小波与混理论相结合的汇率预测

应用小波变换和混沌理论提出了一种汇率建模及预测的方法。首先应用小波分解理论对汇率序列进行分解,得到低频部分和高频部分;然后在此基础上作进一步分析,以确认高、低频部分都存在混沌特性;再应用混沌理论分别建立高、低频部分的预测模型,进行预测;最后对混沌模型预测的结果予以小波重构,实现对原始汇率序列的预测。对两种主要货币兑美元的日汇率序列进行了实证。研究表明,该方法具有较高的精度,并具有极大的应用前景。     

小波包与混沌和神经网络相结合的人民币汇率预测研究

为了更精确地预测人民币汇率,基于小波包与混沌和神经网络相结合提出一个三阶段时间序列预测方法。首先对汇率序列进行小波包分解,并对分解后所得到的各子序列作混沌分析与判定;然后,基于混沌理论与神经网络相结合分别构建各子序列的混沌-神经网络预测模型;最后,将各个序列的预测结果进行重构,得到最终预测结果。实证结果表明,该方法具有较高的预测精度,可以为人民币汇率提供更加准确的预测。     

人民币汇率预测的小波方法研究

应用小波变换提出一种人民币汇率预测的方法。首先应用小波变换对人民币汇率序列进行分解,得到低频部分和高频部分;然后。对低、高频部分作进一步分析,以确认它们都存在混沌特性;再应用混沌理论分别建立低、高频部分的预测模型,进行预测;最后应用小波理论对混沌模型预测的结果予以重构,实现对人民币汇率的预测。以人民币兑美元日汇率序列为...     

小波ARMA模型和ARIMA模型对上证指数的预测效果探究

利用小波分析的局部化性质,以非平稳的时间序列上证指数收盘价为实验目标,首先建立传统的时间序列模型ARIMA模型,并做出预测;然后用小波分析与自回归移动平均模型相结合的方法建立小波ARMA模型,做出预测;最后,通过相对误差和平均绝对误差和对二者的预测效果做比较,结果表明:在上证综指序列预测分析中,小波ARMA模型相比单纯的ARIMA模型,其拟合和预测精度都比较高。     

人民币汇率预测研究——小波与混沌理论相结合视角

本文首先应用小波变换对人民币汇率序列进行分解,得到低频部分和高频部分;然后,对低、高频部分作进一步分析,以确认其都存在混沌特性;再应用混沌理论分别建立低、高频部分的预测模型,进行预测;最后应用小波理论对混沌模型预测的结果予以重构,实现对人民币汇率的预测.文章以人民币兑美元日汇率收益序列为例进行实证研究,结果表明,本文7的预测方法具有较高的精度和较大的应用前景.     

公路交通运输量GM-Markov综合预测模型研究

为了提高公路交通运输量的预测精度,在介绍一般模型的基础上,建立了GM-Markov预测模型,它是将灰色预测方法与Markov预测模型优化组合,用灰色预测模型GM(1,1)预测随机时间序列数据的总体发展趋势,而用Markov模型预测各数据在总体趋势下的随机波动性变化,得到随机时间序列数据趋势预测模型的解。通过公路货运量的实际数据进行了验证,结果表明:GM-Markov预测模型既能预测参数随机数据序列的总体趋势,又能适应波动性较大的随机序列变化,其预测精度高于GM(1,1)模型的预测精度。     

基于小波网络的非线性预测应用研究

将小波神经网络作为非线性时间序列的辨识模型 ,通过对过去样本的学习 ,调整网络的权值 ,然后预测和推断未来序列 ,以证券市场为例仿真结果表明 ,小波神经网络具有优良的泛化能力和预测功能。     

全球经济政策不确定性的演变趋势：基于EMD-ARIMA模型的预测分析

作为经济政策变动的风向标，全球经济政策不确定性（Global Economic Policy Uncertainty，GEPU）指数的动态走势对于经济政策的制定和调整具有重要的参考价值。然而GEPU指数动态路径的影响因素复杂多变，其数据生成过程难以在一个时间序列模型中得到准确的体现。基于“先分解后集成”的建模思路，首先采用经验模态分解（Empirical mode decomposition，EMD）方法将全球经济政策不确定性指数分解为若干相互独立、频率不同的可读信号，其次运用非平稳时间序列ARIMA模型对可读信号分别进行建模预测，最后集成各类可读信号的预测结果。在此基础上，进一步应用VAR模型考察了全球贸易、新冠疫情等因素对GEPU指数的动态影响。研究发现：(1)通过对训练组和测试组数据的预测值与真实值的对比，发现EMD-ARIMA模型对训练组和测试组数据的拟合精度均优于ARIMA模型；(2)与ARIMA模型相比，EMD-ARIMA 模型能够解决由原始数据不确定性、非线性以及不稳定性所导致预测偏差问题，得到精度较高的预测结果；(3)全球贸易、新冠肺炎疫情等因素对全球经济政策不确定性均产生了显著的影响，EMD-ARIMA模型的样本外预测结果显示，GEPU指数在2021年7月之前呈增加趋势，2021年7月至12月逐渐趋于稳定。     

小波包与混沌理论相结合的人民币汇率预测方法研究

基于小波包变换和混沌理论提出了一种人民币汇率建模及其预测的方法。首先,应用小波包变换对人民币兑美元日汇率收益序列进行三层分解,得到从低频到高频八个频率成分的时序,并在此基础上作进一步分析,以确认它们都存在混沌特性;然后,应用混沌理论分别建立从低频到高频八个时序的预测模型,进行预测;最后,基于小波包理论对混沌模型预测的结果予以重构,实现对人民币兑美元日汇率收益序列的预测。与现有方法比较,结果表明该方法具有较高的精度,有极大的应用范围。     

ARIMA模型在中国商品零售价格预测分析中的运用

运用SAS软件系统中时间序列建模方法对中国商品零售价格指数序列建立了ARIMA(1,1,1)模型。预测结果表明我国商品零售价格将在2008年～2012年保持持续上涨的趋势,这可以为相关部门和单位提供一定借鉴。     

我国农产品价格指数短期预测——基于时间序列分解的分析

对农产品价格指数作出准确预测,是政府合理制定宏观经济政策的前提。本文对我国2003年1月至2011年5月农产品价格指数序列进行季节调整后,运用时间序列分解模型对农产品价格指数进行了短期预测。本文预测结果显示,短期内我国农产品价格指数仍呈上升趋势。     

卷烟单规格月度销量的时间序列预测方法研究

基于回归模型、指数平滑模型、时间序列分解模型、季节ARIMA模型和X13-A-S方法对某省玉溪(软)卷烟2015年1月到2020年12月共72个月的月度销量进行预测，并对预测结果进行检验。在销量最高的1月，预测结果的差异最大，在销量最低的12月，预测结果的差异最小。2020年1月至10月的实际销量为49780.78箱，预测最为接近的是季节ARIMA模型，其次是X13-A-S方法，预测差距最大的是时间序列分解法。在平均相对误差上，X13-A-S方法的平均相对误差最小，为8.57%,季节ARIMA模型次之，为10.43%。回归分析方法的标准误差最小。在销量均值的预测上，季节ARIMA模型和X13-A-S方法预测的绝对误差和相对误差较低，可以作为卷烟月度销量的通用方法。     

居民消费价格指数预测的分解模型研究——以武汉市时间序列数据为例

居民消费价格指数是进行宏观经济分析与决策的重要经济指标。作为经济时间序列,居民消费价格指数的变化受到长期趋势、周期性循环要素、季节因子和不规则要素这四个因素的影响。本文选取武汉市2003年1月至2009年11月居民消费价格指数的月度数据,对其进行季节调整后,再通过HP滤波方法得到长期变动趋势序列,并用时间序列混合分解模型进行拟合与预测。     

组合预测模型在股指短期预测中的应用——以上证综合指数为例的实证分析

本文分析了自回归移动平均模型(ARIMA)与BP神经网络模型在预测方面的特性和模型各自的优缺点,在此基础上尝试建立了ARIMA和BP神经网络的股指组合预测模型。ARIMA与BP神经网络组合使用的基本原理是股指时间序列数据可分解为线性部分和非线性残差部分。本文以上证综合指数为例,首先采用ARIMA预测上证综合指数的线性变化趋势,然后采用BP神经网络对上证综合指数的非线性趋势进行拟合,最后整合两种模型的预测结果。仿真结果表明:组合模型提高了对上证综合指数的预测精度,证实了组合模型在股指预测方面的有效性。     

基于SARIMA-BP神经网络方法的汽车销量预测研究

对汽车销量时间序列的预测方法进行了研究,针对汽车销量影响因素表现出的多样性,应用灰色关联分析法对其进行筛选。针对汽车销量时间序列表现出的线性特征和环境动态变化导致的非线性规律,单一的线性预测方法和非线性预测方法都无法满足时间序列的预测要求。提出了一种SARIMA-BP神经网络预测方法,利用SARIMA方法对时间序列的线性部分进行建模,利用BP神经网络方法对时间序列的非线性部分进行建模。仿真结果表明,SARIMA-BP神经网络方法比单一模型的预测准确率更高。     

基于小波和ARMA模型的时间序列区间预测

提出小波去噪和ARMA模型相结合的预测方法。对上证指数原序列进行小波去噪,然后对去噪后的序列建立ARMA模型,进行95%的置信区间的动态预报。     

小波分析理论下高炉炉温预测模型探析

在对高炉冶炼全程控制过程中,其中炉温的控制显得格外重要,炉温控制是高炉控制的核心技术。小波分析理论是近些年兴起的一个应用数学分支,是一个新兴学科,小波分析可以将原始时间序列通过不同尺度进行分解而形成不同的层次,并且在每个层次中的信号比分解前的信号要稳定得多,从而促使分析和预测变得更加便利。通过对小波分析理论进行介绍,分析了小波神经网络高炉炉温预测模型,最后进行了仿真研究而探讨小波分析理论下高炉炉温预测模型的实用性。     

时间序列分解模型在寿险保费收入预测的应用

寿险保费收入是衡量寿险业发展的重要经济指标。作为经济时间序列，寿险保费收入的变化受到长期趋势、周期性循环要素、季节变动和不规则要素这四个因素的影响。本文选取我国2000年1季度到2009年4季度的寿险保费收入数据，对其进行季节调整后再通过HP滤波方法得到长期变动趋势序列，并用混合模型进行预测，通过检验时间序列分解模型合理可行。     

基于ARIMA模型和神经网络模型的股票价格预测——以百联集团为例

本文将分别利用时间序列的ARIMA模型和神经网络,对国内零售业"航母"——百联集团旗下的友谊股份(600827.SH)和上海物贸(600822.SH)股票的价格进行预测,并将这两种预测方法进行对比,选择最优的方法进行预测。最后发现ARIMA模型和神经网络的模型预测效果都很好,但是神经网络相对更好。     

南通市社会消费品零售总额的预测模型对比分析

基于2010—2021年南通市社会消费品零售总额月度数据,本文采用因素分解模型对南通市社会消费品零售总额进行因素分解,从数据中提取的趋势效应与季节效应均能从现实出发得到合理解释。本文分别用Holt-Winters三参数指数平滑预测与SARIMA模型ARIMA(1,1,2)×(2,1,0)₁₂对南通市社会消费品零售额当期值进行预测分析。通过比较相对误差发现,SARIMA模型比因素分解模型预测的误差小。从预测结果来看,南通市未来短时间内的社会消费品零售总额仍将保持高速增长。