组合预测模型在四川省工业经济效益预测中的应用

针对季度工业经济效益综合指数具有增长性和波动性的二重趋势,首先对该指标建立GMDH自回归模型和AC模型,然后用基于误差平方和最小的多元回归方法对各单一模型的预测值进行组合,得到最优模型。同时将组合预测结果与工业经济效益综合指数实际值以及GMDH、AC单一模型的预测结果相比较。进一步显现出组合预测模型在工业经济效益预测中的优势。从而为工业经济效益的预测提供了一种行之有效的方法。     

基于组合模型的江苏省居民用电量预测分析

研究利用时间序列基本分析方法ARIMA模型分析法、指数平滑ETS模型和神经网络自回归模型对江苏省居民每月用电量进行数据分析、处理、拟合、检验及预测,以2004年1月至2017年12月用电计量数据作为分析样本,使用R软件对该时间序列进行建模。对给出的数据建立ARIMA模型、ETS模型和NNAR神经网络自回归模型,接着利用MAE、RMSE、MAPE三个评价指标来衡量模型的优良度。尝试通过组合模型对2018年江苏省居民12个月的用电量进行预测,与实际值进行对比验证,发现权重模型的误差最小,选择作为最终预测模型。最后得出结论,组合模型的预测效果要优于非组合模型。     

ARIMA模型在短期预测中的应用——以预测广东省“十二五”期间GDP为例

一、前言国内生产总值(Gross Domestic Product,简称GDP)是指在一定时期内(一个季度或一年),一个国家或地区的经济中所生产出的全部最终产品和劳务的价值,常被公认为衡量国家经济状况的最佳指标。它不但可反映一个国家的经济表现,更可以反映一国的国力与财富。而广东省经历60年的发展,从中国一个落后的边陲省份一跃成为全国经济最发达的省份之一。工业化、城市化和国际化进程不断加快,从建国初期的初级产品生产阶段过渡到目前的工业化中后期阶段,部分地区已经迈进了发达经济阶段。近年来,广东经济总量实现大跨越,但是自从2008年金融危机     

基于ARIMA模型的国际粮食短期价格分析预测——以大豆为例

随着经济社会的快速发展,我国粮食生产、消费和进口量已成为全球第一.国际粮食价格频繁且复杂的波动势必对人们日常生产、生活造成重大影响.鉴于我国粮食中大豆严重依赖进口,为了防范来自国际大豆价格波动对我国的冲击,以2000年1月～2015年12月国际大豆价格为例,通过建立ARIMA模型对未来短期内国际大豆价格走势进行预测,认为短期内国际大豆价格将趋于平稳.根据模型的误差精度值可以看出模型收到了很好的预测效果,对大豆价格的预测及其他粮食价格的分析具有一定参考价值.     

统计预测模型在进出口额的实证分析与应用研究

进出口总额对研究地方经济发展特别是外向型经济发展水平有着重要的作用,能够为外贸工作提供可靠依据.本文从数据挖掘预测功能的角度,利用SAS 8.2统计分析软件和MATLAB7.0仿真程序设计建立BPANN模型,开展对重庆市进出口额预测的定量分析,筛选出适合重庆市的进出口额预测模型,为制定外贸政策提供科学依据.本文研究结果显示BPANN模型对重庆市进出口额预测取得较好效果.     

小额贷款公司利率神经网络预测模型研究——以广州民间金融街为例

利率风险是小额贷款公司面临的主要风险之一,科学的利率预测方法是小额贷款公司利率风险控制的前提。本文以广州民间金融街小额贷款公司的利率数据,验证了BP神经网路时间序列预测模型具有较好的利率预测能力和推广能力。     

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。     

季节ARIMA模型在企业销售量预测中的应用——以卷烟销售为例

为预测贵州省各地、市、州烟草公司2016年卷烟季度营销情况,本文收集了贵州省各地、市、州烟草公司2006年~2015年卷烟季度销量数据,建立了季节ARIMA模型(Auto-Regressive Integrated Moving Average Model,整合自回归移动平均模型)。为了提高卷烟销量预测的准确性,本文把异常值加入模型,经过实证分析,以六盘水市卷烟销售为例,该模型很好地模拟了该市卷烟销售量的变化规律,并且有效地预测了该市卷烟季度的销量。     

基于ARIMA模型和神经网络模型的股票价格预测——以百联集团为例

本文将分别利用时间序列的ARIMA模型和神经网络,对国内零售业航母——百联集团旗下的友谊股份(600827.SH)和上海物贸(600822.SH)股票的价格进行预测,并将这两种预测方法进行对比,选择最优的方法进行预测。最后发现ARIMA模型和神经网络的模型预测效果都很好,但是神经网络相对更好。     

基于AR模型的上证A股指数回报率实证分析

运用AR模型对上海A股指数回报率进行研究,通过时序图和DF平稳性检验的结果模型阶数,观察数据的自相关性和偏相关性,并建立相应的AR(p)模型,运用模型对未来的指数回报率进行预测。     

组合模型在四川省固定资产投资预测中的应用

固定资产投资往往会受很多不确定因素的影响,这些不确定因素中有些因素可以量化,有些因素是不能量化的.本文以1997年至2008年的四川省固定资产投资总额为样本数据建立组合模型,对模型进行识别、估计、检验,并且用2004年至2008年数据进行组内验证预测,预测精度都达到95%以上,文章运用此模型对未来5年的固定资产投资总额进行预测,以期为四川省有关部门制定固定资产投资政策提供比较科学的依据.     

我国股指期货收益与宏观经济关系的实证分析

股指期货是以股价指数为标的物的标准化期货合约,其具备高杠杆性、投机性和交易策略复杂性的特征,其风险与收益的变化在对宏观经济产生复杂影响的同时,也必然受到宏观经济各环境因素的影响。本文通过构建向量自回归模型,然后建立平稳性检验、最优滞后长度检验与协积检验,可以使数据分析更加合理可靠,最终实现更好的衡量股指期货收益、为其指标体系的构建提供良好的示范。     

基于GARCH和E-GARCH模型的投资组合波动预测分析:以上证50指数为例

通过借助GARCH模型和考虑数据不对称性的E-GARCH模型,分析上证50指数投资组合波动的预测性,实证结果发现:上证50指数日收益率波动均存在条件异方差,市场收益率的波动随时间的变化而变化,而且经常在某一时刻中连续出现偏高或偏低的情况;另一方面,从GARCH模型和E-GARCH模型对上证50指数的预测比较可看出,选取的上证50指数样本数据具有一定的不对称性,短期来看,GARCH模型和E-GARCH模型都能够很好的拟合上证50指数的日收益率波动轨迹,预测误差较小。但随着样本期的延伸,相对于GARCH模型,E-GARCH模型预测效果的相对误差更小。     

时间序列分析在财政收入预测中的应用

介绍求和自回归移动平均模型ARIMA(p,d,q)的建模方法。将ARIMA模型应用于我国财政收入的分析与预测,结果表明ARIMA是一种短期预测精度较高的预测模型。     

灰色神经网络在股价预测中的应用

本文在深入了解股价的可预测性和研究各种股价预测的方法的基础上,探讨利用BP神经网络和灰色模型进行股价预测。以二者为基础,将BP神经网络和灰色模型预测模型的优点结合,提出灰色神经网络模型。该模型将灰色模型的预测值作为BP神经网络的输入变量,而以实际值作为输出变量对神经网络进行训练。     

基于灰色LM-BP神经网络对第三产业综合指数的预测

第三产业发展趋势的预测对于国家或地方政府制定宏观政策有着重要的意义。为更加准确地进行第三产业的预测,从多角度选取指标,利用信息墒理论合成综合指标,建立灰色LM-BP神经网络对其进行预测,实证分析灰色LM-BP神经网络比单一的灰色预测模型和传统BP神经网络预测模型拟合和预测能力要好,说明了模型适应成都第三产业发展趋势的预测。     

BP神经网络模型在沪深300指数预测中的应用

文章探讨了神经网络模型在股指预测方面的应用,通过引入宏观经济因素,建立BP神经网络模型来对沪深300指数的走势进行中长期预测,运用MATLAB神经网络工具箱对BP模型预测的准确性和可行性进行了实证检验。     

组合预测模型在短时交通流预测中的应用研究

根据智能交通诱导和信号控制的需要,短时交通流预测应具备实时性、准确性和可靠性,应用单项预测模型已不能满足当前交通流预测的要求,借此提出了以时间序列法、非参数回归法和RBF神经网络预测法为基础的定权系数和变权系数组合模型进行短时交通流预测,实例应用表明组合预测模型较单项预测方法预测精度有显著的提高。     

时间序列分析在股价建模及预测中的应用

我国的股票市场是一个高度复杂的非线性动力系统,现实生活中预测股市的未来变化具有十分重要的意义。近年来,基于时间序列分析的预测方法在各个领域中都得到了广泛的应用。而对股票价格进行预测较为普遍的模型就是时间序列模型,因此本文将时间序列建模方法应用于股票收盘价的建模和预测。文章采用中国石化157个交易日（自2013年6月19日至2014年2月11日间）内股价数据为研究对象,采用ARIMA模型进行建模和预测。