基于ACO优化的ARIMA-ES-RF布伦特原油价格预测研究

为解决传统单一的自回归积分滑动平均(ARIMA)和指数平滑(ES)预测原油价格(以布伦特原油为例)误差较大,难以精确地预测序列非线性特征的问题,提出自回归积分滑动平均(ARIMA)-指数平滑(ES)-随机森林(RF)组合预测方法。目前虽已有大量的原油价格预测模型,但还未有文献利用随机森林组合传统时间序列模型对原油价格进行研究。在此基础上,利用蚁群算法(ACO)对随机森林的重要参数(树的数量及根的深度)进行智能搜索,将随机森林组合模型的预测精度反馈给蚁群进行信息素的实时更新,输出使得组合模型预测精度最高的模型参数。研究结果表明：提出的蚁群优化参数后的组合随机森林模型能更好地预测布伦特原油价格的趋势,预测精度均方根误差(RMSE)从1.15降低至0.88,减少了0.27;平均相对误差从1.10%降低至0.86%,降低了0.24%,预测精度较以往的原油价格预测模型有显著提升。     

基于机器学习的斜坡堤越浪量预测方法研究

针对斜坡堤越浪量预测方法,分别建立集成神经网络(ensemble neural network,ENN)、随机森林(random for-eset,RF)和支持向量回归机(suppport vector regression,SVR)3种机器学习模型对斜坡堤越浪量进行预测,并利用决定系数R2和均方根误差RMSE来评估模型性能.最后,对3种模型的性能进行分析.结果显示,集成神经网络模型的决定系数R2和均方根误差RM S E分别约为0.96和0.0018,随机森林模型的决定系数R2和均方根误差RMSE分别约为0.97和0.0014,支持向量回归机模型的决定系数R2和均方根误差RMSE分别约为0.94和0.002.对比发现,3种模型的决定系数都达到0.9以上,都具有较高的预测精度,随机森林相比其他两个模型精度更高.     

基于PCA-ANN的珠三角民营企业劳资关系预警研究

首先在结合珠三角民营企业实际情况及劳资关系理论基础上,确定了预警指标体系,并对指标进行筛选。其次,通过主成分分析对指标数据进行降维,得到G1"收入保障因子"、G2"工作环境因子"及G3"劳动合同——争议因子"作为预警模型的输入层。然后,计算劳资关系综合得分值G并对企业劳资关系进行重分类为2(重警)、1(轻警)、0(无警)作为预警模型的输出层。最后,运用神经网络建立劳资关系预警模型,共选取珠三角地区9个城市32家民营企业为样本,以调查问卷的形式获得企业劳资关系满意度数据。结果表明,基于主成分——神经网络(PCA-ANN)的预警模型准确性较高,其中劳资关系重警企业6家,集中分布在佛山地区。     

基于百度指数的公路运价指数RO-ELM预测

公路运价指数是公路运输市场波动的衡量指标,对中国的公路运输业有重要的预示功能.利用极限学习机(ELM)的神经网络模型快速、低成本预测公路运价指数.以各百度指数与公路运价指数的相关性确定各分量对公路运价指数的影响,进而利用ADF平稳性检验与Johansen协整检验构建输入序列,最后运用时域优化思想优化输入变量,在ELM神经网络模型内输出预测值.结果表明:基于滚动窗口的ELM模型的MAPE与RMSE分别为1.85％ 与25.17,比单一ELM模型在平均绝对百分比误差和均方根误差上都有提升,预测结果与指数波动相符,可以为公路运价指数的走向提供决策参考.     

基于小波神经网络的上证50指数多步预测

以神经网络为代表的人工智能模型对股票价格具有良好的预测效果,但是该智能模型侧重于单步预测,很难满足实际股票预测的要求。提出基于小波和神经网络相结合的股票指数多步预测智能模型。选取上证50指数为建模数据,运用小波分解将上证50指数收盘价序列分解成不同尺度的分层数据,依据迭代策略,利用BP神经网络分别预测小波分解后的各层数据,最后将各层的预测结果使用小波重构成原始股票收盘价的预测数值。结果表明,基于小波神经网络的多步预测模型具有良好的多步预测效果。     

基于改进型BP神经网络的随机车祸持续时间预测

由于道路交通事故的复杂性使之对事故持续时间的预测困难。采用因子分析和BP神经网络相结合的方法，以福银高速福州段近两年交通数据为依据，采用因子分析获取造成车祸事故的少量公共因子，将公共因子做降维处理后作为BP神经网络的输入参数，利用三层BP神经网络实现对随机车祸持续时间的预测。其结果与回归算法、支持向量机算法以及传统BP神经网络算法相比，精准度高、收敛速度快。     

基于优化AC-BiLSTM模型的机场终端区流量预测

将深度学习用于机场终端区流量预测研究。神经网络具有复杂的网络拓扑结构和较多的超参数，这使得超参数的选择很困难。以往神经网络模型的超参数通常是根据经验来调整的，因此，为了解决超参数搜索问题，引入粒子群算法(PSO)。针对基本粒子群算法(Basic PSO,BPSO)的缺点和不足，提出一种基于自适应惯性权重的混沌粒子群优化（AWCPSO）算法，该算法在基本PSO的基础上进行了改进和优化。具体方法是，使用一种新的动态自适应惯性权重在全局寻优和局部寻优之间取得平衡；进而将混沌思想和粒子群算法相结合，解决粒子群算法易陷入局部最优的问题。实验表明，AWCPSO算法用于AC-BiLSTM模型的超参数寻优时，既解决了BPSO算法的早熟收敛问题，又提高了流量预测的精度。     

美元/欧元汇率的组合模型区间预测

利用BP神经网络提取非线性特征,对残差运用广义自回归条件异方差模型分析波动性,最后将趋势与波动性结合给出预测区间。以2001年2月至2017年6月美元/欧元汇率的日收盘价数据为例,研究发现：BP神经网络具有很好的非线性刻画能力,但“过拟合”以及“欠拟合”均会影响预测区间的精度,只有合适的误差大小和精度标准才能得出较好的预测结果;同时也发现广义自回归条件异方差模型能够较为准确地分析波动性,且组合模型优于单一模型,适合中长期的区间预测。     

基于小波神经网络的沪深300指数收盘价预测

针对传统BP神经网络模型预测的缺陷,本文采用小波神经网络对沪深300指数收盘价的短期走势进行了预测分析.实验结果表明小波神经网络比直接使用神经网络进行预测的精度更高,预测的效果也更好.     

科技专家评审质量评价模型实证研究

针对科技主管部门面临的科技专家评审质量不高、监管机制缺失等问题,通过信息化手段实现专家管理的高效化、智能化、规范化.研究确立以科技专家基本素质、工作态度、专业程度及指导水平4个维度为主体框架的评审质量评价指标体系,开展基于神经网络算法的专家评审质量评价模型的构建.通过对比经验评价数据与神经网络评价预测值间的误差,验证基于神经网络算法的专家评审质量评价模型的高精准性,为客观、科学、智能、规范评价科技专家评审质量提供一种可行路径.     

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。     

引入小波分解的神经网络预测——以玉米大宗商品价格序列为例

采用世界银行发布的连续752期月度玉米国际价格,将其视为离散价格时间序列,运用小波理论中的Mallat算法,把价格序列分解为若干高频分量和一个低频分量,然后将各分量导进循环神经网络,再累加所得的各个分量预测值,作为最终预测价格。实验表明：引入小波分解的神经网络模型,在玉米价格时间序列中,比较灵活地捕捉到高频和低频信号,并准确拟合和预测这些部分的数值;说明该方法对于价格频繁剧烈波动的场景具有实用意义。     

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。     

基于神经网络模型的上市公司财务预警研究

为了对上市公司财务状况进行合理预测,利用神经网络模型进行企业财务预警研究。首先,运用主成分分析等统计方法对初选的财务指标进行筛选,从初始指标中提取了五个因子作为财务预警指标;然后,选取2010至2013年间首次被特殊处理的上市公司作为财务危机样本企业,构建的财务预警模型提前三年的预测准确度近似于90%。研究结果表明,神经网络模型对我国上市公司财务状况预测具有较高的准确度,并且对预警指标进行适当的预处理,会提高模型预测的准确率。     

基于Copula-GARCH模型的原油市场和股票市场相关性研究

由于原油市场和股票市场之间的联动性日益增强,因此研究两个市场之间的关联特征,分析原油价格波动对股市的影响,有助于规避风险,保证经济持续平稳地增长.采用Copula-GARCH模型对WTI原油价格的收益率序列和NASDAQ股指的收益率序列进行实证分析.结果表明,GARCH(1,1)-t模型拟合两个序列的条件边缘分布效果最好,时变SJC Copula模型比常相关Copula模型能更好地刻画两个市场之间的相关关系.两个收益率序列之间存在正的相关关系,且相关关系具有时变性,相关结构具有一定的不对称性,上尾相关系数小于下尾相关系数,即两个市场同时出现价格极端下跌的可能性更大.这为中国金融市场风险管理,规避油价波动对股市的冲击提供一定的参考依据.     

基于习惯形成的资产定价模型的稳态分析

习惯形成对资产定价有重要的影响，但是以往的研究几乎没有对基于习惯形成的资产定价模型进行稳态分析。本文将经济学中的稳态分析引入资产定价中。对传统的基于习惯形成的资产定价模型进行了改进。我们的研究表明，当金融市场处于一般均衡状态的时候可能存在多个均衡解：当金融市场处于稳态时。随机折现因子和的乘积一定小于1;剩余消费比率是股票市场内部波动性的一个来源．剩余消费比率的变动可以导致资产价格的波动。这些结果可以帮助我们理解金融市场的内在波动性以及习惯形成对资产定价的影响。     

A Flexible Neuro‐Fuzzy Approach for Improvement of Seasonal Housing Price Estimation in Uncertain and Non‐Linear Environments

Changes in housing price affect both individuals and government since they have substantial influence on the socio‐economic conditions. Valuations of housing are necessary in order to assess the benefits and liabilities in housing sector. This study presents a flexible meta‐modelling approach for improvement of housing price estimation in ambiguous and complex environments. It is composed of artificial neural network (ANN) and fuzzy linear regression (FLR). Seven FLR models are considered to cover latest approaches and viewpoints. Also, ANN is applied to data sets. The preferred FLR model is selected via mean absolute percentage of error (MAPE) for further considerations, and then the preferred FLR model and the best structure of ANN are applied to the data set. Finally, the preferred model is selected based on MAPE. The intelligent approach of this study is applied for estimation and forecasting housing price in Iran. The housing price in Iran mainly is based on eight economic indices including currency, oil income, general index, house service pricing index, rate of informal market, gross domestic production in basic price, added value of oil group and construction materials price. FLR is identified as the preferred model with lowest MAPE for housing price forecasting in Iran. This shows that the housing market of Iran is associated with severe environmental fuzziness and ambiguity. This is the first study that introduces a flexible neuro‐fuzzy approach for improved estimation and forecasting of housing price in noisy, complex and uncertain environments.     

黄金对美元和通货膨胀的对冲作用研究

在全球经济危机背景下黄金市场如火如荼,与萧条的全球市场产生巨大反差。同时引发了对黄金的新一轮追捧热潮。本文通过使用1995年1月至2009年6月期间的月度数据调查黄金对美元以及美国国内通货膨胀的对冲作用。通过协整检验明确了黄金价格和美元指数以及消费价格指数之间的长期关系。基于向量误差修正模型的格兰杰因果检验证明了黄金价格对美元指数以及消费者物价指数的单向作用。另外,研究结果还显示黄金可以作为通货膨胀的指示器对宏观经济指定提供参考。