Testing Multiple Forecasters

We consider a cross‐calibration test of predictions by multiple potential experts in a stochastic environment. This test checks whether each expert is calibrated conditional on the predictions made by other experts. We show that this test is good in the sense that a true expert—one informed of the true distribution of the process—is guaranteed to pass the test no matter what the other potential experts do, and false experts will fail the test on all but a small (category I) set of true distributions. Furthermore, even when there is no true expert present, a test similar to cross‐calibration cannot be simultaneously manipulated by multiple false experts, but at the cost of failing some true experts.     

基于相关系数的钢材需求量组合预测

近年来我国钢材消费量和产量大幅提升,在1997～2006年的10年里分别增长了308%和367%,虽然同期内国内铁矿石产量也增加了119%,但仍无法满足钢铁工业的需求,对外依存度从28.5%提升到51.8%。在对钢材以及铁矿石消费量的预测实践中,由于不同的预测方法能够提供不同的有用信息,其预测精度往往也存在差异,为了分散预测的风险,文章采用基于相关系数的组合预测方法对我国未来的成品钢材需求量进行预测,并对预测结果进行了深入分析。结果表明,基于相关系数的组合预测模型在预测准确性和适应性方面均能得到一定改善,能很好地对钢材需求量进行科学、有效的预测。     

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。     

二重趋势性季节型电力负荷预测组合灰色神经网络模型

对于具有增长和波动二重趋势性的季节型电力负荷,首次提出了季节型负荷预测的组合优化灰色神经网络模型,研究了同时考虑两种(非线性)趋势的复杂季节型负荷预测问题,说明了此优化模型分别优于两种单一发展趋势负荷预测模型,给出了电力负荷预测的应用实例,为季节型电力负荷预测提供了一种新的、有效的方法。     

基于加权案例推理模型族的软件成本SVR组合估算

精确地估算软件成本是软件项目成功开发的一个重要保证,直接影响着软件的风险控制和质量保证.为了更好地解决单一估算模型的不足,提出了集成多案例推理(CBR)模型的软件成本组合估算模型.首先,采用六种距离计算公式刻画新旧项目相似度,构建了六种CBR模型,并运用粒子群算法(PSO)来优化CBR模型族中的属性权重.其次,在CBR模型族的基础上,运用支持向量回归机(SVR)模型将不同CBR模型的估算结果进行集成,提高软件成本估算结果的精度.利用Deshamais数据库对模型有效性进行检验,实证结果表明,在六种CBR模型中Euc-CBR、Min-CBR、Gau-CBR和Mah-CBR模型估算结果没有明显差异,Gre-CBR和Man-CBR模型略优;提出的SVR组合估算模型估算精度明显优于单CBR模型和其他线性组合估算模型,能有效提高软件成本的估算精度.     

Forecasting mortality rates via density ratio modeling

The authors propose a semiparametric approach to modeling and forecasting age‐specific mortality in the United States. Their method is based on an extension of a class of semiparametric models to time series. It combines information from several time series and estimates the predictive distribution conditional on past data. The conditional expectation, which is the most commonly used predictor in practice, is the first moment of this distribution. The authors compare their method to that of Lee and Carter.     

实用Box-Jenkins预测模型及应用

介绍 Box-Jenkins 的实用预测模型,并提出用随机模拟法模型的参数进行估计。与通常使用的最小二乘法相比,模拟法无需考虑初始值的选取,就能保证迭代过程的收敛性。整个程序的编制使用模块化结构,使预测者无需了解太多的这方面知识,就能方便地使用。在案例的预测过程中,只需进行几次人工干预,就能输出多种分析结果。     

股指期货信息内含股价变动信息的挖掘 ――小波框架与支持向量回归的金融建模应用

 内容提要：中国股指期货的推出指日可待,交易者多了一种投资工具的同时也带来了新的风险。建立准确的金融时间序列预测模型是逐利及避险的方法之一,一直是学者专家研究的热点。本研究结合小波转换与支持向量回归,提出一个二阶段时间序列预测模型。先以离散小波框架将预测变量分解成不同尺度的多个子序列,揭示隐藏在预测变量内的信息,再以支持向量回归为工具,以这些子序列为预测变量建构SVR模型。本研究以日经225指数开盘价为预测目标,以期货开盘价为预测变量对模型进行实证研究,结果显示,该模型的预测绩效比单纯SVR模型及随机漫步模型好。未来可尝试以不同的基底函数作进一步研究。     

基于分形理论的时尚商品价格预测问题研究

在研究时尚商品价格规律及影响因素的复杂性、不确定性的基础之上，提出了基于分形理论的时尚商品价格预测新方法。该方法首先运用重标极差法分析了时尚商品价格时间序列预测的可行性，然后根据分形统计模型，得到时尚商品历史价格时间序列的分形维数，通过不断增加新销售或预测得到新的记录方法，求得增加新记录后的新分形维数，由此可以预测出下一时间单位的商品销售价格。通过实例进行了方法检验和结果比较，取得了较为理想的预测结果，证明了该方法的可行性和有效性。     

基于PDL模型的我国省域人口总量预测方法研究——以甘肃省为例

在我国省域人口总量预测领域，基于时间序列分析的PDL模型目前尚未得到充分使用。文章以甘肃省为例，运用混合有限PDL模型，通过其与分要素预测法之间的预测效果对比，对其在这一领域的应用进行尝试性的分析和探讨。