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。     

基于相空间重构与支持向量机的人民币兑美元汇率预测

汇率的预测研究一直是国际金融领域研究的一个热点。混沌时间序列的建模与预测的关键是相空间重构和非线性函数逼近,基于汇率时间序列存在混沌特征的特点,利用相空间重构技术对汇率时间序列进行重构,然后利用支持向量机作为非线性函数逼近,构建了一种基于支持向量机回归（SVR）的汇率预测模型。采用美元兑人民币的日汇率进行实证研究,结果表明,所构建的SVR模型能较好的反映汇率的变化趋势,预测精度较高。     

汇率混沌理论的神经网络建模

本文采用美元对日元汇率白1973年起的日数据进行研究.首先,本文基于交易者异质假设构造了外汇市场模型,并在此基础上选择影响汇率变动的解释变量;然后,利用基于遗传算法的神经网络构建基于此模型的汇率预测系统.在神经网络的训练过程中,利用小波分析对训练样本进行了去噪,提高了训练效果.经过检验,该预测系统达到了较高精度.最后,通过对该系统进行仿真模拟,对汇率理论提出一些个人思考.     

汇率混沌理论的神经网络建模

本文采用美元对日元汇率自1973年起的日数据进行研究。首先，本文基于交易者异质假设构造了外汇市场模型，并在此基础上选择影响汇率变动的解释变量；然后，利用基于遗传算法的神经网络构建基于此模型的汇率预测系统。在神经网络的训练过程中，利用小波分析对训练样本进行了去噪，提高了训练效果。经过检验，该预测系统达到了较高精度。最后，通过对该系统进行仿真模拟，对汇率理论提出一些个人思考。     

基于小波分析与神经网络时间序列的股票预测方法

本文提出基于小波分析与神经网络时间序列的股票预测方法,把股票每日最高价、最低价以及开盘价进行小波去噪处理,然后把去噪后的数据利用BP(Back Propagation)神经网络进行预测分析,实验的结果表明利用处理后的数据进行分析比传统的直接使用神经网络进行分析的精准度更高,预测的效果更好。     

基于非线性组合模型的P2P网贷平台危机预警研究

针对P2P网贷平台现金流较大、利润率较低和财务数据获取困难的特点,构建基于平台交易真实数据的危机预警评价指标体系和组合预测模型.将传统的财务评价指标转换成网贷平台交易数据指标,运用邻域粗糙集属性约简的方法对采集的数据指标进行降噪和约减处理,再基于机器学习理论引入神经网络、支持向量机和Logit回归等模型对数据进行训练.通过分组进行单模型和组合模拟预测,提高了新的破产指标下各模型预测的准确率.     

基于改进多尺度阈值去噪的人民币汇率实证分析

考虑到金融时间序列中噪声的干扰,有必要在金融建模研究中做适当的去噪处理。不同于传统的小波阈值去噪,本文应用改进的多尺度阈值技术对人民币/美元汇率序列进行去噪处理,并基于不同误差分布情况下综合分析,确定ARMA（1,1）-GARCH（1,1）-T为最佳拟合模型,最终给出预测效果,证实了应用新的多尺度阈值方法去噪后的汇率模型预测精度较高。     

支持向量机模型在银行客户流失预测中的应用研究

本文结合某商业银行客户流失样本数据探讨利用支持向量机模型(SVM)进行客户流失预测。结果表明,由于商业银行客户流失数据呈现出典型的不平衡特征,直接采用统计预测方法和传统的分类方法预测精度较差,而随机抽样法能通过改变数据集分布从而减小数据的不平衡性。因此,本文利用随机抽样法对支持向量机模型进行改进,并与Logistic回归模型预测效果进行比较,结果发现选取该方法能有效提升模型预测精度,且预测效果优于Logistic回归模型,能较为准确地预测,对于商业银行加强客户管理、提升核心竞争力具有重要的意义。     

基于信息粒化和支持向量机的股票价格预测

信息粒化是进行海量数据挖掘和模糊信息处理的有效工具。本文提出了一种基于信息粒化和支持向量机的股票价格预测方法。利用长安汽车的股票数据,建立股票开盘价回归预测模型,该模型克服了传统时间序列模型仅局限于线性系统的情况。应用实例表明:该方法能有效地预测股票价格的变化范围。     

人民币无本金交割远期市场对人民币汇率的影响

本文用VAR(向量自回归)模型、格兰杰检验在时间序列研究的基础上研究人民币现货汇率和人民币NDF(无本金交割远期)价格之间的联系。我们用3个月人民币对美元NDF日收盘价格和人民币对美元汇率日中间价作为我们的数据进行研究,结果表明,这两者之间存在谐振关系,NDF市场对汇率现货市场存在影响。     

基于支持向量机的利率期限结构实证分析

利率期限结构一直是量化研究领域的重点课题,目前国内关于利率期限结构拟合的研究较多,而对利率期限结构的预测则研究较少,关于利用支持向量机的方法预测利率期限结构的研究更是屈指可数,本文利用支持向量机对国债的即期利率进行了拟合和预测,并与普通的时间序列线性模型对比,发现支持向量机的拟合和预测效果均好于自回归模型。     

基于开放型泰勒规则和贝叶斯模型平均方法预测人民币汇率的实证分析

文章选取13个解释变量,运用贝叶斯模型平均方法建立动态模型,筛选出对人民币汇率影响最大的自变量以及模型进行回归分析,进而预测人民币汇率。研究支持了近期市场主流观点,即美元指数、汇率风险溢价、中美利率差额等对近期人民币汇率影响较大,并发现外汇占款等其他影响较大的因素。文章建议将人民币回归预测结果与汇率期权执行价格相结合,引导企业坚持"风险中性",专心专注主营业务。     

P2P网贷平台借款人信用风险评估模型适应性研究

本文对比分析了基于Logistic回归、决策树、随机森林、支持向量机和神经网络的个人信用风险评估模型,并在此基础上提出了采用4种机器学习算法综合筛选重要变量再建立Logistic回归模型的两阶段组合模型。应用这一模型对"人人贷"平台借款人数据进行实证研究。结果表明:该模型相较于Logistic回归模型有着更高的精确度,克服了数据维度及定性变量数量的限制,而且提高了单一机器学习算法的指标解释能力,说明基于机器学习算法的Logistic回归模型对P2P网贷平台的借款人信用风险评估有更好的适应性。     

基于贝叶斯网络的上市证券公司风险预警模型研究

上市证券公司的风险预警模型能够为政府监管、证券公司稳健发展以及投资者研判提供依据。以上市证券公司风险管理指标体系为基础,利用贝叶斯网络方法以及支持向量机、随机森林和多项Logit模型分别建立风险预警模型进行比较,并在实证中针对上市证券公司的不平衡数据特征,用 SMOTE抽样对数据进行预处理。最终实证表明：从平均准确率和标准差两个角度比较,SOMTE抽样增加了贝叶斯网络的预测效果,机器学习方法要优于多项Logit模型,贝叶斯网络方法效果最佳。     

沪深300股指期货价格预测

针对神经网络预测模型在对非线性序列进行预测时,容易陷入局部次优点以及训练速度慢的缺点,本选取了沪深300股指期货2015年1月5日至2015年12月15日的收盘价格数据作为样本,运用sym8小波变换对数据进行了降噪处理,以降噪前后的数据对BP神经网络进行训练和检验。最终的检验结果表明,降噪后的数据可以有效提高预测的效果。     

基于网格优化模型的支持向量机企业信用评级应用研究

本文在分析支持向量机原理后提出了运用网格搜索法选择最佳核函数、模型参数法构建支持向量机模型.笔者以宁夏辖区2020年央行内部(企业)评级数据为样本,通过指标相关性分析、构建F统计量筛选出信息贡献度高的定量评级指标,并利用线性核函数、高斯核函数、多项式核函数分别对宁夏辖区2020年央行内部(企业)评级数据进行建模分析.研究结果表明基于网格搜索法选择支持向量机的方法可以准确预测央行内部(企业)评级结果,同时,利用支持向量机对剔除行业相关特定定量指标后的公共定量指标做建模分析,发现在有限维度定量指标数据无法对评级结果作出准确预测时,可通过将高斯核函数映射到高维空间来作出相对比较准确的分类预测.     

支持向量机在股市预测中的应用

本文以上证综合指数2011年1月4日到2018年1月4日的股市行情为研究对象进行实证分析,建立了一个支持向量机回归机的预测模型。实证分析主要基于MATLAB软件嵌套Libsvm工具箱实现。实证分析结果表明,本文建立的针对股市预测的支持向量机回归机模型是有效的。     

基于支持向量机的股票预测

股票预测是一种非线性、不确定的时间序列问题,传统方法很难对其进行准确预测.本文分析了支持向量机(SVM)在股票预测中应用的可行性.并通过邯郸钢铁股票数据对该方法进行了检验,结果显示,支持向量机具有较强的泛化能力.     

中美货币政策对我国汇率与房价的影响研究——基于MS-VAR模型的实证分析

论文基于2005年7月至2017年1月的月度数据,采用马尔科夫区制转换向量自回归(MS-VAR)模型对经济状态进行划分,并在不同的经济状态下研究中美货币政策对人民币兑美元汇率中间价及对我国房地产价格的非线性动态影响。研究结果表明:在不同的经济状态下,我国货币政策对汇率和房价的调控效果存在显著差异,而在目前经济状态下,相比于对房价的调控,我国货币政策对汇率的调控更为有效。除此之外,近年来美国紧缩性的货币政策对我国汇率和房价也存在较大的冲击。     

运用“支持向量机”对客流量的预测研究

支持向量机(SVM)是一种崭新的机器学习方法,它建立在统计学习理论和结构风险最小化准则的基础上。此方法能解决小样本、非线性及高维模式识别中的问题。本文通过对某市公路客运量数据特征的分析,建立了基于支持向量机的客流量预测方法,与人工神经网络预测方法相比,该预测模型的平均精度较高,且具有收敛速度快、泛化能力强等优点,比较适合客流量的预测。