基于广义回归神经网络的黄金价格预测

本文选取纽约商品交易所2014年11月20日至2015年8月27日（周末及节假日休市除外）的黄金期货价格数据和相应的影响因素指标数据,将样本数据合理分组为训练样本、检验样本和测试样本三类,建立广义回归神经网络（GRNN）模型用于预测黄金价格。建模结果表明：建立的黄金价格模型预测精度高,对黄金价格的预测相对误差绝对值都在2%以内,模型具有实用价值。     

基于广义回归神经网络的黄金价格预测研究

文章选取纽约商品交易所共计205天的黄金期货价格数据和相应的影响因素指标数据,结合欧氏距离将样本数据合理分组为训练样本、检验样本和测试样本三类,建立广义回归神经网络(GRNN)模型用于预测黄金价格。建模结果表明:建立的黄金价格模型预测精度高,对未来5天黄金价格的预测相对误差绝对值都在1%以内,模型的泛化能力、可靠性和鲁棒性均较强,具有实用价值。     

基于ARIMA模型的中国钢材市场价格预测

本文以中国钢材市场价格为研究对象,选取了8种主要钢材品种2004年1月到2010年11月的价格数据,通过模型识别,建立ARIMA模型来预测中国钢材市场2010年9月至11月的钢材价格,通过比较预测结果,确定在允许的误差范围内,最终给出2010年12月至2011年3月这四个月的钢材预测价格。     

企业财务困境预测实证研究——基于主成分分析及二元logistic回归模型

文章针对我国上市企业的特点,将由于"财务异常状况"而被"特别处理"的企业定义为财务困境企业,选取2007-2010年间存在的财务困境的制造业企业52家以及配对企业52家作为研究对象,收集t-3年相关财务指标,以80%样本作为训练样本,利用主成分分析法和二元Logistic回归建立模型,剩下20%样本对模型预测效果进行检验得到65%的预测准确率.表明文章所建立的预测模型能对企业财务状况进行较好判别.     

关于我国ST上市公司的财务特征及预测的实证分析——以制造业为例

本文以ST(Special Treatment,特别处理)上市公司为研究对象,选取了31家在2010年由于财务困难被特别处理的上市公司和31个规模相近的非ST上市公司为样本,首先通过计算代表性财务指标并比较t值的方法确定了ST上市公司与非ST上市公司在财务特征上的差异,之后在上述各财务指标中各选择两者差异最大的财务指标建立用来预测的回归模型,从以不同类型数据为样本得出的若干模型中选取以2009年相关数据为样本的模型作为最终的Z值判定模型。研究结果表明:①ST上市公司在短期偿债能力、资产管理效率和长期偿债能力三方面与非ST上市公司有明显差异,而在盈利能力和市价比率方面则差异不大;②Z值判定模型在财务困境发生的前一年预测准确率最高,可达90%以上。因此该模型可直接应用于实际,为上市公司管理层、股东以及其他利益相关者提供预测信息,从而依此作出相关决策。     

基于PSO-SVR模型的煤炭铁路物流需求预测

在煤炭铁路物流需求预测中,存在历史样本量较小和非线性强的特点,从而致使预测精度较低。将支持向量回归机（support vectorreg ression,SVR）与粒子群算法（Particle Swarm Optimization,PSO）相结合,提出适用于小样本量学习的PSO-SVR模型。选取1995-2011年的煤炭铁路货运量及其影响因素作为学习样本,利用粒子群算法对支持向量机参数进行优化,通过训练、测试得到具有良好学习与推广能力的煤炭铁路货运量预测模型。建立BP神经网络模型,并将二者的预测值进行对比,结果表明在解决我国煤炭铁路物流需求预测这种小样本,非线性及高维模式识别问题中PSO-SVR模型预测精度优于BP神经网络模型。     

基于泰勒规则的人民币汇率预测研究:兼论多种汇率决定模型预测比较

文章选取了无抛补利率平价、购买力平价、弹性/粘性价格货币模型、巴拉萨-萨缪尔森模型、资产组合模型、泰勒规则等理论模型,采用DMA/DMS、TVP-VAR、BMA等计量模型,并选择2005年7月至2016年12月数据作为研究样本对人民币汇率进行样本外预测,结果发现上述理论模型均对人民币汇率具有一定的预测能力,但只有泰勒规则模型预测能力高于随机游走模型,其余6种理论模型对人民币汇率的预测能力并不比最简单的随机游走模型强。同时,基于多种计量模型的结果显示,DMS模型对人民币汇率预测的绩效最佳。进一步通过拓展后的泰勒规则模型对人民币汇率进行预测时发现,短期内央行外汇干预发挥的作用最大,汇率预期和风险溢价分别在中期和长期的预测结果中表现最为明显。     

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。     

一种对指数增长年度用电量的组合预测方法

为有效预测呈指数增长的年度用电量,本文选用了指数函数法、GM(1,1)灰色模型和多元线性回归模型来对年度用电量进行拟合外推预测。通过运用这些方法预测北京年度用电量和对预测结果进行比较分析得到,GM(1,1)灰色模型的实际预测结果往往偏大,指数函数法预测结果可能偏小,而多元线性回归模型虽然考虑了其他因素影响但在实际预测指数增长负荷时参考意义较小。因此,最终选择合适的权重加权组合以上模型得到最终预测值,预测精度较高。     

当前蛋价持续下跌原因分析及后期走势判断

最近半年多来,鸡蛋价格犹如坐上过山车,每斤价格从2011年的＂5元时代＂跌回＂2元时代＂。国家统计局盐城调查队连日来对盐城大型农贸市场、超市的价格调查资料显示,农贸市场鸡蛋零售价多数在3.2元一斤上下,而永辉超市2月18日已卖到2.98元一斤,这样的低价在3年前才有过。分析鸡蛋价格持续走低的原因,鸡蛋零售商及养殖户普遍认为,目前市场上鸡蛋数量供大于求是价格下降的主因,同时他们预测近期蛋价将以弱势震荡为主。     

基于支持向量机的网络贷款平台等级评价

采用有监督学习方法建立支持向量机模型,对网络贷款平台的等级评价方法进行了研究。由于学习样本少,为了提高模型的泛化能力,采用K-fold交叉验证方法进行模型学习。采用不同的核函数分别建立6种支持向量机模型,选择经过5轮交叉验证后正确率最高的模型作为最终的输出模型。验证结果表明,虽然学习样本数量不多,所建立的支持向量机模型在验证集中预测准确度达80%。     

径向基函数网络的改进算法在油价预测中的应用

本文将径向基函数网络应用在国际原油价格预测中,采用一种改进的HCM算法来确定径向基函数的中心,并以纽约市场国际原油期货的日收盘价为对象进行预测,其结果表明,该模型具有较好的学习和泛化能力,为国际原油价格的预测提供了一条新的途径。     

基于公司治理的上市公司BP神经网络财务预警模型研究

文章在传统的BP神经网络财务预警模型中加入了公司治理因素,选取了2004-2006年间的48家ST公司为样本,并配对了60家同期、同行业、规模类似的公司,通过显著性检验对变量指标进行筛选,经过对样本的训练和学习,实证研究结果证明,加入公司治理因素的BP神经网络财务预警模型的预测效果较好。     

高炉炼铁含硅量的动态预测

针对高炉炼铁过程中含硅量预测滞后性和复杂性等问题,建立以改进型Elman神经网络为基础的铁水含硅量动态预测数学模型,利用MATLAB工具箱对动态预测模型进行仿真和预测.首先利用蒙特卡洛法随机选取一组数据作为仿真数据样本,对改进后的Elman神经网络进行离线训练.然后用训练后的Elman神经网络进行铁水含硅量预测,再用残差分析法分析预测值与数据样本之间的显著性差异,用统计检验法讨论模型的可行性.结果表明,铁水含硅量数值预测误差较小,铁水含硅量的实际值和预测值无显著性差异,含硅量的测结果是可信的.     

SBM效率修正的公司财务预警研究

本文以我国2008～2010年3年首次被ST的56家公司为样本研究对象,采用配对抽样的方法为56家ST样本公司选取56家非ST公司作为配对样本。以发生财务危机的当年作为T年.由于上市公司被特别处理前一年(T-1年)的年报和其是否被特别处理在时间上几乎一致,所以T-1年的数据预警价值不大。本文着眼于T-2年和T-3年的预警研究,重点以T-2年为例,详细阐述了Logistic预警模型及修复的预警模型建立过程。本文首先搜集了112家公司T-2年和T-3年的20项财务指标的数据,通过主成分分析法对财务指标进行筛选,使用Logistic回归对剩下的财务指标建立财务危机预警模型。得到T-2年整体预警准确度为85.7%,T-3年整体预警准确度为68.8%。接下来本文选取合适的投入产出指标计算各公司的SBM效率,并将其作为一项非财务指标重新进行Logistic回归得到修正的预警模型。结果表明修正后的模型T-2年整体预警准确度提高到89.3%,T-3年整体预警准确度提高到71.4%。     

商务预报

鸡蛋价格继续下降 上周（10月3日至9日）商务部重点监测的全国36个大中城市鸡蛋价格比前一周下降0．5％,比9月上句高点下降6%.其中,天津、长沙、济南鸡蛋价格比前一周分别下降6．9％、5．8％和5．4％。气温下降,蛋鸡产蛋率提高,市场供应增加,预计近期鸡蛋价格将继续下降态势。     

基于多模型融合Stacking集成学习的油田产量预测

基于机器学习前沿理论，提出一种基于多模型融合Stacking集成学习方式的组合预测方法，以国内某特高含水油田区块中多口水驱产油井历年生产历史数据为试验样本，预测其动态产油量。依据不同算法的训练原理，选取极限梯度提升树算法、长短记忆网络（LSTM）、时域卷积网络（TCN）等作为模型的基学习器，采用多元线性回归作为模型的元学习器。结果表明：融合后的Stacking模型充分发挥了各基学习器的优势，相比单一模型，融合后的Stacking模型预测平均误差较小，预测鲁棒性较好。该模型的提出对融合模型在特高含水油藏开发方面具有重要的应用意义。     

中国股市投机泡沫的膨胀与破灭:机制转换模型的应用

本文运用机制转换模型研究收益率与换手率的非线性关系,以此描述中国股票市场投机泡沫的膨胀及部分破灭的演进过程。结果证明中国股票市场存在膨胀中会部分破灭的投机泡沫。市场大幅下跌概率的样本内、样本外估计值能较好预测历史数据中出现的最大实际损失,说明机制转换模型具有良好的预测能力;投机泡沫的部分破灭是导致中国股票市场价格大幅下跌的主要原因。     

城镇形成的计算机仿真研究

将科学计算引入到经济学研究领域中,探索通过计算机仿真手段实现“经济研究室内实验室”的可行性,并以城镇形成和交易价格形成为例,引入复杂适应系统进行城镇形成和交易价格形成的研究.采用Repast S平台作为研究工具,Java语言作为程序编写语言,对现实城镇和价格形成的影响因素进行抽象,建立抽象后的模型,该模型在Repast S平台上进行实验.实验结果反映了城镇形成和交易价格形成的基本规律,同时验证了两个经济学结论:价格由供求关系决定,一旦供给与需求确定下来,交易价格就将最终趋于稳定；人们为节省交易费用而集中在某一区域进行交易从而形成城镇.     

基于近红外光谱技术的玉米品种鉴别方法研究

文章提出了一种利用近红外光谱技术与人工神经网络结合鉴别玉米品种的快速、无损的方法。收集3种常见东北种植的玉米品种共150个样本作为样本,在4 000～10 002 cm-1范围内采集近红外漫反射光谱样本。经过卷积平滑法(Savitky-Golay)和去趋势校正预处理后,对数据进行主成分分析,再结合人工神经网络技术进行品种鉴别。模型对建模集120个样本鉴别率为100%,对预测集30个样本的鉴别率为100%。实验结果说明该方法能快速无损地鉴别玉米种子品种,为玉米种子的品种鉴别提供了一种新方法。