兵团农牧工消费结构与收入的关联分析及预测

居民消费结构是反映居民消费偏好、生活水平及经济发展水平的重要内容。而收入是决定居民消费水平的关键性因素。该文选取2003—2012年兵团的面板数据,运用灰色关联度模型对农牧工消费结构与人均纯收入进行分析,结果显示:在八大类生活消费支出中,食品支出、衣着支出受纯收入的影响最大。同时,利用灰色预测模型预测了2013—2016年农牧工各项消费支出及收入的变动趋势,结果表明:居住支出在总消费支出的比重超过食品支出,交通通讯支出、医疗保健支出、文教娱乐用品及设备支出受纯收入的影响较大,将成为兵团农牧工消费新热点。     

Invertibility of non-linear time series models

Sufficient conditions for invertibility of non-linear time series models are available in the literature only for a few special cases. In this paper a practical and general method for checking invertibility is presented. Briefly stated, it consists of feeding independent and identically distributed innovations into the non-linear model and then observing whether the model blows up or not. Using this idea invertibility conditions are derived for several recently proposed non-linear moving average models. Finally, the method is applied to a number of bilinear models fitted to economic time series.     

北京市能源、经济协调关系分析与需求预测

本文就北京市现阶段能源生产、消费状况进行分析,并利用计量经济模型对北京市经济发展与能源消费增长间的关系进行研究,最后对北京市未来的能源需求进行预测。     

我国投资者情绪对股票收益影响——基于面板数据的研究

基于基金的资金流量构造投资者情绪指标,应用面板数据模型对我国投资者情绪与股票收益之间的关系展开研究,结果表明情绪对股票收益具有显著影响,其中乐观情绪的影响高于悲观情绪,而极端情绪在我国市场中具有独特的预测能力。利用行为金融学理论建立合理的情绪指标,可以作为预测市场未来波动的可靠指针,为我国证券投资者及监管者提供决策参考依据。     

混沌时间序列及其在我国GDP（1978-2000）预测中的应用

混沌经济时间序列的预测方法研究是混沌经济非线性动力系统的重要内容。本文利用混沌动力学原理,通过混沌时间序列的相空间重构,运用局域预测方法,建立了预测模型。并用其确立的混沌动力学模型对1978～2000年我国GDP进行了预测。把此预测结果与实际值进行了比较,结果证明误差较小。同时还将此预测结果与用指数平滑法建立的预测模型的预测结果相比,结果表明混沌时间序列建立的模型其短期预测效果更好。     

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。     

Short-term forecasting with a computationally efficient nonparametric transfer function model

In this paper a semi-parametric approach is developed to model non-linear relationships in time series data using polynomial splines. Polynomial splines require very little assumption about the functional form of the underlying relationship, so they are very flexible and can be used to model highly non-linear relationships. Polynomial splines are also computationally very efficient. The serial correlation in the data is accounted for by modelling the noise as an autoregressive integrated moving average (ARIMA) process, by doing so, the efficiency in nonparametric estimation is improved and correct inferences can be obtained. The explicit structure of the ARIMA model allows the correlation information to be used to improve forecasting performance. An algorithm is developed to automatically select and estimate the polynomial spline model and the ARIMA model through backfitting. This method is applied on a real-life data set to forecast hourly electricity usage. The non-linear effect of temperature on hourly electricity usage is allowed to be different at different hours of the day and days of the week. The forecasting performance of the developed method is evaluated in post-sample forecasting and compared with several well-accepted models. The results show the performance of the proposed model is comparable with a long short-term memory deep learning model.     

香港和深圳市铁路需求预测

亚洲的许多城市为解决城市交通问题，正关注铁路系统并允许进一步发展．对铁路系统的规划与设计必须有强有力的预测，同时对于有效路径选择效用方面的细微差别必须是敏感的．EMME／2中缺省的公交分配程序能生成出行费用矩阵，这些矩阵适用于战略模型，但是在用这个缺省的程序对铁路进行具体的预测时限制会增加．本文简述了基于logit模型的多路径公交EMME／2模型结构，它适用于低服务间隔的城市铁路网．该模型允许子模式（铁路或其他）的选择，车站和车站间路径的选择，并描述了所必需的网络编码和交通分配增加的自由选择等特征．