房地产价格对通货膨胀预期具有指示性作用吗?——来自中国1996～2010年的经验证据

房地产价格对于未来的通货膨胀是否有指示性作用,关系到货币政策是否需要对房地产价格提前做出反应。采用1996年1月至2010年4月的月度数据,使用多步向前的方法对未来的通货膨胀进行样本外预测。结果显示,在房地产价格下跌时期,其指示性作用大于房地产价格的上涨时期。此外,某些房地产价格指标在某些时间段能够有效的提高预测效果,但是哪一种价格指标可以提高预测效果,没有一定的规律性。这说明,目前还不能将房地产价格指标纳入通货膨胀的预测体系中。     

基于ARIMA与小波神经网络模型的生猪价格预测比较

文章在分析传统生猪价格预测方法局限性的基础上,利用四川省生猪价格周度数据分别建立小波神经网络和ARIMA预测模型,通过预测的评价指标对比,可以看出,小波神经网络在非线性的映射能力,多指标复杂的波动的数据内在规律逼近方面较之于时间序列模型更优。并且,小波神经网络将生猪养殖链的各个阶段的产品和要素价格都带入进行了训练,符合生猪养殖链的价格传递机制,更好的探究出了生猪价格的波动特征。     

我国活鸡价格波动分析与预测

本文运用时间序列分析的X12方法和H-P滤波,获得了我国2001年1月至2009年10月活鸡价格序列的周期成分。周期成分的分析结果表明,活鸡价格存在长约26～40个月的波动周期,而且周期长度有随时间推移变长的趋势。肉雏鸡和肉鸡饲料价格波动轨迹与活鸡价格波动轨迹相似。此外,活鸡价格序列分析显示,禽流感疫情对其价格产生重大冲击。进一步地,用Holter-Winter模型对活鸡价格进行预测,得到了样本外推12个月的预测结果。     

房地产资产财富效应的区域效应与时序差异:基于动态面板模型的估计

本文以1997-2010年我国31个省市的房地产价格和居民消费等作为研究样本,通过利用标准理论模型和拓展理论模型建立研究房地产资产财富效应的动态面板数据实证模型,并采用系统GMM估计方法来测度中国房地产资产的财富效应。结果显示,我国房地产资产价格与居民消费之间存在正相关的关系,即房地产资产具有财富效应,但是中部和东部的财富效应高于西部地区;但是随着经济的发展和居民收入水平的提高,房地产财富效应呈减弱趋势,2004-2010年的房地产资产对居民消费的长期弹性系数值显著小于1997-2003年的该值水平,下降达到48个百分点。     

基于投资者情绪的元宇宙股票价格预测研究——以千方科技为例

<正>“元宇宙”是数字技术的革命,也是数字文明的重要成果,它拥有广阔的发展空间和无限的可能性。文章以千方科技公司股票价格为研究对象,为了能够更加精准和高效地对股票价格进行预测,提出了基于集合经验模态分解和双向长短时记忆神经网络（EEMD-Bi LSTM）的股票价格预测模型。以千方科技公司股票价格时间序列数据为数据样本,     

相空间重构与神经网络相结合的预测方法研究

相空间重构技术与人工神经网络作为处理非线性系统问题的有效工具,文章通过介绍两者技术原理,寻求二者的结合点,提出了相空间重构与神经网络相结合的时间序列预测方法,并将其用于国际原油价格预测,经实证分析,该方法具有一定的准确性和有效性。     

基于神经网络的房地产估价模型研究及其Matlab实现

研究目的:分析人工神经网络应用于房地产估价的思路以及估价流程,采用Madab神经网络工具箱函数编程采实现基于神经网络的房地产估价模型的构建、训练与仿真.研究方法:文献资料法和案例分析法.研究结果:以训练样本为基础,建立基于神经网络的房地产估价模型,用测试样本检验,得出估价模型的精度较高.研究结论:神经网络对包含多种因素影响的房地产估价具有优势,基于神经网络的房地产估价模型具有很强的实用性和可操作性.     

基于时间序列分析的黔西南州经济增长分析与预测--基于1978-2007年的黔西南州宏观经济数据

时间序列的预测方法有着广泛的应用背景,在解决经济发展,金融市场动态,气象预报和水文预报等领域的预测问题时,都可以利用时间序列的预测方法。结合黔西南的实际州情,本文采用EVIEWS统计软件及时间序列分析法对1978—2007年的黔西南州宏观经济数据进行了系统分析,构建了GDP序列的ARIMA模型,响应变量为GDP序列的ADL模型,对投资、消费对黔西南州经济增长的相互作用进行了实证研究,并预测黔西南州未来8年经济增长的变化趋势,相比之下组合模型在拟合和预测效果具有较高的可靠性、准确性和稳定性。通过对黔西南州的宏观经济动态模型ADL模型,我们掌握黔西南州的宏观经济系统的主要特征及其运行机制,GDP与投资、消费互相影响,互相促进;通过预测,我们了解和掌握了经济增长的变化趋势,能有效地对政策制定进行合理化建议。     

基于小波—神经网络的短期风速预测

采用小波变换和神经网络相结合的方法对风速进行短期预测.利用小波变换将信号分解成不同频段的子序列,各子序列单支重构后,利用神经网络分别建模预测,最后将各子序列的预测结果叠加得到最终的风速预测值.在神经网络学习过程中采用LM算法,有效提高了收敛速度,降低了陷入局部极小值的可能.通过实例分析,验证了该方法可以较为准确地预测风速.     

基于神经网络的波动率对权证价格预测效果比较分析

使用BP神经网络建模预测权证的价格,得到隐含波动率预测效果要优于历史波动率,动态历史波动率的预测效果要优于历史波动率,动态隐含波动率预测效果要优于隐含波动率的结论,并且动态的不断调整的隐含波动率能够更加精确的预测期权价格。     

基于时间序列的BP神经网络预测鄂尔多斯市的GDP

国内生产总值(GDP)是制定经济发展战略、规划、年度计划以及各种宏观经济政策的重要依据,研究GDP预测方法具有重要的现实意义。在对鄂尔多斯市GDP数据序列分析的基础上,考虑到BP神经网络可以通过简单非线性函数的复合能够实现对于复杂函数的映射,本文采用BP神经网络方法来预测鄂尔多斯市的GDP,取得了较好的预测效果。     

非线性动态系统的递归神经网络预测研究--对我国钢铁产量的预测分析

钢铁行业是我国国民经济的支柱产业之一,为国民经济的持续发展作出了积极的贡献.因此,对钢铁产量的预测研究已经成为一项非常重要的课题.文章使用基于数据挖掘和知识发现的人工神经网络法、时间序列分析法、递归神经网络技术来预测钢铁产量的方法,并将递归神经网络方法预测的结果与前面的两种方法的预测结果进行比较,比较的结果说明该方法是可行的.     

基于动态Nelson-Siegel模型的国债管理策略分析

本文研究动态Nelson-Siegel模型在中国国债市场上的定价能力、预测能力和套期保值能力.实证发现动态模型对国债利率的样本内定价效率高,适用于中期债券定价;应用于动态预测未来市场利率,预测效果显著优于其他时间序列模型,超出了传统的无套利均衡模型;采用该模型下的久期向量免疫技术,能为国债组合提供更好的动态套期保值效果.本研究在中国国债组合积极和消极管理策略中具有实用价值.     

基于动态Nelson—Siegel模型的国债管理策略分析

本文研究动态Nelson—Siegel模型在中国国债市场上的定价能力、预测能力和套期保值能力。实证发现动态模型对国债利率的样本内定价效率高,适用于中期债券定价;应用于动态预测未来市场利率,预测效果显著优于其他时间序列模型,超出了传统的无套利均衡模型;采用该模型下的久期向量免疫技术,能为国债组合提供更好的动态套期保值效果。本研究在中国国债组合积极和消极管理策略中具有实用价值。     

失业风险预警系统研究

基于我国29年的历史数据,采用BP神经网络模型对我国的失业风险预警问题进行研究。结果表明,神经网络方法在失业风险系统中具有优良的预警效果,其对失业风险综合警情值的预测误差小于3％。相对于景气分析预测法、时间序列分析、灰色预测模型以及回归预测模型等技术,神经网络方法不仅具有良好的预测精度,同时还具备较强的容错能力和泛化能力。因此,在构建我国的失业风险预警系统中,神经网络模型应该是一种被优先考虑的方法。     

基于支持向量机旅游需求预测

针对旅游预测中常存在旅游因子难以确定、样本容量小等特点,探讨了一种新的预测方法——支持向量机回归算法(SVR)在旅游需求时间序列预测中的应用。以2004年1月至2007年4月的中国入境旅游人数月度数据为样本,建立了入境旅游需求预测的SVR模型。通过对模型的检验并与神经网络模型(BPNN)的比较,其结果表明SVR模型更优于BPNN模型。     

小波神经网络预测方法在石油期货价格预测中的应用研究

金融时间序列数据的预测是预测领域的热点问题。本文结合小渡变换与神经网络的有关理论,给出了基于小渡神经网络的石油期货价格预测具体学习算法并进行了拟合及检测,结果表明该方法具有比常用的BP算法及径向基函数网络算法（HCM算法）更好的拟合能力、推广能力,可为石油期货买卖决策提供一定的依据,并可推广于其它金融时间序列的预测。     

ARMA预测模型和平滑ARMA预测模型的比较研究——基于贵州省1950-2011年的年度CPI环比数据

本文基于贵州省CPI(居民消费价格指数)1950至2011年的年度环比数据进行分析预测,并用Eviews6.0软件完成建模过程。通过对两个模型预测效果的比较,得出结论,平滑ARMA模型的预测效果并没有一般的ARMA模型好,但是平滑ARMA模型可用于对比较短的时间序列的预测,通过平滑方法可以增加样本个数,从而使得本来不能够进行ARMA预测的序列可以用ARMA模型来预测。     

基于多尺度集成模型预测碳交易价格——以广州碳排放交易中心为例

随着全球对二氧化碳排放的日益关注,碳交易市场变得越来越重要。如果能够准确预测不同市场交易的碳价格,不仅可以为政府宏观调控提供更好的参考指标,还可以帮助企业更有效地管理碳排放带来的风险和相关政策。考虑到碳交易价格波动的趋势性和周期性特点,本文基于经验模式分解(EMD)、反向传播(BP)神经网络和深度神经网络(DNN)模型与支持向量机(SVM)等模型,以广州碳排放交易中心的碳交易价格为例对碳交易价格进行预测。实证分析中将单日碳价格时间序列作为各模型的输入变量,代入组合模型进行预测,并分别计算和分析了不同模型预测结果的误差和准确性。最后得出EMD-BP-DNN混合模型与SVM、BP等单一模型相比,预测误差更小,预测结果更准确,该结果提升了碳交易价格预测的准确性,为监管部门和企业决策提供了有效信息。     

基于北京、西安、呼和浩特三地房地产价格指数预测的实证分析

近年来,房地产价格的持续走高,带来了很多负面的影响,如人们认为价格是处于虚高状态,存在房地产泡沫等。为了更好地指导房地产价格水平以及为投资者提供可投资房地产的依据,对房地产价格的预测显得特别的重要。将三地的房地产价格指数作为研究对象,用理论和实际的资料数据以及计量方法来探讨鉴定,针对三地房地产市场的发展特点,研究三地房地产未来的走势。