"碳达峰"目标下中国碳排放强度预测——基于LSTM和ARIMA-BP模型的分析

本文基于LSTM神经网络模型并在一定的经济增长预期下推导预测出我国碳排放强度变化趋势,同时,建立ARIMA-BP神经网络模型作为验证模型对碳排放强度进行直接预测。研究结论为:(1)LSTM神经网络模型在验证集上的均方误差(MSE)为0.00001,平均绝对百分比误差(MAPE)为0.33%,表明模型泛化能力十分优秀,在LSTM神经网络模型预测框架下,中国碳排放强度将在2030年达到0.9237吨/万元,相较于2005年的碳排放强度2.9755吨/万元下降68.96%;(2)在ARIMA-BP神经网络模型的预测分析中,预估中国2030年碳排放强度能够下降至0.9840吨/万元,相较于2005年2.9755吨/万元的碳排放强度下降66.93%;(3)将ARIMA-BP神经网络模型得到的碳排放强度预测值与LSTM神经网络模型进行对比,LSTM模型在预测精度上的表现更佳,两个模型对于2030年碳排放强度值的预测相差0.0603吨/万元,对于碳排放强度较2005年降幅预测相差2.03个百分点,验证了本文预测模型的稳健性。     

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,     

ARIMA模型在股票价格预测中的应用

文章研究了ARIMA模型及其应用,以三一重工(600031)的120个股票价格数据为例,给出了时间序列模型预测的建模过程。通过真实值与预测值的比较,验证了模型的可靠性,该模型适用于短期预测,对长期预测效果不佳,为实际应用中,对短期预测股价,提供了参考的依据。     

基于SVR的股票价格预测研究

本文采用支持向量回归(SVR)对股票价格进行预测分析,以中国人寿(601628)为对象进行建模和预测研究.选取中国人寿2015-2016Q1的股票技术指标等数据作为训练样本对下一交易日的开盘价进行预测,以2016年4月的数据进行检验,并通过图像拟合来验证SVR用于股票预测的可行性和准确性.     

我国证券市场高科技股价指数时间序列的R/S分析及价格风险与收益关系的新解释

应用R/S方法对高科技股票指数进行非线性特征分析，计算出H值为0.625，说明我国高科技股票价格变动趋势具有持续性，价格对信息的反应为非齐次过程；但该值低于我国股市的一般水平，说明高科技股票价格的逆转特征较一般股票更强。同时，还计算出我国高科技股票价格变化有120天的平衡周期和30天的短期趋势窗口。在此基础上提出了新的股票价格风险与收益对应关系模型，并以此分析出我国高科技股票价格的投机性更强、投资风险更高。     

股票价格预测模型研究

依据建模理论的不同,可将股票价格预测模型分为两大类,运用这两类模型对股票价格进行预测时各有特点。本文对这两类模型及其研究现状进行系统研究,将两类模型的特点进行比较分析,探讨股票价格预测模型在我国应用中存在的问题,并对未来发展方向提出建议。     

基于改进BP神经网络的股票预测

股票价格走势已经成为人们关注的焦点,为了更精确的预测股票价格,得到更合理的股票投资意见.本文将附加动量法与BP神经网络结合,应用附加动量法去寻找BP神经网络的初始权值和阈值,并且应用主成分分析提取贡献率达到90%的主成分作为输入变量对股票进行预测,从而进行分析比较.实验结果表明,PCA-AM-BP模型在降低预测平均误差的同时,运行时间大大减少,加快了算法收敛速率.     

我国城乡居民收入差距的时间序列分析

本文以1978-2007年间,农村居民人均纯收入与城镇居民人均可支配收入之比代表城乡居民收入差距,并通过建ARMA(自回归移动平均)模型对其进行时序分析.分析结果表明,AR(1)模型能够提供较好的预测结果,因而可以用其进行预测,为相关部门提供参考数据,同时通过模型得出,我国城乡差距有进一步拉大的趋势.     

基于RBF网络的股市混沌预测

根据股票市场具有动荡混沌的特性，以相空间重构理论和神经网络技术为基础，构建出股票价格短期预测的网络模型。用某股票的实际收盘价作为观测数据，通过训练RBF神经网络得到预测数据。结果表明，用径向基神经网络预测股价是可行的和有效的。     

河北省旅游外汇收入时间序列建模及预测

本文在分析1984年至2011年河北省旅游外汇收入额年度数据的基础上,建立了旅游外汇收入额的ARMA(p,q)模型.首先针对序列的非平稳特征,对河北省旅游外汇收入额变量进行对数化处理,将时间序列的指数趋势转化为线性趋势,然后对序列继续进行差分处理,变成平稳序列,建立河北省旅游外汇收入时间序列的ARMA模型并对模型进行检验,最后将模型用于河北省旅游外汇收入的预测分析.实证结果表明:ARMA(1,1)模型提供了较准确的预测效果,可以用于未来的短期预测.