引入小波分解的神经网络预测——以玉米大宗商品价格序列为例

采用世界银行发布的连续752期月度玉米国际价格,将其视为离散价格时间序列,运用小波理论中的Mallat算法,把价格序列分解为若干高频分量和一个低频分量,然后将各分量导进循环神经网络,再累加所得的各个分量预测值,作为最终预测价格。实验表明：引入小波分解的神经网络模型,在玉米价格时间序列中,比较灵活地捕捉到高频和低频信号,并准确拟合和预测这些部分的数值;说明该方法对于价格频繁剧烈波动的场景具有实用意义。     

基于小波神经网络的上证50指数多步预测

以神经网络为代表的人工智能模型对股票价格具有良好的预测效果,但是该智能模型侧重于单步预测,很难满足实际股票预测的要求。提出基于小波和神经网络相结合的股票指数多步预测智能模型。选取上证50指数为建模数据,运用小波分解将上证50指数收盘价序列分解成不同尺度的分层数据,依据迭代策略,利用BP神经网络分别预测小波分解后的各层数据,最后将各层的预测结果使用小波重构成原始股票收盘价的预测数值。结果表明,基于小波神经网络的多步预测模型具有良好的多步预测效果。     

基于小波分解和ARIMA模型的城际铁路客流预测

针对城际铁路车站客流预测问题,文章采用离散小波分析方法对城际铁路车站原始日客流量数据进行小波分解;对分解得到的各层小波系数,利用AIC赤池信息准则进行ARIMA建模;利用训练得到的ARIMA模型进行预测未来一段时间客流数据的高频分量和低频分量,并对其进行小波重构,从而得到未来一段时间的预测客流数据;最后以广珠城际铁路某车站实际客流数据为例,对文章所提出的客流预测模型和客流预测算法进行了验证。实验结果表明,文章所提方法客流预测方法具有一定的预测精度。     

基于EMD-SE-LSTM模型的股指日内已实现波动率预测──以中证500指数为例

由于股指波动率具有非平稳、高嘈杂、非线性等特征,而传统的预测模型在建模时要求数据平稳、线性或近似线性,所以很难精准预测股指波动率。为提高股指波动率的预测效果,采用经验模态分解(EMD)、样本熵(SE)和长短期记忆网络(LSTM)构建的模型对股指日内已实现波动率进行预测。以中证500指数为例,经过EMD分解得到一系列分量,再根据分量的样本熵大小进行重构,最后利用LSTM对重构后的各序列进行预测。结果表明,EMD算法对LSTM模型的预测精度有很大的提升,相较于传统模型,EMD-SE-LSTM模型在预测股指波动率时精度更高,拟合优度更好。     

基于小波神经网络的沪深300指数收盘价预测

针对传统BP神经网络模型预测的缺陷,本文采用小波神经网络对沪深300指数收盘价的短期走势进行了预测分析.实验结果表明小波神经网络比直接使用神经网络进行预测的精度更高,预测的效果也更好.     

基于频谱分解和注意力机制的雷达回波外推算法

针对雷达回波数据，首次提出使用频谱分解的方式预先提取多尺度回波信息作为深度学习网络的输入数据，以丰富输入数据的特征信息。模型主框架采用UNet神经网络，并且针对模型退化问题，加入了残差连接结构。基于以上设计，提出SpAt-ResUNet预测模型。试验结果表明，相比于传统雷达回波外推算法SPROG与深度学习网络ResUNet模型，该模型对于未来1 h的雷达回波预测长时间外推图像模糊的问题以及强回波留存能力分别得到改善和增强。     

中国股票市场波动率分解及长期趋势研究

Campbell等（2001）为实证研究市场的长期趋势特征提出了市场波动率分解模型，其特点是将波动率按成因进行分解并且该分解不依赖于β系数。采用该模型，本文将我国股票市场1991至2004年的波动率实证分解为市场波动率、行业波动率和公司波动率。研究了我国股票市场三种波动率的长期变化趋势。与美国市场相比（美国市场1962至1997年间市场和行业波动率保持稳定而公司波动率增长了一倍），本文的实证结果表明：我国市场1991至2004年间市场、行业和公司波动率均存在显著的下降趋势；表现出了与国际市场不同的趋势特点；随着时间的推进，我国股票市场在不断成熟、市场效率不断提高。进一步的研究表明，1998年后我国股票市场中市场波动率最大。公司波动率略小，而行业波动率则远小于前两者。本文的研究结论将为政策制定者和投资组合风险管理者提供宏观借鉴，我国投资风险管理的战略重点首先应对冲市场风险，其次分散公司风险。     

基于EMD分解的螺纹钢期货价格发现的实证研究

运用经验模态分解方法(EMD),分别将螺纹钢期货价格和现货价格时间序列分解成若干IMF分量和趋势项。通过对分解后的不同分量进行统计和计量分析发现:①与期货价格与现货价格的相关性相比,相应的趋势项之间具有更高的相关关系;②期货价格的主IMF分量在形态上对现货价格主IMF分量具有引导作用;③IMF中期波动分量和长期波动能够很好的表现出期货价格和现货价格的因果关系。这些结果表明,螺纹钢期货市场已经基本具备了价格发现的功能。     

货币供应量与股市的影响关系研究

文章采用时间序列研究方法对2000年1月至2016年12月的数据进行实证分析,结果表明不同层次的货币供应量对股票市场的影响不同。货币供应量与股市价格无长期协整关系,M0、M1对股市的影响是短期的,且股市价格与M0和M1同方向变动。M2对股市价格的变动没有解释能力,对股市价格也没有短期的影响力。要干预股市,在短期内可以通过调节货币供应量来实现,但股市的长期稳定主要依靠市场来调节。     

时间序列与BP神经网络在新疆GDP预测中的对比分析

根据新疆维吾尔自治区2009年统计年鉴中的数据,构建并选用合适的时间序列模型、BP神经网络模型,对2004年-2008年的新疆GDP进行预测,并用预测结果与实际值求得相对误差,然后将两种模型的误差进行比较。结果表明,BP模型应用于新疆GDP预测较时间序列预测有较高的预测精度和良好的泛化能力。     

EMD联合小波阈值降噪在井下接收信号上的应用

井下闭环旋转导向钻井系统在钻进过程中受到复杂的振动，使井下通信接收装置接收到的信号包含大量的抖动噪声，影响有用信号的提取，从而导致井眼轨迹控制的稳定性变差。为有效降低背景噪声的影响，提高钻井效率，在传统小波变换理论的基础上，结合经验模态分解法(EMD)，提出一种 EMD联合小波阈值降噪滤波算法。通过EMD分解法将井下接收信号进行分解，并利用小波变换对高频固有模态函数（IMF）进行降噪处理。仿真结果表明此方法的降噪性能均优于传统降噪算法，实测数据滤波结果显示该方法复原误差较小、信号损失较小、信噪比较高，可有效滤除井下接收信号中的噪声，保证井下接收信号的正确解码。     

后金融危机时期中国股市的国际地位——基于非线性视角的股市联动网络分析

后金融危机时期全球股市一体化程度不断提高,全面认识中国股市的国际地位对于揭示国际股市一体化联动中的传导机制,防范和应对国际金融风险冲击具有重要的理论意义和现实价值。文章应用非线性格兰杰因果检验方法和社会网络分析方法,对金砖国家和七国集团股市收益率和波动率的联动关系及其联动网络结构进行分析,揭示出中国在国际股市联动中的地位对传导关系的控制方式,定量分析出事件冲击下中国股市与国际股市之间的交互影响。研究发现：（1）国际股市收益率和波动率联动网络呈现出稳定的非线性联动关系网络结构,受其影响各国股市收益之间存在互惠性,而波动之间则存在传染性;（2）在收益率联动网络中,中国股市的作用和地位已与英国相当,远高于其他金砖国家,正逐渐由"从属地位"转向"中心地位";（3）在波动率联动网络中,中国股市是造成国际股市风险交叉影响的重要"桥梁"。综上而言,当前中国股市表现出"高风险低收益"的市场特征;（4）中国对国际股市的影响具有典型的"地缘特征",将网络中心国家股市的利好传递给地缘临近国家股市;（5）波动率联动网络中初始冲击强度较大的国家,往往是对中国股市持续大规模产生冲击的国家;（6）相比较国际股市调整波动冲击的时间而言,中国股市调整时间较短,这表明后金融危机时代中国致力于股市的一系列改革举措取得了显著成效。     

网络化市场结构下证券市场传闻的扩散规律研究

市场传闻及其扩散对证券市场行情有着非常明显的影响,但其扩散又受到证券市场结构的影响。文章将股票时间序列的相关系数矩阵看作网络邻接矩阵,得到了股票市场的两类网络化结构模型;根据传闻扩散的特点,提出了市场传闻在股票网络化结构中的扩散模型,并解析了扩散分布与分布密度。通过实证数据发现,这两类网络化结构分别是具有全连通特征的加权网络和具有无标度特征的正负加权网络;将市场传闻的扩散规律应用于这两类加权网络可以得到,全连通加权网络上扩散规律服从Logistic模型,而无标度加权网络上扩散规律受“中心”股票的影响非常显著。最后本文给出了研究结论。     

基于神经网络模型的智能产业板块股价探究

针对金融波动性和市场风险,基于A股市场上70余只智能板块的股票近10年的四因子数据,从神经网络模型入手实证分析,利用随机梯度算法对收盘价预测,比较预测值与实际值的模型误差及损失函数,进行因子选取、算法改进及指标择优。结果表明,神经网络模型参数在批次为2、迭代次数为4 150时,MSE(均方误差)、MAPE(平均绝对百分比误差)、MAE(平均绝对误差)分别为60.191 1、30.732 6、4.803 2,收盘价的拟合效果最佳,该参数下的神经网络模型可用于探究股票市场价格趋势,为投资者、金融机构提供一定参考依据。     

Stock Market's Response to Real Output Shocks in China: A VARwAL Estimation

This paper studies the connection between the stock market and real output in China and compares it with benchmark countries, employing a novel vector autoregression with asymmetric leads (VARwAL) model. It makes two contributions. First, it finds that the time profile of the Chinese stock market's response to real output shocks suggests no evidence of a distorted relationship due to manipulation of Chinese real output data or domination of the Chinese stock market by individual investors. Rather, the Chinese stock market is relatively more responsive to real output, in line with the larger share of manufacturing in the Chinese economy. Electricity output and industrial profits, two different, less-manipulable time series, yield similar results. Second, it presents the first use of VARwAL impulse responses to detect stock market bubbles: VARwAL captures the 2015 bubble in China successfully. Over the full sample period, China's stock market appears to have been less prone to bubbles than the US stock market.     

基于GA-Elman动态回归神经网络的股价预测模型研究

文章针对股价预测问题的复杂性、不确定性、时变性及动态性等特性,利用Elman神经网络具有记忆性的优点,采用遗传算法训练优化Elman神经网络的初始权值,提出了高效的GA-Elman动态回归神经网络股价预测模型。实验模拟结果表明:该模型快速稳定且具有较高的精度,将其用于股票价格预测可行且有效。该模型的提出也为股票价格预测提供了一种新的技术和方法。     

基于PSO优化LSSVM的股价时间序列预测

现实中的金融时间序列存在非线性、不确定性等特点,利用传统的预测方法难以获得满意的结果。提出了一种基于PSO优化LSSVM模型参数的股价时间序列预测方法。利用PSO算法的收敛速度快和全局收敛能力,优化LSSVM的惩罚因子和核函数参数。利用该方法应用于金融市场中的股价序列预测,与传统方法对比表明,该模型能够提高金融时间序列的预测精度,其具有更好的泛化能力,这对国内投资者进行股票投资具有现实的借鉴意义。     

内外部冲击下中国股市网络的动态演化和 稳健性分析

股市的平稳运行是实现金融发展、金融稳定和金融安全的重要一环。文章基于复杂网络理论,以2015年股灾和2018年中美贸易战为背景,分别构建不同时期中国股市的MST网络,探索在不同类型冲击下我国股市网络的结构特征,将最小生成树方法和滑动分析相结合,研究我国股市网络动态演化的时变特征和稳健性。结果表明,不同时期股市网络MST结构变化较大;不同时期网络节点的度分布均服从幂律分布,且中心性节点在冲击发生前,集中出现在工业领域,而冲击中、后期则更多地出现在金融领域;股市网络连通性和稳健性会因为冲击类型不同而出现差别,内部冲击(2015年股灾)会降低同行业连接边数,而外部冲击(中美贸易战)则会增加同行业连接边数,且前者比后者对股市网络结构的影响更大,市场对于内部冲击的抵御能力更弱;虽然内外部冲击短期内对网络连接的稳健性冲击不大,但从长期看,网络连接的存活率会急剧下降,网络结构稳健性随时间变化而减弱。