非线性经济预测中的神经网络模型与应用

文章讨论了神经网络用于非线性经济系统建模与预测的问题和方法.主要探讨了如下几个问题:(1)相关变量的选择;(2)运用改进遗传算法学习神经网络连接权值;(3)模型阶数确定准则;(4)观测数据的可预测性与模型的有效性检验;(5)缺损值的处理.     

基于VaR-GARCH模型的机场货运量数据实证研究

机场货运量一直是机场各种数据预测中最难以预测的一种。该数据预测结果的准确性直接影响到机场高层决策者决策的效果,对管理者日常经营活动的安排也至关重要。文章将广泛应用于金融风险管理中的VaR方法,引入到非金融领域,以上海机场为应用背景,对机场货运量波动情况分析预测问题进行了讨论。使用GARCH模型对机场货运量数据波动性进行检验。将计算所得的VaR值与利用ARMA模型计算出的预测值相结合得出机场货运量的最大波动预测区间。经过采用配对样本差异性t检验过程对机场货运量的真实值和预测值进行检验,得出货运量的预测值与真实值不存在显著性差异,说明采用本方法得出的预测结果合理可靠。     

时间序列神经网络预测模型

本文讨论神经网络用于非线性动态系统建模与预测的问题和方法，主要考虑了如下几个问题：（１）相关变量的选择；（２）观测数据的可预测性与模型的有效性检验；（３）运用改进遗传算法学习神经网络连接权值。本文预测建模方法已用于一个决策支持系统中，并取得了较好的效果     

关于Bayes公式的一些极限性质

定义1 设{M_n,n≥0}是可测空间(S,B)上的一列测度,若存在A_i∈B,i=1,2,…,使得 UA_i=S且有 M_n(A_i)< ∞ i=1,2,…,n=0,1,…,则称测度列{M_n,n≥0}是可测空间(S,B)上的关于{A_i,i≥1}的一致σ——有限测度列,简称一致σ——有限。     

贝叶斯时间序列方法研究与应用评述

文章对贝叶斯时间序列方法的研究与应用现状进行了评迷,内容包括一元时间序列、多元时间序列及模型识别等三个方面,以期为该方面的研究与应用者提供参考.     

非线性经济预测中的神经网络方法评述

文章对非线性预测中的神经网络方法的研究与应用现状进行评述,尤其讨论了我国近年来的发展情况,为我国该方面的研究者提供参考.     

多观测变量状态空间重构技术及应用

为适应于多个观测变量的状态空间重构问题,对混沌与非线性经济学中状态空间重构技术与Takens嵌入定理进行了推广,给出了多个观测变量状态空间重构意义下相关维数的计算方法.作为应用讨论了度量两列时间序列非线性相关性的一种方法.仿真结果与应用实例说明,该方法可较好地用于解决非线性经济预测中的变量选择问题.