ARIMA融合神经网络的人民币汇率预测模型研究

本文在深入分析了单整自回归移动平均(ARIMA)模型与神经网络(NN)模型特点的基础上,建立了ARIMA融合NN的人民币汇率时间序列预测模型。其基本思想是充分发挥两种模型在线性空间和非线性空间的预测优势,即将汇率时间序列的数据结构分解为线性自相关主体和非线性残差两部分,首先用ARI-MA模型预测序列的线性主体,然后用NN模型对其非线性残差进行估计,最终合成为整个序列的预测结果。通过对三种人民币汇率序列的仿真实验表明,融合模型的预测准确率显著高于包括随机游走模型在内的单一模型的预测准确率,从而证实了融合模型用于汇率预测的有效性。这一结果也表明,人民币汇率市场并不符合有效市场假设,可以通过模型对汇率未来走势做出较准确预测。     

汇率波动对企业出口的非线性影响--基于微观层面数据的研究

院当前人民币汇率波动的趋势明显,研究出口企业如何应对汇率波动具有现实意义。文章采用微观层面的数据并借助门限回归模型来考察汇率波动对中国企业出口的非线性影响,结果表明企业出口受汇率波动的影响要小于汇率水平变化的影响,且不同的汇率波动幅度下企业的出口行为不尽相同。人民币汇率波幅较小时未对企业出口造成负向作用,但当人民币汇率波幅较大时企业出口会受到明显的负向冲击,当人民币汇率波幅更进一步扩大时由"优胜劣汰"的市场选择使得最具竞争力的出口企业留在国际市场,因而汇率波动对企业出口的负向作用有所减弱。     

区间映射规则下的时间序列相似形态搜索算法——基于改进的正则化损失函数

时间序列数据是一种随机过程,历史的波动趋势在不同的时期看来往往似曾相似。本文使用用可解释性的符号来刻画时间序列变化形态,改进了基于符号聚合相似的搜索模型,在原始搜索模型中引入改进的参数优化准则HIC,并提供了将字符转义为数值的变换方法,用于度量两个形态间的相似程度。结果表明,改进的模型实现了字符、数值的相互转化,且满足距离下界原理;参数的优化准则稳健的提高了模型的搜索精,有效的降低了算法复杂度。     

基于预测有效度成分数据处理方法组合预测

为提高成分数据时序预测准确性,提出一种以二阶预测有效性作标准的多种数据处理方法的组合预测。选择成分数据的多种数据转化方法,将有约束时序用对数比,中心对数,超球面变换方法转换成无约束时序后,利用ARIMA—ANN模型对转换后无约束时序预测,对结果做反变换,恢复为成分数据得单项预测结果。最后对得到的单项预测结果进行基于二阶预测有效度的加权几何平均组合,得到相对最优的组合预测结果。     

人民币升值、汇率波动与房价调控

本文运用EGARCH模型求出人民币汇率波动的量度,然后在VAR模型的基础上,通过协整分析、Granger因果检验、脉冲响应等方法进行实证检验.研究表明:(1)人民币升值会推动房价上涨;(2)房价上涨会进一步加大人民币升值压力,人民币升值与房价上涨二者之间存在正反馈效应;(3)扩大人民币汇率波动区间会降低房价.在当前扩大人民币汇率波动区间能够在一定程度上避免为保持经济平稳较快发展而产生的对高房价调控的有所顾虑的可能行为,从而有利于加强对高房价的调控.     

基于自组织数据挖掘的电子商务客户流失预测模型

为解决电子商务客户流失预测中的高维、非线性问题,本文将自组织数据挖掘理论(SODM)引入客户流失预测,提出一种新颖的基于自组织数据挖掘的电子商务客户流失预测模型。该方法将自组织数据挖掘中的客观系统分析算法(OSA)和改进分组数据处理网络(GMDH)集成起来进行电子商务客户流失预测。首先利用OSA算法选择出重要的电子商务客户流失关键属性,然后将训练样本送入改进GMDH网络进行学习和训练,进而对测试样本客户流失状态进行判别。将该方法应用于某网上商店客户流失预测实证分析,预测结果验证了该方法对包含多种因素影响的电子商务客户流失预测具有优势,基于自组织数据挖掘的电子商务客户流失预测模型具有较强的实用性和可操作性。     

差异演化算法优化灰色模型的负荷预测

传统灰色预测模型GM(1,1)在预测增长较快的电力负荷时预测效果会变差,为克服这一缺陷,首先对原始数据进行开次方处理使数据增长变平稳,再将差异演化算法与GM(1,1)模型相结合,利用差异演化算法求解GM(1,1)模型中的参数。电力负荷预测实例结果表明该模型具有较高的预测精度和较广的应用范围。     

基于粒子群优化算法(PSO)的电力需求预测分析

在电力需求预测领域,本文提出了基于粒子群优化算法(PSO)的组合预测模型,选用灰色GM(1,1)模型和BP神经网络作为单个预测模型,并在BP神经网络中将GDP指标做为输入。同时考虑了GDP对电力需求的影响,最后利用PSO对组合预测模型中的权系数进行优化以得到最优结果。根据真实数据所做对比,本文所提出的PSO算法在预测精度上较单一预测模型相比有了较大幅度的提高。     

基于ARCH族高频日汇率波动的实证分析

准确测量汇率波动是进行汇率预测和风险控制的基础。本文通过美元／日元的高频日汇率数据的实证研究，检验了金融时间序列的“尖峰厚尾性一特征，并且通过对GARCH、TGARCH和EGARCH的模型估计，验证了汇率市场在信息不对称条件下，对好消息和坏消息有不同程度的波动反应，金融市场的杠杆作用是明显的。为正确认识汇率波动原因，分析汇率走势，制定外汇政策提供了参考。     

汇率预测:一个新的非参数支持向量回归方法

本文利用一个新的非参数支持向量回归(SVR)方法来预测基于非线性ARI模型的汇率时序变量,并且与最大似然法(MLE)和人工神经网络(ANN)的预测结果进行比较。从理论上讲,MLE和ANN方法仅侧重于样本内拟合,而SVR方法则同时考虑了拟合和预测,因此,其预测能力在现有方法中是最强大的。本文选择中国、韩国、印度和瑞士四种货币的日汇率来进行预测检验,实证结果支持SVR方法具有最强的预测能力。