基于TEIl＠I方法论的房价预测方法

以汪寿阳等(2005)提出的TEI@I方法论为指导,提出房价预测的研究框架.根据研究框架中对小样本数据的处理方法,首先基于粗糙集理论对114个影响房价的指标进行筛选,采用时差相关分析得到先行指标,分别建立回归模型和灰色模型预测季度房价,最后用小波神经网络进行误差校正,得到2006年4季度和2007年1季度全国商品房销售价格将分别同比增长6.88%和6.64%.由于房地产投资是预测房价的重要指标,文中以"国八条"为例用标准事件分析法分析政策对房地产投资的影响,得到"国八条"对房地产投资和房价上涨均有显著的抑制作用.     

基于动态组合残差修正的预测方法

本文建立了一种基于残差修正的组合预测方法,并基于该方法证明了针对多个单一的预测方法根据其在某个时间段的相对预测误差的大小选择组合选项可以进一步提高预测精度.提出了针对不同时间段可根据各种单项预测模型的相对预测误差的大小动态选取相对预测误差最小的两种模型构成组合残差来修正基本方法的预测误差,以提高预测精度.最后通过实际空调负荷预测对其进行了验证,结果表明这种动态组合残差修正的预测方法相对于基于多个固定单一预测方法的组合预测方法,可以进一步改善预测效果.     

世界经济与国际原油价格: 基于Kilian经济指数的协整分析

为了研究世界经济如何影响国际原油价格, 以协整理论为基础,通过建立误差修正模型分析了国际原油实际价格与世界经济、世界原油产量以及OECD石油库存的关系.特别地, 利用Kilian经济指数来反映全球经济状况. 研究结果表明:国际原油实际价格,OECD石油库存和Kilian经济指数存在着长期协整关系.在长期,Kilian经济指数对原油实际价格有显著影响,弹性大约为2.05%.随着全球经济扩张以及OECD石油库存下滑,即相对于长期均衡的负向离差加大, 原油实际价格上升, 反之油价下降. 短期内世界经济,OECD石油库存和世界原油产量变动是原油实际价格变动的Granger原因.     

中国股市多分形波动率建模及预测研究

本文考虑股市高频数据的日内效应和已实现波动率的测量误差修正了现有多分形波动率指标的构建方法，以HAR模型为基础构建新的多分形波动率预测模型.利用Diebold-Mariano检验和"模型信度设定"检验等方法综合评价了各种模型对我国沪深300股指的预测能力.结果表明：1）在相同模型范式下，赋权调整已实现波动率的样本外预测能力要优于已实现波动率，而本文提出的新的多分形波动率模型要显著优于其他模型；2）在相同波动率测度指标下，引入股价波动的跳跃成分和杠杆效应能进一步改善波动率模型的短期预测效果；3）最优和次优模型均是基于新多分形波动率方法构建的模型.     

中国股票市场的收益分布及其SPA检验

以上证综指和代表性波动周期为例,采用样本外的滚动时间窗预测法,计算了不同收益分布假设下的波动率模型对指数波动率的预测值,并进一步运用基于自举法的SPA检验,评估了各种分布假设对上证综指波动的预测精度.实证结果显示:就中国股市而言,有偏分布能够提供最优的波动率预测精度;在某些损失函数标准下,广义误差分布也具有较好的预测表现.     

基于跳跃时间和幅度的BDI指数波动幂律分布特性研究

BDI指数是国际航运市场的风向标,摸清BDI指数波动幂律分布特性,对于进一步掌握运费规律、预测BDI趋势、协助航运决策等方面具有重要意义.基于此,本文对已运行30年BDI指数的波动幂律分布特性进行了详细研究,主要特色有:一是借助Pareto、Exponential以及Fokker-Planck函数首次深入探讨了BDI指数波动幂律分布特性.二是在跳跃识别的基础上,构建了基于跳跃时间和跳跃幅度两标度的BDI指数波动幂律分布特性分析模型,并转化成最小二乘法的线性回归测算模型.三是对BDI指数日、周和月增长率的跳跃时间和跳跃幅度幂律分布特性进行了实证分析.结果表明:BDI指数具有尖峰薄尾的增长率分布和波动聚集性;Fokker-Planck函数拟合BDI指数增长率跳跃时间更合适;Exponential函数拟合BDI指数增长率跳跃幅度更合适;BDI指数增长率跳跃时间和跳跃幅度都具有薄尾幂律特性,且向上、向下幂律呈现对称性.     

基于非线性跟踪—微分器的金融时间序列预测

基于非线性跟踪-微分器的基本原理,开拓性地用二阶离散和三阶离散非线性跟踪-微分器对上证综指进行了预测.从预测结果来看,二阶非线性离散跟踪-微分器预测相对误差控制在8%以内,三阶离散非线性跟踪-微分器预测相对误差控制在5%以内,显示了较好的预测效果.     

基于NSTPNT的风电系统可靠性对风电预测误差灵敏度

研究电力系统可靠性对风电预测误差的灵敏度,量化风电预测误差对可靠性的影响,可为风电并网系统的优化调度与备用规划提供参考依据.实际风电预测误差的分布未知,给灵敏度计算带来困难.本文首次提出非标准三阶多项式正态变换方法,推导非标准正态假设下多项式系数的解析表达式,实现将风电预测误差转换为同期望,标准差正态随机变量的多项式形式.将转换后的风电预测误差,代入含备用最优负荷削减模型,评估风电系统可靠性.提出可靠性指标对风电预测误差期望,标准差的灵敏度解析算法.算例验证了非标准三阶多项式正态变换方法与预测误差分布参数可靠性灵敏度算法的准确性.分析备用容量与标准差变化对预测误差可靠性灵敏度的影响.     

羊群效应的新测度指数及其对我国股市波动的预测作用研究

羊群效应作为一种典型的市场投资者行为异象，极易对股票价格波动形成影响.因此，在已有羊群效应测度方法基础上，提出了一种新的羊群效应测度指数，并以我国上证综指为样本，运用广义自回归条件异方差混频数据（GARCH-MIDAS）模型实证检验了该指数对上证综指波动率的影响及预测作用，并与多种常用的同频数据GARCH族模型和纳入经济政策不确定性指数（EPU）的波动率模型进行比较分析.实证结果表明，相对于EPU指数，纳入新羊群效应指数的GARCH-MIDAS模型具有更显著的样本内参数估计结果，同时可以更好地解释上证综指波动的长期成分.进一步，模型信度集合（MCS）检验和预测方向准确性（DoC）检验结果表明，纳入新羊群效应指数能够显著提高模型对我国股市波动率的样本外预测精度.最后，采用不同样本外预测天数、不同损失函数、不同滞后期预测以及基于深证成指样本的各种实证结果进一步证实上述结论的稳健性.     

基于主趋势辨识和智能残差修正的股指时间序列预测

针对股指时间序列存在信噪比低、干扰因素多、随机波动强的特点,提出一种基于主趋势辨识和智能残差补偿的股指序列预测方法。一方面利用奇异谱分析方法对股指时间序列重构,提取股指时间序列的主要趋势,采用自回归方法实现对主趋势的辨识;另一方面将主趋势模型与实际股指时间序列的残差,采用GA-SVM算法对残差进行学习,所得结果对自回归模型进行修正。实证分析结果表明,采用本文算法能够有效的将预测精度控制在7%以内,同时与灰色预测算法以及神经网络算法相比,在RMSE、MAPE和F三项指标,占有一定的优势,从而提供了一种新的分析股指时间序列的有效途径。     

Method for Housing Price Forecasting based on TEI@I Methodology

Based on the TEI@I methodology proposed by Wang, et al, this paper presents an approach to forecast housing price. 114 indicators are selected by rough set theory, and the leading indicators are selected with time difference correlation analysis. Seasonal housing prices are forecasted by regression and grey models, and integrated via the wavelet neural network approach for error correction. Our analysis predicts that national commercial housing sales price would rise 6.88% in Q4-2006 and 6.64% in Q1-2007. Next, standard event study methodology is used to measure the effect on real estate investment of government policy, one of the most important indicators to forecast the housing price. It is found that the Chinese government's macro-policy in 2005 suppressed the growth of real estate investment and housing prices.     

基于改进稀疏KELM的在线非平稳动态系统状态预测方法

本文针对基于核的增量超限学习机(kernel based incremental extreme learning machine，KB-IELM)对非平稳动态系统的时变状态跟踪能力不足的问题，提出一种新型的状态预测方法。通过融合遗忘因子和自适应时变正则化因子构建新的目标函数。通过最小化字典的快速留一交叉验证(fast leave-one-out cross-validation, FLOO-CV)误差，选择具有预定规模的关键节点以构成字典。通过融合遗忘因子，为字典中各关键节点按时间顺序分配不同权重。基于FLOO-CV原则，使用天牛须搜索(beetle antennae search，BAS)算法为不同的非线性区域赋予不同的正则化参数。通过矩阵初等变换和分块求逆，实现核权重向量的在线递推更新。将模型应用于非平稳Mackey-Glass混沌时间序列预测和某型飞机发动机的状态预测。所提算法相比于最新的非平稳在线序列核超限学习机(non-stationary online sequential kernel extreme learning machine，NOS-KELM)和融合自适应正则化因子的在线稀疏核超限学习机(online sparse kernel extreme learning machine with adaptive regulation factor, OSKELM-ARF)两种方法，其训练精度分别提升了66.67%、50.72%、预测精度提升了67.02%、56.34%，最大预测误差减少了67.27%、51.09%，平均相对误差率分别减少了67.18%、59.62%。实验证明所提算法有效提升了在线预测的精度。     

基于改进稀疏KELM的在线非平稳动态系统状态预测方法

本文针对基于核的增量超限学习机(kernel based incremental extreme learning machine，KB-IELM)对非平稳动态系统的时变状态跟踪能力不足的问题，提出一种新型的状态预测方法。通过融合遗忘因子和自适应时变正则化因子构建新的目标函数。通过最小化字典的快速留一交叉验证(fast leave-one-out cross-validation, FLOO-CV)误差，选择具有预定规模的关键节点以构成字典。通过融合遗忘因子，为字典中各关键节点按时间顺序分配不同权重。基于FLOO-CV原则，使用天牛须搜索(beetle antennae search，BAS)算法为不同的非线性区域赋予不同的正则化参数。通过矩阵初等变换和分块求逆，实现核权重向量的在线递推更新。将模型应用于非平稳Mackey-Glass混沌时间序列预测和某型飞机发动机的状态预测。所提算法相比于最新的非平稳在线序列核超限学习机(non-stationary online sequential kernel extreme learning machine，NOS-KELM)和融合自适应正则化因子的在线稀疏核超限学习机(online sparse kernel extreme learning machine with adaptive regulation factor, OSKELM-ARF)两种方法，其训练精度分别提升了66.67%、50.72%、预测精度提升了67.02%、56.34%，最大预测误差减少了67.27%、51.09%，平均相对误差率分别减少了67.18%、59.62%。实验证明所提算法有效提升了在线预测的精度。     

基于阈值回归模型的中国电力消费与经济增长的关系

应用阈值回归模型分析在不同经济增长阶段, 经济增长、工业结构、全要素电力使用效率和电力价格对电力消费的 差异性影响, 并基于此揭示1980--2008年中国经济增长与电力消费增长的非对称变化特征. 研究表明: 不同经济增长阶段各变量对电力消费的 作用存在差异, 人均GDP增长率高于9.25%时, 工业结构的重型化显著推动电力消费的增长, 而电力使用效率并未得到有效提高, 对电力消费 增长的抑制作用有限; 反之, 人均GDP增长率低于9.25%时, 经济增长是促进电力消费的主要力量, 电力使用效率的提高则有效地抑制了电力 消费的过快增长. 分析结果也表明, 电价扭曲削弱了价格机制配置电力资源以提高电力使用效率的作用, 积极稳妥地推进电力价格改革势在 必行.     

基于多尺度LSTM预测模型研究

航空发动机剩余寿命（remaining useful life,RUL）预测是设备故障预测与健康管理（prognostics and health management,PHM）的核心问题。针对发动机数据维度高、滞后性强和复杂度高等挑战,提出了一种基于自训练权重的多尺度注意力双向长短期记忆神经网络模型。通过不同尺度的双向长短期记忆神经网络（bidirectional long short-term memory neural network,BiLSTM）提取多尺度特征;提出一种基于自训练权重的融合算法,通过引入注意力机制进行不同尺度的特征筛选,以提高预测精度。将各模型在NASA的C-MAPSS数据集上进行实验对比,结果证明,所提出预测模型在准确率和均方根误差指标上均有所提升。     

基于LSTM神经网络的短期轨道预报

针对基于动力学模型的轨道预报方法对卫星自主轨道预报与大量非合作目标轨道预报中存在建模成本过高和缺少目标空间环境信息的问题,提出一种基于误差数据驱动的神经网络轨道预报方法.该方法在解析法动力学模型的基础上,使用长短期记忆神经网络对历史轨道预报的误差进行学习,预测未来短期动力学模型的预报误差,以此对预报结果进行修正.选用A...     

萤火虫群算法优化高斯过程的网络安全态势预测

针对共轭梯度法获取高斯过程超参数存在迭代次数难以确定及预测不精准等问题,提出一种萤火虫群算法优化高斯过程的预测方法,并将其应用于网络安全态势预测研究。采用萤火虫群优化算法对高斯过程超参数进行智能寻优,建立基于高斯过程回归的网络安全态势预测模型。实验结果表明新方法的平均相对预测误差较共轭梯度法、粒子群优化算法和人工蜂群优化算法分别降低了近29.46%、10.37%和4.22%,且新方法收敛较快。另外,分析对比了3种单一类型和2种复合类型的协方差函数对高斯过程预测的影响,实验结果表明采用神经网络与有理二次的复合协方差函数(neural network and rational quadratic composite covariance function, NN-RQ)的平均相对预测误差较其他4类协方差函数降低了1.65%~7.51%。     

基于改进LSTM模型的航空安全预测方法研究

精确的航空安全预测是科学开展安全预警的前提.航空事故不仅致因机理复杂,还存在迟滞效应,给安全样本时序信息的深度挖掘加大了难度.基于此,提出一种基于改进长短期记忆(long short-term memory,LSTM)模型的航空安全预测新方法.首先基于相关系数热图优选致因指标,再以步进搜索和Adam算法相结合的方式优化...