基于非线性混合模型对股市价格预测兼对比分析

为更精确地预测股市价格未来走势,提出一种新的预测模型：首先采用HP滤波将时间序列分解为趋势序列和周期序列,然后根据序列建模要求,对趋势序列采用自回归模型（AR）进行拟合和预测,对周期序列采用GARCH模型族进行拟合和预测,最后将趋势序列预测值和周期序列预测值相加,与原序列进行比较,进而选择模型精确度较高的模型。通过实证对比其他模型分析,该模型预测效果较好,可以为金融预测提供帮助。     

中国CPI时间序列预测模型

本文利用中国1990-2008年的月度CPI数据,建立自回归移动平均结合模型(ARIMA)对2009年1-5月的CPI进行了预测,结果表明,ARIMA(1,1,2)是描述我国CPI变化趋势相对较优的时间序列模型。     

中国CPI时间序列预测模型

本文利用中国1990—2008年的月度CPI数据,建立自回归移动平均结合模型（ARIMA）对2009年1—5月的CPI进行了预测,结果表明,ARIMA（1,1,2）是描述我国CPI变化趋势相对较优的时间序列模型。     

基于非线性混合模型对股市价格预测兼对比分析

为更精确地预测未来走势,提出一种新的预测模型：首先采用HP滤波把时间序列分解为趋势序列和周期序列,然后根据序列建模要求,对趋势序列采用自回归模型（AR）进行拟合和预测,对周期序列采用GARCH模型族进行拟合和预测,最后将趋势序列预测值和周期序列预测值相加,与原序列进行比较,进而选择模型精确度较高的模型.通过实证对比其他模型分析,该模型预测效果较好,可以为金融预测提供帮助.     

小波在经济数据分析中的应用

经济数据作为一种时间序列，和小波分析中的信号具有相同的特性。因此，完全可以将经济时间序列看成经济信号，应用小波进行实际经济分析和预测。     

基于最优小波包变换、ＡＲＩＭＡ与ＳＶＲ的股票价格预测研究

股票价格序列的变化往往具有高度的非平稳性和异方差性,使得单一的预测方法难以准确预测。利用最优小波包变换,将股票价格序列分解为一系列特征规律较明显的小波包系数,对其中的趋势部分采用ＡＲＩＭＡ进行预测,对细节部分采用ＳＶＲ进行预测,最后将预测结果进行重构得到股价预测序列。实证研究结果表明：该预测方法结构明确,计算高效,能够以较高的精度对股价变化进行预测。     

基于KPCA-ISSA-SVR的盾构施工诱导地面沉降预测模型研究

为了准确预测盾构施工诱发的地面沉降量,论文提出了核主成分—多策略融合的改进麻雀搜索算法优化支持向量回归机(KPCA-ISSA-SVR)预测模型。以73组地面沉降实例为总体样本集构建训练及测试样本,利用核主成分分析对影响地面沉降的地质因素及施工因素进行特征提取的基础上,采用ISSA算法优化参数C和g,建立KPCA-ISSA-SVR地面沉降量预测模型,并与核主成分-Tent混沌映射改进麻雀搜索算法优化支持向量回归机(KPCA-TentSSA-SVR)、核主成分—麻雀搜索算法优化支持向量回归机(KPCA-SSA-SVR)、麻雀搜索算法优化支持向量回归机(ISSA-SVR)模型进行对比。结果表明:KPCA能够剔除冗余信息,降低模型复杂度;ISSA全局寻优及局部探索能力强,能高效准确地确定模型参数;KPCA-ISSA-SVR预测精度更高,稳定性更强。     

长三角制造业结构趋同与经济增长趋同的关系分析

本文首先选择了测度制造业结构趋同和经济增长趋同的方法,并测算了1982年到2003年长三角两省一市间制造业结构和经济增长的趋同程度。经单位根检验与协整检验,对两个时间序列进行了回归分析,揭示了制造业结构趋同和经济增长趋同之间的数量关系,并在格兰杰检验的基础上理清了二者的因果关系。基于向量自回归模型的脉冲响应分析和方差分解分析,对两个序列之间的动态影响进行了考查。结果表明,制造业的结构趋同与经济增长趋同之间存在密切的联系,这有助于人们加深对长三角制造业结构趋同问题的认识。     

基于小波-BP神经网络的风电场短期风速预测

对风电场风速进行较准确预测可以调整调度计划,有效减轻风电对整个电网的不利影响。文章将小波技术和神经网络相结合对风速进行短期预测。先对原始风速数据进行小波分解,再针对各小波分量分别建立BP神经网络模型进行预测,最后通过小波重构得到原始风速预测值。仿真结果表明,所提方法能够有效地提高风速预测精度。     

基于主成分分析法和遗传算法优化支持向量机模型的泥石流危险度预测

为准确预测泥石流危险度,提出了基于主成分分析法(PCA)和遗传算法(GA)优化的支持向量机(SVM)模型。首先利用主成分分析法对7个泥石流危险度影响因子进行数据降维,将提取出的主成分作为支持向量机模型的输入向量,以泥石流危险度作为输出向量,并运用遗传算法寻优获得最佳支持向量机模型参数,最终建立了基于PCA-GA-SVM的泥石流危险度预测模型,并对9条泥石流沟的危险度进行预测,结果表明:PCA-GA-SVM模型的预测准确率达88.9%,满足工程要求。     

经济增长与金融发展:来自中国的时问序列经验证据

在运用主成分分析法构建金融发展指数的基础上,在三变量的向量自回归(VAR)框架下考察了中国1978—2007年期间金融发展与经济增长之间的因果关系。利用时间序列数据,采用协整和向量误差修正模型(VECM)计量方法进行了Granger因果关系检验,结果显示存在着从经济增长到金融发展的单一方向因果关系,支持了Robinson长期来看经济增长导致了金融发展的观点。     

经济增长与金融发展：来自中国的时间序列经验证据

在运用主成分分析法构建金融发展指数的基础上,在三变量的向量自回归（VAR）框架下考察了中国1978—2007年期间金融发展与经济增长之间的因果关系。利用时间序列数据,采用协整和向量误差修正模型（VECM）计量方法进行了Granger因果关系检验,结果显示存在着从经济增长到金融发展的单一方向因果关系,支持了Robinson长期来看经济增长导致了金融发展的观点。     

基于RBF神经网络的中国CPI预测研究

文章将RBF神经网络模型引入到CPI预测领域,运用2001年1月至2010年4月间的国家统计局数据,通过Markway4.0建立CPI预测的数据网络模型。计算结果证明,RBF数据网络模型应用于CPI预测具有较高的精度和良好的泛化能力。     

国际石油价格与我国物价水平关系的实证研究

本文基于协整理论和向量误差修正模型(VEC)对2000年1月至2010年8月国际石油价格(WTI)、中国居民消费价格指数(CPI)和工业品出厂价格指数(PPI)之间的关系进行实证研究。结果表明国际油价和我国物价水平之间存在着长期稳定的均衡关系;WTI与CPI间不存在任何方向的Granger因果关系,WTI是PPI变动的单向Granger原因,CPI与PPI间存在双向的Granger因果关系。方差分解分析进一步表明:CPI和PPI对WTI的影响滞后且较弱,而WTI对CPI和PPI的影响也明显滞后,WTI对PPI的影响显著大于对CPI的影响;CPI对PPI的影响显著大于PPI对CPI的影响,这表明CPI与PPI间的相互影响存在着不对称性。     

ARIMA模型在省级全社会固定资产投资预测中的应用

ARIMA模型较好地解决了非平稳时间序列的建模问题,并且在时间序列的短期预测方面有很好的表现,借助于EViews等统计软件,可以方便地将ARIMA模型用于时间序列问题的研究和预测。利用河南省1989至2006年的全社会固定资产投资总额数据,运用计量经济学软件EViews,基于时间序列分析方法建立相应的ARIMA模型,进行预测分析,为各级政府和企事业单位相关的管理决策,提供数量化的参考信息。     

基于增量支持向量回归机的股价预测模型研究

随着越来越多的人加入到股票投资中,有效的股票预测方法就显得尤为重要。本文利用增量支持向量回归机对上证指数的收盘价进行预测,并同神经网络方法进行比较分析、实证研究,可发现,基于增量支持向量回归机的股价预测模型表现较佳,为股价预测模型研究提供了一种新的方法,进而为投资者提供了一定的参考信息。     

城市空气质量指数的时间序列分析和预测——以扬州市为例

城市空气质量指数是反映城市环境宜居水平的重要指标,预测城市空气质量指数可以为政策制定提供重要的参考依据。选取扬州市2014—2022年的空气质量指数(AQI)进行时间序列分析,采用的时间序列模型有自回归积分滑动平均模型(ARIMA)、先知模型(Prophet)以及人工智能领域的长短期记忆模型(LSTM)。通过这些模型分析扬州市空气质量指数的周期性、季节性和趋势特征,并对空气质量指数进行预测。结果显示,基于人工智能的长短期记忆模型具有很强的预测能力。     

需求增长型企业销量预测方法--以空调生产企业为例

基于基本时间序列分解法、回归分析法和定性预测法,根据“误差决定权重”的指导原则对各种单一预测方法进行权重分配,提出了适用于需求增长型空调生产企业销量综合性预测方法的基本思路,结合国内某空调生产企业实际调研数据给出了计算实例。     

论点摘要

<正>马宇在《财贸经济》2009年第12期发表的"外部冲击、公众预期与价格波动"一文通过回归分析、脉冲响应分析以及误差方差分解等方法实证研究了外部冲击、公众预期与我国价格水平波动之间的关系,结果发现:第一,进口原材料价格变化对我国CPI波动影响显著。从脉冲响应分析结果可看出进口原材料价格对CPI影响在当期就显现出来,一年以后达到最大。方差分解模拟结果显示,从长期来看进口原材料价格对CPI影响具有决定性作用。回归分析结果显示,进口原材料价格在5%水平下对CPI有     

安徽金融发展、产业结构升级与经济增长——基于SVAR模型分析

采用安徽省1978²012年时间序列数据,通过构建结构向量自回归模型,实证分析安徽金融发展、产业结构升级和经济增长之间的相互作用关系。研究结果表明:安徽金融发展规模、产业结构升级对经济增长有明显促进作用;安徽经济增长也有利于金融发展和产业结构升级。