基于大数据的银行经济预测和金融统计研究

在大数据时代，数据的价值越来越凸显，银行需要积极适应环境的变化，探索新的发展路径，合理规划金融经济数据化建设，应用现代大数据技术，完善战略布局。文章阐述大数据对银行经济预测及金融统计的作用，分析大数据用于银行经济预测及金融统计中的问题，探讨相应的发展对策，旨在促进银行的可持续发展。     

直销银行有看头-销银行构建的IT思路

近日发布的2014中国经济预测自皮书中，100位经济学家预测2014年经济总体将保持稳定．金融体系内部自我管理、变革的趋势增强，包括利率市场化、影子银行监管、存款保险以及外部民营资本、瓦联网金融的冲击。由此可见，互联网已成为冲击金融业的露受角色。互联网金融的本质是金融，     

浅析股指期货预测的意义与方法

金融是现代经济的核心,而金融衍生品的出现在20世纪80年代左右。股指期货作为重要的金融衍生品之一在金融市场中具有不可忽视的影响。但其规范性仍然有待提高。尽管其发展最晚,但无疑是最成功的。随着金融市场的不断发展,对于股指期货的预测变得十分必要。与此同时,伴随着市场需求,包括神经网络和支持向量机在内的多种金融预测工具被广泛应用在其预测中。     

金融预测中的统计方法应用

自二十世纪50年代以来,随着世界经济环境的变化和科学技术的迅猛发展,西方市场经济国家掀起的金融变革和创新势潮,在推动世界各国金融市场和金融产业发展的同时,也为金融经济学各种理论和分析方法在社会经济的各个层次的应用创造了机遇和条件。从资本市场的运作、投资组合的构造、交易策略的选择,到理论假设的检验、分析工具的优化、监管制度的设计等等,几乎渗入了现代经济学的各个领域。在众多的分析方法中,金融预测中的统计方法应用具有极其重要的现实意义。本文着重介绍在贷款回收率预测中运用的马尔柯夫预测法和在期权定价、破产预测中运用的人工神经网络方法。     

管理层预测能力与企业金融化

金融化影响因素的相关研究已经较为丰富,但鲜有文献从管理层预测能力角度进行考察。本文将2008—2020年A股公司作为研究样本,试图对两者关系进行探讨。研究结果表明:与管理层预测能力较低样本相比,管理层预测能力较高样本的金融化水平相较样本均值下降约12.9%,表现出显著的“脱虚返实”效应。路径分析表明,管理层预测能力主要通过弱化套利动机和蓄水池动机来抑制金融化水平。异质性分析显示,管理层预测能力对金融化水平的抑制作用在外部投资者短视压力较大、内外部环境不确定性较高以及融资难度较大的样本中更显著。本文拓宽了金融化影响因素以及管理层预测能力的研究领域,对寻求企业“脱虚返实”路径、推动实体经济高质量发展具有启示意义。     

改进SVR在金融时间序列预测中的应用

针对目前金融时间序列预测方法的不足,在利用训练样本与测试样本间马氏距离对惩罚因子进行加权的基础上,改进传统的支持向量回归机(SVR).通过以上海证券综合指数趋势的预测为例子,与标准BP人工神经网络(BPANN)和SVR方法进行了对比,发现该方法能获得更准确的预测结果.结果表明,该方法能充分反映股票价格时间序列趋势规律,是研究金融时间序列预测问题的有效方法.     

基于计量模型的2009年我国货币供应量预测

金融系统中货币供应量的大小是影响经济金融体系能否正常运行的重要因素,正确预测货币供应量走势对我国经济金融政策的决策和经济发展战略的实施都有着十分重要的意义。本文介绍了符合金融系统预测规律的ARIMA（p,d,q）时间序列模型,并根据我国货币供应量实际数据对2008--2009年货币供应量走势进行了预测检验,实证预测结果显示与2008年实际M2相对照,模型预测精度较高,误差被控制在2％以内,说明ARIMA模型能较准确地预测我国货币供应量走势,可为我国货币供应量的预测和走势提供可靠的参考依据。     

我国房地产金融发展空间分析（2005—2020）

据本文作者分析,持续稳定的住宅投资、房地产信贷的增长空间大、潜力广阔的房地产证券金融是支撑我国房产金融迅速发展的三大支因素,并对未来的房地产金融趋势进行了全面的预测。在此基础上得出一系列的结论和启示,其中认为,未来商业银行信贷仍是住宅融资的主要工具,其信贷份额的下降,取决于证券化金融工具大力发展的替代。     

中国经济当季模型预测报告

编者按:中国经济当季模型(Current Quarter Model,以下简称CQM)是根据50个月度经济和金融指标与国内生产总值(GDP)计算体系中主要账户(main entries)之间的统计关系建立的一个纯经济计量模型,没有任何主观的数据调整.CQM预测报告根据最新公布的指标值每两周更新一次,并修正当季和下季预测.本刊翻译了2006年7月21日(截止发稿日收到的最新一期)的预测报告.……     

2003年山东省货币信贷运行情况分析

2003年山东省经济步人新一轮快速增长期,与此相适应货币信贷增速加快,金融运行质量显著提高.本文对全省金融运行情况进行了全面分析,指出当前金融运行中需要关注的问题,并在预测的基础上,提出了2004年工作重点.     

深度学习的金融实证应用:动态、贡献与展望北大核心CSSCISSCI

随着智能时代来临以及金融数据分析需求提升,深度学习已经成为金融领域中的应用前沿,特别是在预测金融市场运动、处理文本信息、改进交易策略方面。深度学习包含深度神经网络、深度信念网络等多种结构,通过分层结构提取深层特征,强化重要因素、过滤噪音,对提升预测准确率具有重要意义;其应用及由此衍生的优化技术改进了金融领域预测分析方法,促使实证研究范式从线性向非线性转变、从关注参数显著性向关注模型结构和动态特征转变,同时为丰富金融经济理论做出贡献。构建结构合适、效果稳健的模型以捕捉金融数据有效特征并进行经济含义阐释是应用深度学习方法的难点与重点;未来研究可以从挖掘深层经济意义、提炼一般性预测分析框架、探索其对异质信息的适用性等角度展开。     

2003年山东省货币信贷运行情况分析

2003年山东省经济步入新一轮快速增长期,与此相适应货币信贷增速加快,金融运行质量显著提高。本文对全省金融运行情况进行了全面分析,指出当前金融运行中需要关注的问题,并在预测的基础上,提出了2004年工作重点。     

基于高频数据的波动率预测研究

基于高频数据的金融分析与建模研究目前已成为金融工程研究领域的一大热点。在金融资产价格波动率的刻画上,金融高频波动率有着低频波动率无法比拟的信息优势,能够较为准确地刻画金融市场波动率的相关特征,并对金融市场波动率的变化做出较为精确的预测。本文选择基于高频数据的沪深300指数为样本,通过构建已实现波动率和已实现极差的长记忆性模型去研究高频数据建模预测中的方法,以对比研究的形式分析了已实现波动率和已实现极差在波动率预测中的能力大小,为高频数据波动率预测研究提供了参考和借鉴。     

基于高频数据的波动率预测研究

基于高频数据的金融分析与建模研究目前已成为金融工程研究领域的一大热点.在金融资产价格波动率的刻画上,金融高频波动率有着低频波动率无法比拟的信息优势,能够较为准确地刻画金融市场波动率的相关特征,并对金融市场波动率的变化做出较为精确的预测.本文选择基于高频数据的沪深300指数为样本,通过构建已实现波动率和已实现极差的长记忆性模型去研究高频数据建模预测中的方法,以对比研究的形式分析了已实现波动率和已实现极差在波动率预测中的能力大小,为高频数据波动率预测研究提供了参考和借鉴.     

长短时记忆神经网络模型改进

由于神经网络自身的高度自学习性,稳定性以及抽象模拟能力,相比于统计学以及计量经济学中的数学模型,神经网络用于预测金融时间序列更具优势。本文在深入分析LSTM神经网络对股指进行短期时间序列预测的可行性。     

基于GARCH模型的人民币汇率走势预测

自2005年7月人民币汇率改革以来,人民币持续升值,分析和预测汇率走势对制定金融政策和投融资决策具有重要意义。本文运用时间序列的GARCH模型,选取05年7月至12年9月的人民币兑美元的日汇率作为样本数据,在论证了GARCH模型预测可行性的基础上,预测分析了人民币汇率在2012年上半年的大致波动趋势,拟合效果较好。     

2004年国际经济金融走势及其对我国经济金融的影响分析

本文对2004年国际经济金融走势进行了较为全面和深入的分析。从全球经济走势来看，世界经济形势持续好转，美日欧以及其他亚洲国家和地区的经济整体表现良好；国际金融市场在全球经济基本面的带动下，总体表现也较为平稳。另外，本文还对2005年的国际经济金融走势进行了预测和分析。同时随着我国改革开放的日益深入，国际经济金融市场的运行对我国经济金融的影响也日益加大。基于此．本文从国际经济金融的大背景出发，分析和预测了其对我国进出口贸易、吸引外资、外汇储备、外债、人民币汇率及在华外资银行和境内外汇存贷款变化等方面的影响。     

基于计量模型的2009年我国货币供应量预测

货币供应量是影响经济金融体系能否正常运行的重要因素,正确预测货币供应量走势对我国经济金融政策的决策和经济发展战略的实施都有着十分重要的意义.本文介绍了符合金融系统预测规律的ARIMA(p,d.q)时间序列模型,并根据我国货币供应量实际数据对2008-2009年货币供应量走势进行了预测检验,实证预测结果显示与2008年实际M2相对照,模型预测精度较高,误差被控制在2%以内,说明ARIMA模型能较准确地预测我国货币供应量走势,可为我国货币供应量的预测和走势提供可靠的参考依据.     

基于机器学习的互联网金融机构信用风险识别

相比传统金融行业,由于网络空间的复杂性,互联网金融的信用风险往往更为显著,因此,预测信贷违约成为控制信用风险、保证相关金融业务或借贷平台正常运行的重要条件。本文基于互联网金融上市公司拍拍贷的大量真实交易数据,经过数据清洗和特征工程,对多种机器学习算法建立融合模型,提升了信用风险预测的准确性。同时,基于人工特征筛选和树模型信息增益的特性,发现用户网络行为特征相比个人信息特征在信用风险的识别中更为有效。最后,本文还针对互联网金融行业的信用风险提出了应对措施与建议。     

基于灰色-ARIMA的金融时间序列智能混合预测研究

提出了一种基于灰色-ARIMA的金融时间序列智能混合预测模型。首先建立金融时间序列灰色预测模型,并采用PSO算法对灰色模型的三个参数进行优化;利用ARIMA算法对预测模型的残差进行分析,同时采用遗传算法对ARIMA的系数进行优化;最后用ARIMA的残差预测结果对灰色预测模型进行补偿。结果表明,以较好的精度拟合一段时期内MA107的时间序列,预测误差控制在5%以上,与单纯的灰色预测算法和神经网络算法相比,在平均绝对误差、均方根误差和趋势准确率三项评价指标上,具有明显优势。