获得的其他分量。最后，通过对各个分量预测结果的线性求和以得到最终的预测结果。实证结果表明，提出CH-X12/STL-X预测框架能够较好地满足不同季节性数据特征驱动的时间序列预测建模需求，且较传统单模型(Holt-Winters模型、季节性差分自回归滑动平均模型、SVR模型)在预测性能上表现良好且稳定。     

基于滚动时间窗的碳市场价格分解集成预测研究

提高碳市场价格预测准确性对于交易风险监测以及碳市场平稳发展具有重要价值。针对复杂的、非线性碳市场价格数据的短期预测误差偏大、分解过程易产生数据泄露问题，提出了基于滚动时间窗的SSA-SVR分解集成预测框架。首先，选取时间窗数据，继而借助奇异谱分析将时间窗内碳价序列分解重构为高、低频序列；然后，使用支持向量回归方法对高、低频序列分别进行预测；最后，加和集成预测结果，得到下一时刻的碳市场价格预测值。通过不断更新时间窗的数据内容，动态执行“分解-预测-集成”过程，实现碳市场价格的实时预测。研究结果表明，本文所提出框架表现出优异且稳定的预测性能，在碳市场价格预测研究中具有良好的适用性和有效性。     

集成k-means聚类和有监督特征选择的混合式协同过滤推荐

为了提高协同过滤推荐质量,提出了集成k-means聚类和有监督特征选择的混合式协同过滤推荐框架和KDICF算法。利用有监督特征选择的方法和技术,找出与待预测项目强相关的项目集,将高维稀疏的用户-项目评分数据集转为低维用户-项目评分数据集,并运用k-means聚类,在此基础上寻找近邻用户对目标用户未评分项目进行评分预测。实验结果表明,混合式KDICF算法有着优异的性能。     

仿EM的多变量缺失数据填补算法及其在信用评估中的应用

数据缺失会显著降低信用评估模型的准确性和可用性,尤其是多变量同时有数据缺失时。本文针对模型应用阶段的多变量数据缺失问题,提出了一种新的数据填补算法。该算法由两阶段构成：准备阶段和数据填补阶段。在准备阶段,算法基于朴素贝叶斯方法以初始数据集进行训练,对每个可能缺失的变量构建起相应的单变量预测估计模型;而数据填补阶段则借鉴了EM算法的思想,利用前期的单变量预测估计模型,对给定的多变量数据缺失样本进行交替迭代,逐步填补更新。理论证明,该算法具有单调收敛性。以人人贷数据集和UCI提供的德国和澳大利亚两个信用评估基准数据集为例,将其与众数填补法、EM填补法进行性能对比实验,结果表明本文方法的数据还原性能和填补后信用评估准确性都明显更优。这为解决信用评估时的数据多变量缺失问题提供了一种更好的处理方法。     

融合视角下创业生态系统阶段特征演化研究：基于深圳上市公司的文本分析

融合创业学、生态隐喻与系统论3个理论视角,建构创业生态系统特征分析框架,并以深圳证券交易所271家本地上市公司的年报作为文本分析样本,在识别深圳创业生态系统演化阶段的同时对特征框架进行验证。研究表明：创业机会集创新程度、生态位重叠程度以及主体间共生程度,是创业生态系统阶段特征演进的判别标准;深圳创业生态系统遵循“生态位低重叠—创造型机会集—线共生”→“生态位高重叠—复制型机会集—面共生”→“生态位低重叠—改进型机会集—体共生”的特征演化路径。     

基于修剪平均的神经网络集成时序预测方法

由于复杂时序存在结构性断点和异常值等问题，往往导致预测模型训练效果不佳，并可能出现极端预测值的情况。为此，本文提出了基于修剪平均的神经网络集成预测方法。该方法首先从训练数据中生成多组训练集，然后分别训练多个神经网络预测模型，最后将多个神经网络的预测结果使用修剪平均策略进行集成。相较于简单平均策略而言，修剪平均策略不容易受到极值的影响，能够使集成模型获得鲁棒性强的预测效果。在实证研究中，本文构造了两种神经网络集成预测模型，分别为基于修剪平均的自举神经网络集成模型(Trimmed Average based Bootstrap Neural Network Ensemble, TA-BNNE)和基于修剪平均的蒙特卡洛神经网络集成模型(Trimmed Average based Monte Carlo Neural Network Ensemble, TA-MCNNE)，并采用这两种模型对NN3竞赛数据集进行预测，结果表明在常规和复杂数据集上，修剪平均策略比简单平均策略具有更好的预测精度。此外，本文将所提出的集成模型与NN3的前十名模型进行比较，发现两种模型在全部数据集上均超过了第6名，在复杂数据集上的表现均超过了第1名，进一步验证本文所提方法的有效性。     

银行客户信用评估动态分类器集成选择模型

现实的银行客户信用评估数据常包含大量的缺失值,这在很大程度上影响了信用评估模型的性能.针对已有模型的不足,提出了面向缺失数据的动态分类器集成选择模型DCESM.该模型充分利用数据集中所包含的已知信息,在训练信用评估模型之前不需要事先对缺失数据进行预处理,从而减少了对数据缺失机制假设以及数据分布模型的依赖.从UCI数据库中选择两个银行信用卡业务信用评估数据集进行实证分析,结果表明,与4种常用的基于插补法的多分类器集成模型以及1种直接面向缺失数据建模的集成模型相比,DCESM模型能够取得更好的客户信用评估性能.     

基于随机Petri网的零售企业数字化转型要素与演化情景仿真

运用扎根理论与案例研究方法，在提炼出影响零售企业数字化转型要素基础上，遵循“目标-行为-结果”逻辑思路，采用“位势-过程-路径”动态能力三维分析框架，提出其内在演化系统，构建零售企业数字化转型的随机Petri网模型与等价马尔科夫链模型，利用情景仿真方法对实例对象的均衡状态变动规律及其发展路径进行剖析。     

基于组合插值的GM(1,1)模型预测方法的改进与应用

从理论上分析了GM(1,1)模型中的背景值,提出组合插值的思想,利用分段线性插值函数与Newton插值公式结合的方法构造一类新的灰色预测模型CIGM(1,1),改进背景值的构造方法,克服现有的灰色改进模型的不足,为提高预测精度提供了新的途径。最后以2008年江苏省工业用电量数据为例,用本文提出的方法进行预测仿真,理论分析和应用实例表明了本文所提方法的有效性。     

考虑促销因素的医药电商平台需求预测研究

医药电商平台需求预测涉及到药品自身属性及电商平台推出的各种促销活动,本文针对以上影响药品销量的因素提出了时间序列-机器学习组合模型对医药电商平台进行需求预测。传统研究促销因素的需求预测文献将促销阶段商品销量拆分为常规销量和促销增量的线性组合,本文首先拟合各药品促销阶段的常规销量,根据各药品常规销量时间序列数据及服用周期,使用SARIMA模型拟合药品的常规销量预测值,并将常规销量预测值与商品促销特征数据一同输入XGBoost模型进行集成学习预测。本文使用国内某医药电商平台真实销售数据测试组合模型的有效性,结果显示组合预测模型的预测效果相比其他三种传统预测模型更优。此外,本文验证了不同折扣力度下组合预测模型的有效性,以及促销变量在预测模型中的有效性,同时研究了数据共享策略在需求预测中的应用场景,结果显示预测模型在引入促销变量和采用数据共享策略后都能显著降低模型的预测误差。     

基于季节调整和Holt-Winters的月度负荷预测方法

针对负荷序列中异常数据会导致模型误设或参数估计发生偏差的问题,提出利用季节调整方法,先对原始负荷序列进行季节调整,获得消除离群值、节假日影响的季节调整后序列和季节成分序列;然后用改进的Holt-Winters方法对季节调整后成分进行预测,用虚拟回归方法预测季节成分序列;最后对各成分预测结果重构得到最终预测结果的月度负荷预测方法。通过实例检验,提出的方法能明显提高预测精度,预测效果要优于季节性Holt-Winters、SARIMA、神经网络、支持向量机等模型。     

基于二次分解策略和模糊时间序列模型的航空客运需求预测研究

提高航空客运需求预测的准确性对于航空公司以及整个航空运输系统的发展都具有重要的现实意义。以往研究普遍采用单一分解策略去处理航空客运需求时序中存在的复杂特征,以此提升组合模型的预测性能。然而传统的分解策略存在着特征提取不完全、分解方法带有固有缺陷等问题,导致组合模型预测效果不能得到充分的提升。为此,本文提出一种基于二次分解策略和模糊时间序列模型的航空客运需求预测方法。该方法首先利用季节调整模型（X12-ARIMA）将原始时序分解成季节成分序列与季节调整后序列,继而利用改进的自适应噪声集成经验模态分解方法（ICEEMDAN）将季节调整后序列分解成一系列不同时间尺度的本征模态函数（IMF）和残差序列（Residue）。然后使用基于模糊C均值算法（FCM）划分论域区间的FTS模型对季节成分序列、各IMF分量以及残差序列分别进行预测。最后将各分量序列的预测结果进行集成,重构出航空客运需求的预测值。实证结果表明,本文所提出的二次分解策略表现显著优于传统的分解策略,并且本文所提出模型对于航空客运需求预测有着较高的准确性。     

The Value of Weather Information for E‐Commerce Operations

To be efficient, logistics operations in e‐commerce require warehousing and transportation resources to be aligned with sales. Customer orders must be fulfilled with short lead times to ensure high customer satisfaction, and the costly under‐utilization of workers must be avoided. To approach this ideal, forecasting order quantities with high accuracy is essential. Many drivers of online sales, including seasonality, special promotions and public holidays, are well known, and they have been frequently incorporated into forecasting approaches. However, the impact of weather on e‐commerce operations has not been rigorously analyzed. In this study, we integrate weather data into the sales forecasting of the largest European online fashion retailer. We find that sunshine, temperature, and rain have a significant impact on daily sales, particularly in the summer, on weekends, and on days with extreme weather. Using weather forecasts, we have significantly improved sales forecast accuracy. We find that including weather data in the sales forecast model can lead to fewer sales forecast errors, reducing them by, on average, 8.6% to 12.2% and up to 50.6% on summer weekends. In turn, the improvement in sales forecast accuracy has a measurable impact on logistics and warehousing operations. We quantify the value of incorporating weather forecasts in the planning process for the order fulfillment center workforce and show how their incorporation can be leveraged to reduce costs and increase performance. With a perfect information planning scenario, excess costs can be reduced by 11.6% compared with the cost reduction attainable with a baseline model that ignores weather information in workforce planning.     

Estimating the Impact of Understaffing on Sales and Profitability in Retail Stores

In this study, we use hourly data on store traffic, sales, and labor from 41 stores of a large retail chain to identify the extent of understaffing in retail stores and quantify its impact on sales and profitability. Using an empirical model motivated from queueing theory, we calculate the benchmark staffing level for each store, and establish the presence of systematic understaffing during peak hours. We find that all 41 stores in our sample are systematically understaffed during a 3‐hour peak period. Eliminating understaffing in these stores can result in a significant increase in sales and profitability in these stores. Also, we examine the extent to which forecasting errors and scheduling constraints drive understaffing in retail stores and quantify their relative impacts on store profits for the retailer in our study.     

Traffic‐Based Labor Planning in Retail Stores

Staffing decisions are crucial for retailers since staffing levels affect store performance and labor‐related expenses constitute one of the largest components of retailers’ operating costs. With the goal of improving staffing decisions and store performance, we develop a labor‐planning framework using proprietary data from an apparel retail chain. First, we propose a sales response function based on labor adequacy (the labor to traffic ratio) that exhibits variable elasticity of substitution between traffic and labor. When compared to a frequently used function with constant elasticity of substitution, our proposed function exploits information content from data more effectively and better predicts sales under extreme labor/traffic conditions. We use the validated sales response function to develop a data‐driven staffing heuristic that incorporates the prediction loss function and uses past traffic to predict optimal labor. In counterfactual experimentation, we show that profits achieved by our heuristic are within 0.5% of the optimal (attainable if perfect traffic information was available) under stable traffic conditions, and within 2.5% of the optimal under extreme traffic variability. We conclude by discussing implications of our findings for researchers and practitioners.     

基于二次插值的GM(1,1)模型预测方法的改进

从理论上分析了GM(1,1)模型中背景值的计算,指出文[11]利用Newton-Cotes公式构造模型背景值的方法是不可靠的,提出用二次插值构造模型中的背景值,同时用最小二乘法对预测公式中的初值进行改进,并用改进的方法进行了短期预测.其理论分析及仿真结果均表明本文所提出的方法有效可靠,为提高预测精度提供了新的途径.     

基于网络搜索信息的农村水环境质量灰色预测模型

针对农村水环境直接监测数据相对缺乏、间接数据难以有效引入的问题，综合灰色关联分析和预测模型，提出一种基于网络搜索信息的农村水环境质量灰色预测模型。首先，综合考虑数据重要性和可获得性，确定农村水环境相关的搜索关键词清单；然后，采用主成分分析法提取搜索关键词的主要特征，构建初始网络搜索变量，并利用灰色绝对关联度衡量各初始网络搜索变量与水环境质量之间的关联程度。在此基础上，构建不同频率数据的多变量离散灰色模型，将强关联变量的降频数据作为多变量离散灰色模型的驱动因素，从而构建基于网络搜索信息的农村水环境质灰色预测模型。实例分析结果表明，相对于传统灰色模型，引入网络搜索信息可以提高农村水环境预测精度，为农村水环境治理提供决策支持。     

不同线上销售模式的产品定价策略研究

现售和预售是线上销售的主要模式。考虑不同模式下消费者对产品估值的差异,分析现售、预售和混合销售（同时开展现售和预售）三种模式下消费者购买决策过程,构建Stackelberg博弈和Nash均衡模型,得到三种模式的产品均衡定价及需求,并探讨开展不同销售模式对应的消费者估值差异阈值以及不同主导结构对供应链企业绩效的影响。结果表明：任意主导结构下,销售模式只会影响现售产品价格,对预售产品定价没有影响;任意销售模式下,制造商主导结构的产品定价和批发价更高,但产品销售量较低;消费者延迟收货敏感度增强使预售模式的供应链成员企业的利润降低,但混合销售模式可以有效防止由此引起的损失,且制造商主导可以同时实现供应链成员企业的利益最大化。