基于奇异谱分析的旅客运输量预测研究

对旅客运输量进行科学准确地预测,可以为交通领域相关部门提供有效的借鉴。将旅客运输量作为研究对象,基于SSA(奇异谱分析),结合LSTM(长短时记忆神经网络)和ARMA(自回归移动平均模型),通过SSA降噪处理,将旅客运输量时间序列分解为信号序列和噪声序列,分别对其进行LSTM和ARMA(2,3)建模,预测其变化趋势。通过对比单一的ARIMA(3,1,2)模型和LSTM模型的实验结果表明,SSA-LSTM-ARMA预测旅客运输量效果更好,预测精度更高。     

基于K-means-LSTM模型的证券股价预测

鉴于股票数据具有非平稳、非线性等特征,传统的统计模型无法精准预测股票价格的未来趋势。针对这个问题,构建一种混合深度学习方法来提高股票预测性能。首先,通过将距离算法修改为DTW（动态时间归整）,令K-means聚类算法拓展为更适用于时间序列数据的K-means-DTW,聚类出价格趋势相似的证券;然后,通过聚类数据来训练LSTM（长短时记忆网络）模型,以实现对单支股票价格的预测。实验结果表明,混合模型K-means-LSTM表现出更好的预测性能,其预测精度和稳定性均优于单一LSTM模型。     

基于深度学习对茅台机场降水量预测的研究

强降水等恶劣天气对于民航的正常运行有着极大的危害，降水量的准确预测有助于民航等企业安全稳定运行。通过对机场跑道自动气象观测系统（AWOS）收集的降水时序数据进行预处理，为深度学习提供训练和测试的样本集，然后分别构建长短期记忆模型（LSTM）和时序卷积网络（TCN）模型，实现对未来1～3 h降水量的预测，并对两个模型的预测精度进行比较分析。结果表明,TCN模型的预测效果优于LSTM模型。其中，对未来1～3 h降水量的预测中，TCN模型的R2分别为0.96、0.91和0.86。     

面向农产品期货价格预测的改进LSTM方法

期货市场在金融领域具有重要的地位,而期货价格走势的预测对投资者和决策都十分关键。目前,期货价格走势预测模型使用的方法较为单一,且预测模型的精度不够理想。文章以农产品期货价格预测为研究对象,围绕数据预处理、模型构建、集成决策等展开相关工作,针对农产品期货价格具有的典型时序性特征以及其非线性、非平稳等特点,提出一种基于LSTM模型的改进LSTM预测方法。该改进方法引入EEMD方法,先对原始期货价格序列进行分解,再对分解所得的每个子序列进行建模、预测、叠加子序列预测结果以得到最后的预测结果。实验结果表明,该改进方法与LSTM,SVR等传统的机器学习预测模型相比,精度明显提升。     

联合谐波小波与递归神经网络的股市时间序列预测

为了提高神经网络对股市时间序列的预测精度，首先利用谐波小波对股票市场数据进行多尺度分解，将其分解为不同尺度且具有平移不变特征的谐波小波分量；然后根据股市时间序列的特点，构建递归神经网络模型进行短期预测，以不同尺度的谐波小波分量为输入数据，对股市数据进行多尺度预测；最后对不同尺度的预测结果进行谐波小波重构，得到最终的股市预测数据。对我国股票市场进行了实验分析，结果表明：股市时间序列经谐波小波分解后，股市数据中不同投资时间水平的价格波动可以被较好的分离，有效地提高了股票市场数据的预测精度。     

基于VaR-GARCH模型的我国股指期货风险管理研究

股指期货风险管理的核心是基于波动率预测的风险度量,波动率可以用价格涨跌率进行描述,而股指期货价格涨跌率时间序列具有波动聚集效应、厚尾效应以及时变方差效应,故可采用对波动性估计精确可信的GARCH模型。在建立VaR—GARCH风险评估模型后,对我国单个股指期货合约IF1006进行实证分析,结果表明VaR—GARCH模型可以很好地预测和控制我国股指期货风险。     

SVM与BP网络对基金波动的预测效果比较分析

运用支持向量机（Support Vector Machine，SVM）预测基金波动率时间序列，并将Back—propagation（BP）神经网络作为基准方法，实验选取沪深交易所上市的6只样本基金，根据选用的性能评价尺度：正则均方误差（NMSE），平均绝对误差（MAE）以及方向对称（DS）指标，仿真结果表明在预测基金波动率问题上，SVM比BP有更好的预测精度。文章最后给出解释。     

利用包含随机波动的时变参数模型预测通货膨胀

本文在广义的菲利普斯曲线的理论框架下,应用灵活的包含随机波动的时变参数模型(TVP-SV)分析了中国的通货膨胀预测。实证结果与传统的线性回归模型对比发现,TVP-SV模型能够更好地对数据进行拟合并显著的改善通货膨胀的预测精度。     

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。     

Forecasts for international financial series with VMD algorithms

Recent models with variational mode decomposition (VMD) have been applied to time-series forecasting. In this paper, we build a hybrid model named VMD–autoregressive integrated moving average (ARIMA)–Taylor expansion forecasting (TEF) to increase accuracy and stability for predicting financial time series. We use VMD algorithms to decompose financial series into subseries. An ARIMA model is built to predict each mode’s linear component, and the pragmatic TEF model based on a tracking differentiator is applied to forecast of the nonlinear component. Then the forecasts of all subseries are assembled as a final forecast. Our empirical results of international stock indices demonstrate that the proposed hybrid approach surpasses several existing state-of-the-art hybrid models.     

基于日间高频交易数据的股市波动研究

本文利用上证综指在2005～2009年内的日间高频数据,通过已实现波动率这一概念对我国股市在这5年间的波动特性做了研究。进一步地,根据已实现波动率序列的统计特征,对其进行长记忆建模,并对模型的波动率预测效果与常规GARCH模型的预测效果做了对比分析。基于上证综指的研究结果表明,利用了日间高频信息的波动率模型在波动率预测上,比仅利用了收盘信息的GARCH模型更有优势。     

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。     

基于Fourier变换和ARMA模型的纳斯达克综合指数预报

针对金融时间序列存在非线性、随机波动强的特点,提出Fourier变换结合ARMA模型的区间预测方法。根据谱密度分布,通过信噪比和方差累积变化确定时间序列的多周期复合趋势。数据分析表明,这种多周期复合趋势的残差适合用ARMA模型建模。对2012年12月28日至2015年7月21日纳斯达克综合指数每日收盘价的分析显示：该序列的最佳趋势由两个周期序列合成,对该趋势的残差用ARMA模型建模,获得比较理想的区间预报效果。     

股票资金流强度的实证研究及评测

在资金博弈的股票市场中,资金流向确认与计算是金融工程的一大理论难题,国内有学者在现有资金流计算方法基础上,提出了股票资金流强度模型和构建了股票资金流指数指标体系。根据统计分析方法利用SPSS软件对股票资金流强度和股价波动环比增长率进行相关性分析,进而实证股票资金流强度指标的有效性。实证结果表明股票资金流强度与股价波动环比增长率呈线性趋势,从而利用股票资金流强度指标可以很好地预测股价的变化。     

基于组合模型的股票预测研究综述

随着金融业数据环境的日益复杂,利用传统单一模型进行高精度股价预测变得愈加困难。面对日益突出的股票分析技术需求,组合预测模型开始得到发展并取得了很多成果。首先介绍影响股价波动的分析指标,概括基于传统统计预测模型、机器学习、神经网络等单一预测模型在股票预测中的优势与不足。然后依据组合预测模型的组合形式,将其分为线性模型的组合、非线性模型的组合以及线性与非线性模型的组合3种类型,并报告多种组合模型的实际应用与研究现状。最后,对组合模型股票预测方法的有效性和稳定性进行展望。     

基于XGBoost和LSTM模型的金融时间序列预测

随着人工智能快速发展,深度学习模型预测金融时间序列成为热点问题.数据及特征选取是决定模型效果的重要环节,用XGBoost模型进行特征优化并预测黄金价格涨跌趋势,再与LSTM模型比较预测效果.用XGBoost分析动量因子特征重要性并选取有效指标;形态因子做历史回测并选取胜率较高的K线指标,预测准确率提升1.5％.以相同因子为LSTM模型特征值预测准确率提升6.5％,达到80％.以欧元和浦发银行股价数据为样本均证实K线指标有效且LSTM模型预测效果优于XGBoost.