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。     

基于灰色-马尔可夫改进的预测模型——以沪深300指数为例

建立灰色GM(1,1)与马尔可夫链的组合预测模型,用灰色预测模型预测随机时间序列数据的总体发展趋势,而用马尔可夫链模型修正数据随机波动所带来的预测误差。以沪深300指数的真实数据进行验证,结果表明:灰色马尔可夫预测模型既能预测随机数据序列的总体趋势,又适应股票价格随机波动性较大的特点,灰色马尔可夫预测模型预测精度高于GM(1,1)模型的预测精度。     

基于灰色-马尔可夫改进的预测模型——以沪深300指数为例

建立灰色GM(1,1)与马尔可夫链的组合预测模型,用灰色预测模型预测随机时间序列数据的总体发展趋势,而用马尔可夫链模型修正数据随机波动所带来的预测误差。以沪深300指数的真实数据进行验证,结果表明:灰色马尔可夫预测模型既能预测随机数据序列的总体趋势,又适应股票价格随机波动性较大的特点,灰色马尔可夫预测模型预测精度高于GM(1,1)模型的预测精度。     

时间序列平滑法在产品产量预测中的应用

应用收益法进行企业价值评估必须对企业的未来收益进行预测。如何科学地预测企业的未来收益,始终是企业价值评估中的难点。而产品产量(销量)的预测又是企业未来收益预测的基础。本文介绍了布朗单一参数线性指数平滑法、霍特双参数指数平滑法、布朗三参数指数平滑法及温特线性和季节性指数平滑法四种时间序列平滑法在产品产量预测中的应用,并对这四种方法的适用范围进行了总结。     

基于ARIMA模型的我国人民币汇率的时间序列分析

大多数经济时间序列呈现非平稳性,因而不能直接用ARIMA模型进行分析。但是通过对原始序列进行差分,将其转换为平稳时间序列,再用ARIMA模型进行建模。本文通过对2000-2010年我国人民币汇率时间序列的分析,预测2010年6-12月数据,并证实了ARIMA模型是一种很好的短期预测模型。     

基于灰色预测模型的股价预测研究

灰色预测模型是根据灰色系统理论创建的预测方法。利用灰色预测模型对部分股票收盘价进行的实证研究表明，该模型对股票价格预测的准确度较高，可用于股票价格的短期预测。     

产品销售预测的数学模型及应用

企业产品销售量预测技术十分丰富,总体上可分为两类,定性方法和定量方法,本文在分析了各种产品销售量预测模型的基础上,提出了采用灰色系统理论建模的建议,剖析了灰色系统预测模型的基本算法,应用实例验证了模型的有效性。通过建立的模型,我们可以对产品未来的销售数量进行预测,模型的求解利用MATLAB程序求解。最后本文用改进的灰色模型即等维灰度预测模型对产品销量进行了预测。     

存贷款时间序列指标数据预测方法比较研究--基于甘南州数据的预测实证

文章以2010年1月到2015年9月的甘南州存贷款历史数据为样本，利用时间序列预测理论中的平滑预测法与线性趋势预测法相结合进行了系统研究，构建时间序列模型对未来甘南州存贷款数据进行预测，并通过实证研究及结果对比分析论证了模型的可行性，得出用移动平均法模型预测存贷款数据更为接近实际观测指标，能够比较准确的反映出甘南州存贷款增长趋势。     

基于多尺度阈值方法的金融时间序列去噪研究

本文通过实证分析,说明金融时间序列建模前降噪预处理的必要性,更进一步地,运用多尺度阈值方法对金融时间序列去噪,再用传统时间序列预测方法ARIMA(p,d,q)模型对降噪后的数据进行预测。通过与小波阈值去噪预测模型的比较,得出多尺度阈值去噪预测效果更加理想。     

ARMA时间序列模型在自助设备现金需求预测中的应用

银行自助设备现金需求量本身是不确定的，它受到地区环境、人口密度、季节周期等诸多复杂因素的共同影响，很难对各影响因子进行有效选择，并对各因子的影响权重进行量化分析。因此，传统的回归分析法和人工神经网络等人工智能方法，往往在这类预测问题上显得比较困难。但是无论有多少作用因子，以及它们是如何作用的，最终导致的现金需求量结果却总是依时间表现出一定的周期性和稳定性。白助设备在每个加钞周期内的现金需求量的集合是一个典型的时间序列。时间序列预测模型