基于DEA模型和GM模型的指数预测法

DEA模型和灰色预测模型是两个常见的、预测效果也较精确的模型,本文基于这两个模型构造了加权模型,使得预测结果更加精确,模型的应用范围也更广,并通过对上证指数和深证指数的预测来验证模型的准确性。在实证部分还给出了新陈代谢加权模型,从实际数据的验证结果可以看出这一改进同样使得预测结果更加精确。     

基于ARIMA模型的我国快递业务量状况研究

本文通过Eviews8.0软件采用时间序列分析方法,对我国快递业务量的月度数据进行分析,建立ARIMA模型并进行参数估计及检验,对比Holt-Winters季节乘法模型预测结果和实际值进行误差分析,选择ARIMA季节乘积模型,对未来我国的快递业务量进行预测。     

基于ARIMA的多晶硅组件价格预测

本文依据北极星光伏商务通网站多晶硅组件价格相关数据,采用时间序列分析法,对2012年4月20日至9月20日多晶硅组件价格周数据进行了分析。通过对数据的平稳性检验、模型的确认、模型检验等综合分析,建立了ARIMA(0,2,4)时间序列模型,对预留最后3周的数据进行预测。预测结果表明,实际值与预测值之间的绝对误差均在1.43%以内,误差率均在2.46%内,该模型有较好的短期预测效果,能较好地模拟并预测多晶硅组件价格变化的趋势,为光伏企业产品价格的准确预测提供了重要方法。     

基于马尔科夫GM(1,1)模型的物流货运量预测研究与应用

物流货运量是衡量物流行业发展快慢的重要指标。针对不确定影响因素较多的物流货运量预测采用传统GM(1,1)模型预测,预测结果精准度较低。针对该问题,提出了基于马尔科夫原理的GM(1,1)模型,进行物流货运量预测研究与分析应用。根据马尔科夫GM(1,1)模型原理,以近几年的某地物流货运量为研究数据,通过实际应用研究结果可知,该方法预测效果较好,为研究物流发展提供参考。     

神经网络组合预测方法在R&D支出中的应用分析

通过BP和RBF两种神经网络的组合应用,并结合使用Matlab7.0软件提出了一种新的组合预测方法。首先通过采用了两种成熟的预测方法BP和RBF神经网络对R&D经费的支出分别进行预测,然后把所得的预测值再通过三层结构的RBF网络结合Matlab软件进行组合预测,得出最后的预测值再与实际的数据进行比较。从预测结果来看,将该组合预测方法很好的拟合了我国每年R&D经费支出,避免单一预测方法存在的预测精度不高,限定条件过多等问题,有效地提高了预测精度,得出了较为满意的预测结果。     

用灰色动态模型进行人口变动分析与预测的编程实现

介绍了利用编程实现用灰色动态模型进行人口变动分析与预测的方法。介绍了建模与模型检验的数学理论 ,论述了编程实现这一过程的实用意义 ,并给出了解决这一问题的实际方案。     

中国男女性别人口死亡率联合预测——基于Li-Lee模型与Lee-Carter模型的比较研究

充分利用男女性别人口死亡率数据的有效信息,联合预测男女人口死亡率,能够提升死亡率建模方法的科学性和预测结果的合理性。选取国家统计局公布的分年龄、分性别人口死亡率数据,采用多人口Li-Lee模型对男女性别人口死亡率进行联合预测,并将预测结果与单人口Lee-Carter模型进行比较,以探寻适合中国人口死亡率预测的模型方法。研究表明,相对于Lee-Carter模型,Li-Lee模型在中国男女性别人口死亡率拟合与预测中具有较好的表现,全样本拟合值的绝对百分比误差平均降低了0.23%,且短期预测值精确度相对较高。同时,Li-Lee模型预测的人口死亡率性别比在长期中能够进入合理区间,避免了出现Lee-Carter模型预测结果中的异常数值,并通过补充中国台湾省人口死亡率数据,进一步验证了Li-Lee模型长期预测结果的稳健性。研究结论能够为我国积极应对人口老龄化、落实人口中长期均衡发展战略提供基础性支撑信息。     

用灰色动态模型进行人口变动分析与预测的编程实现

介绍了利用编程实现用灰色动态模型进行人口变动分析与预测的方法.介绍了建模与模型检验的数学理论,论述了编程实现这一过程的实用意义,并给出了解决这一问题的实际方案.     

一种基于改进逻辑斯蒂模型的人口预测方法

本文给出了一个改进的逻辑斯蒂模型。以美国人口数据为依据,利用非线性拟合的方法,对参数进行了估计,并和实际人口数据进行了对比。结果表明改进模型比传统逻辑斯蒂模型更接近于实际值,预测效果更好。     

基于投资者情绪对高频股票的预测

股票市场预测是经济领域中非常重要的实际问题。高频金融数据包含更多信息,对捕捉股市微观变化非常显著。因此,通过运用高频金融时间序列来预测短期内股票价格趋势可以更精准地规避风险并获得理想回报。为了将投资者情绪应用于高频领域,本文提出了一种基于Informer的高频股市长时间序列预测模型AE＿Informer,该模型考虑了投资者情感。首先,本文提出引入投资者情绪对股票高频数据进行股票预测,可以有效地提高模型的预测精度。本文对原有的Informer模型进行了改进,增加了非对称Embedding层来更好地利用股票评论数据对股票进行预测。实验结果表明,加入投资者的情绪倾向对提高预测效果有效,而改进后的Informer模型在对加入投资者情绪的高频股票长期预测中优于原版模型。     

基于粒子群神经网络的商业银行流动性风险预测

在分析我国商业银行流动性特征的基础上,采用粒子群神经网络建立一个风险预测模型,选取主要的流动性指标,将浦东发展银行14年的季度数据作为实证研究的样本,采用粒子群神经网络算法对各指标进行分析并预测。预测结果充分逼近实际的流动性水平,表明这是一种较为理想的流动性风险预测工具。     

基于时间序列的我国GDP的短期预测

随着经济全球化的深入,一国的经济实力在国家实力中的重要性越来越突出,世界各国都开始疯狂发展经济,以在国际竞争中求得一席之位。GDP(国内生产总值)从某个侧面反映了国家的经济实力,成为了各国衡量经济实力的重要指标。中国从改革开放之后,经济不断发展,GDP数据逐年增加,并呈现一定的规律。若能准确的预测中国之后几年的GDP数据,对国家宏观调控具有重要意义。本文在各项预测方法中选择了时间序列模型作为研究对象。从时间序列的基本概念出发,了解时间序列模型的种类与建模方法,以整套的时间序列建模理论为基础,在我国GDP数据上建立了ARMA模型,应用ARMA模型对2012年我国GDP数据进行预测,其预测结果与实际值之间相差很小,拟合结果比较满意;在此基础上,预测未来三年的GDP数据。     

基于时间序列模型的中国出口总额分析及预测

基于中国近20年来中国出口总额的月度数据,通过对数据特征进行的分析,采用了Holt-Winters滤波方法和ARIMA(0,1,1)模型对数据进行拟合,并对模型进行了相关检验,以此来考虑模型的可行性及拟合效果的优良性。最后对中国出口总额的月度数据进行了预测,结果显示Holt-Winters滤波方法和ARIMA(0,1,1)模型的预测平均相对误差率很小,说明时间序列模型在我国出口总额的预测中具有较好的实用价值。     

探索时间序列预测法在财政收支预测中的应用

本文采用简单的时间序列预测方法,通过对国家财政收入和支出数据的分析，建立曲线模型，然后根据模型与实际数据曲线的拟合程度，分析误差，最终利用模型预测数据，以达到较为准确的拟合和预测效果。     

基于深度学习的期权价格预测研究

期权作为一种高杠杆的金融衍生品,拥有出色的套利和对冲性能。传统的无套利期权定价方法,包括Black-Scholes期权定价模型、Merton模型和Heston模型,他们的诞生均具有严格的假设条件,同时使用随机过程拟合期权价格走势。然而,由于实际期权市场与上述严格的假设条件具有较大差异,因此传统的无套利期权定价方法无法还原实际市场中的期权定价过程。由此,本文着眼于数据驱动方法,采取深度学习算法来模拟期权定价过程。本文选取上证50ETF期权的数据,在传统无套利的Black-Scholes期权定价理论基础上,利用深度学习中的BP神经网络及LSTM神经网络模型对欧式期权定价进行可行性研究。本文建立两个期权价格预测模型,并利用这两个模型分别对期权价格进行预测,用MSE、MAE和R-squared这三个模型评价指标来描述不同模型的预测精度。实证结果表明,LSTM模型的预测精度在预测上证50ETF期权价格时具有显著优势。     

多目标控制系统中TCP粘包问题的解决方法

测控设备采用传输控制协议/网际协议（TCP/IP）作为基础协议，进行遥控多通道并行工作时易造成网络数据粘包。针对此问题，在对TCP协议特点进行分析的基础上，通过讨论TCP编程模型和流交付模型，研究了发生TCP数据流粘包时的网络数据特征，并分析了发生网络粘包的原因，提出了局域网环境下采用短连接、发送端及格式数据组包3种解决网络粘包的方法。实际测试结果证明了这3种方法的适应性及格式数据方法还原TCP网络数据包的有效性，可为基于TCP应用软件开发提供借鉴。     

基于改进型深度学习的流量预测

为了解决无线网络中流量的预测精度不高的问题，提出了一种自适应分组的栈式自编码(AG-SAEs)深度学习预测方法。在数据的预处理过程中，首先使用最大最小方式对数据进行归一化处理，并提出一种新型的自适应分组方法，把归一化后的链路数据进行关联性分组；然后，基于深度学习方法建立了一个多输入多输出的预测模型，并将分组后的数据输入到预测模型中，对该模型进行训练来建立输入和输出流量之间的映射关系；最后，为了进一步提高预测精度，在模型的训练过程中，使用改进型的牛顿法来进行权值参数更新。仿真实验以及和其他算法对比的结果证实了所提方案具有更小的预测相对误差。     

基于BP神经网络的股票价格预测研究

本文针对股票市场这一非线性系统,利用人工神经网络的方法来对股票进行时间序列预测。采用BP神经网络,将历史时间序列数据作为参考依据,预测未来短期内的股票价格;并在此基础上,与实际的股票价格进行对比分析,并得出结论。对于股票市场内的投资者具有一定的理论意义和实践价值。     

基于遗传算法的我国居民消费价格指数短期灰色预测研究

针对传统灰色GM(1,1)预测模型存在精度差的问题,提出采用遗传算法对其进行改进。利用改进的GM(1,1)模型,根据2006年1月至2008年3月共27个月我国居民消费价格指数的统计资料,对2008年1-3月消费价格指数进行了预测,与实际消费价格指数和传统GM(1,1)的计算结果进行比较研究,结果表明改进的模型预测精度高,预测结果好,最后对未来三个月居民消费价格指数进行了预测并进行了分析。     

基于ARIMA模型对我国进出口总值进行分析及短期预测

本文基于时间序列中ARIMA模型的方法对我国进出口总值进行了分析、预测。以2000年1月到2014年1月我国进出口总值的169个月度数据（名义值）为基础,建立了AR模型,根据与实际数据比较,确定模型准确性,并给出了2014年2月到2015年1月的我国进出口总值的预测数值,对于分析实际中我国进出口总值的经济意义具有借鉴价值。