时间序列ARMA模型的贝叶斯分析

ARMA模型是时间序列分析中应用比较广泛的一种模型。本文采取贝叶斯估计法估计ARMA模型的各个未知参数,进而利用估计的参数对ARMA模型进行预测,最后对我们采取的贝叶斯估计法进行模拟仿真。     

几何均值回复模型的估计及应用

针对连续几何均值回复模型,通过时间离散化导出对应的随机差分方程,得到了一个非线性回归模型,利用贝叶斯推断得到各个参数的估计及后验分布.蒙特卡洛模拟的试验结果证实了方法的有效性.以日元对人民币双边名义日汇率的单步向前预测为例,分别与ARMA-GARCH模型、非线性ARI模型的预测效果进行比较,结果表明:几何均值回复模型预测效果略好于非线性ARI模型,显著优于ARMA-GARCH模型.     

基于ARIMA-GARCH-t与ELM的人民币汇率组合预测模型研究

本文旨在对人民币汇率进行预测,以丰富汇率预测方法、方式.利用2012年1月4日到2014年11月3日的人民币对美元汇率中间价数据,依据组合预测方差最小原则构建ARIMAGARCH-t与ELM(极限学习机)组合预测模型来分析人民币汇率的非线性时间序列特征,该模型一方面弥补了ARIMA预测时残差异方差性对预测精度的影响,同时将随机扰动项对模型的影响考虑在内,另一方面发挥ELM学习速度快、泛化性能好等特点.实例分析证明,该组合预测模型预测精度高于单一预测方法,是一种有效的预测方法.     

汇率波动下门限自回归模型的适应性研究

针对汇率变化的非线性特征,采用非线性门限自回归模型对汇改后人民币/美元汇率的变化趋势进行分析,并与传统的线性时间序列模型结果进行比较,结果表明,非线性门限自回归模型精度较高.     

基于自回归移动平均过程的贝叶斯质量控制方法研究

针对自回归移动平均过程中控制变量的观测值并不具有相互独立性,引入贝叶斯分析方法研究过程质量控制问题.通过模型结构的贝叶斯分析,利用残差序列建立了基于自回归移动平均过程的贝叶斯质量控制模型,解决了观察数据相关条件下的过程质量监控问题.仿真分析结果表明:贝叶斯ARMA质量控制方法能够有效地避免了在受控状态下使用常规控制图造成的漏发或虚发报警现象,解决了自回归移动平均过程情况下的质量控制问题.     

基于稀疏贝叶斯模型的视频恢复方法研究

 结合压缩感知的稀疏表示理论和贝叶斯模型,提出一种在数据库中进行快速有效的视频信息查询和视频恢复的方法。根据最小l ₁范数重构数据信息的要求,方法利用贝叶斯模型对参数进行估计,并通过稀疏特性对视频分类和特征提取,达到恢复视频信息的目的。实验结果表明,比较主成成份分析和随机投影算法,该文的实现方法具有更好的恢复性能。     

基于ARIMA模型的人民币汇率预测与分析

对2015年8月11日汇改之后的人民币兑美元汇率进行分析,建立ARIMA(14,1,0)模型,残差检验证明该模型是合理的。利用模型ARIMA(14,1,0)对2016年3月10日至2016年3月23日的人民币汇率进行预测,预测结果基本接近实际值,相对误差控制在0.5%以内,并且前5天的平均误差为0.2%。预测结果再次表明,ARIMA(14,1,0)模型完全适用于美元/人民币汇率的建模,特别是对短期范围内汇率的预测是切实可行的。     

基于EGARCH模型的人民币汇率波动性研究

选取2005年7月21日至2010年5月14日间每个交易日的美元/人民币汇率中间价的高频数据作为样本数据,然后对样本数据进行平稳处理和ARCH效应检验,在满足GARCH建模条件下建立EGARCH(1,1)模型,实例检验和分析人民币汇率波动性.结果表明,2005年7月21日以来,人民币汇率收益率序列具有明显的尖峰厚尾特征...     

基于MCMC方法的人民币汇率的影响因素分析

选取人民币兑美元、韩元、新西兰元、以色列谢克尔4种货币汇率以及货币供应量增长率和外汇储备等7个影响因素进行分析,基于三类不同的分位数回归模型对数据进行了建模,采用贝叶斯Lasso、贝叶斯自适应Lasso等方法对影响汇率的主要因素进行选择,并给出了用于参数估计的MCMC算法.结果表明,货币供应量增长率、外汇储备、铁路货运量、消费者价格指数和进出口差额等因素对人民币汇率的影响程度较大,且不同的影响因素对人民币对不同国家的汇率影响程度各不相同.     

模型识别的自动化程序研究——以汇率数据为例

介绍了最小信息准则法、扩展样本自相关函数法和最小典型相关法等3种时间序列模型识别的自动化程序.利用人民币对美元、英镑和加元的每日汇率中间价数据建模,从模型的拟合优度和预测精度等方面评估了3种自动化程序在实证研究中的效果.研究表明,扩展样本自相关函数法的预测效果相对较好,但是3种自动化程序没有明显的优劣分化.因此,建议将自动化程序和传统的Box-Jenkins方法结合起来以达到精确选择模型的目的.     

基于ARMA模型的汇率走势预测及在商业银行外汇理财业务中的应用

汇率的变动,将对金融机构的外汇管理业务造成直接影响．由于影响汇率及其波动幅度的因素十分复杂,汇率波动频率较高,对汇率进行准确预测一直是一项十分困难的工作．近年来,ARMA模型开始被广泛地用于对变动频率较高的金融时间序列建模,它能较好地抓住此类时间序列的动态特征．以人民币汇率变动的历史数据为样本,通过建立MA（2）模型对未来的人民币汇率变动进行预测,以解决其在商业银行外汇理财业务中的应用问题．     

隧道围岩变形的非线性自回归时间序列预测方法研究

针对传统时间序列预测模型的单一线性和忽略施工过程影响的静态局限性,提出非线性自回归(包括NARNN与NARXNN)时间序列预测模型.该模型通过引入动态施工影响因子作为附加的外部输入,同时结合模型本身的反馈结构和延迟单元,在结构和动态特性上更加符合实际系统,可以非线性动态地考虑隧道施工全过程.运用该模型对史家山2号隧道施工过程中的围岩水平收敛和地表变形进行预测.结果表明:1)非线性自回归预测模型比传统的ARMA预测模型的预测精度高、适应性好;2)通过多次预测并对结果取平均值,可以保证非线性自回归预测模型预测结果的预测精度和稳健性;3)通过优化动态施工影响因子的取值方法,可以进一步提高NARXNN时间序列预测模型的预测精度.     

模式耦合稀疏贝叶斯MIMO雷达成像

通过压缩感知稀疏恢复理论可利用少量MIMO雷达收发阵元实现对目标的高分辨成像。利用MIMO雷达目标图像的块稀疏特性,将模式耦合稀疏贝叶斯学习算法应用于MIMO雷达成像,首先建立MIMO面阵回波信号模型,引入模式耦合稀疏贝叶斯分层模型,将相邻系数通过共用超参数的方法耦合起来。通过贝叶斯推理得到雷达信号的估计式,再通过EM算法实现对超参数的迭代估计,进而实现对雷达信号的估计,直到信号满足误差允许范围,最后重构信号实现MIMO阵列高分辨成像。仿真实验表明,该方法的成像效果在图像的聚焦性能上优于传统的傅里叶、稀疏贝叶斯算法,在散射点重构上优于OMP算法。     

变分贝叶斯Kriging模型预测混沌时间序列

基于变分贝叶斯及Kriging数学思想,提出了一种含噪混沌时间序列的相空间域预测模型。在相空间域中利用变分贝叶斯推断方法估计模型中的回归系数,采用Kriging数学方法估计模型中的随机部分,将该模型对含加性高斯噪声的Lorenz及Mackey-Glass混沌时间序列进行了预测研究;结果表明该文方法能够有效地预测含噪混沌时间序列,且具有较强的抗噪能力以及有效地克服了过拟和现象;同时预测精度对重构相空间的嵌入维数和时间延迟的变化不敏感。     

基于组合模型的网络流量预测

为了更好地对网络流量进行分析和管理,提出一种基于小波变换、自回归滑动平均模型(ARMA)和极限学习机(ELM)的组合预测模型W-ARMA-ELM.原始数据通过小波分解产生近似序列和细节序列,通过对分解序列的自相关性和偏自相关分析,平稳序列使用ARMA预测,而非平稳序列使用ELM预测.使用兰州大学教育网、网通流量数据和英国学术主干网流量数据三组不同的网络流量数据来检验组合模型W-ARMAELM的预测性能.实验结果表明提出的组合方法要比单一的ARMA和ELM预测效果要好.同时指出使用自相关和偏自相关分析相结合的方法对分解后的子序列进行平稳性判定有助于选择合适的组合模型从而提高预测精度.     

基于变分稀疏贝叶斯的off-grid DOA估计

针对传统稀疏贝叶斯学习方法在解决低信噪比条件下信号到达角DOA估计中,到达角不完全落在阵元端离散化网格点上的情况,提出了一种基于变分稀疏贝叶斯学习期望最大化的离格DOA处理方法.该方法首先对均匀线阵的实际接收信号off-grid情况建立参数化稀疏模型,利用变分稀疏贝叶斯学习方法,通过最小化KL散度寻求一个与后验概率近似的概率分布,其次期望最大化方法分别在期望阶段和最大化阶段进行参数推断,进一步在离格误差模型下以较高的精度和分辨率实现信号到达角的估计,最后仿真结果表明,该方法不仅在传统SBL方法的基础上提高了运算效率,而且具有更高的空域分辨率和角度估计精度,该方法具有优越的角度估计性能.     

ARMA模型在美元兑日元汇率的应用

ARMA模型是一种最常见的时间序列模型,它广泛的应用到各种金融行业.以美元兑日元的汇价为例,讨论ARMA模型在汇率变化的应用及汇价短期预测,希望为企业和投资者在进行相关决策时提供有益的参考.     

美元/欧元汇率的趋势与波动分析及区间预测

对美元/欧元汇率进行趋势与波动分析并作出区间预测。利用BP神经网络提取趋势,对残差分别运用自回归移动平均模型和广义自回归条件异方差模型分析波动性,将趋势与波动性结合给出区间预测。对2001年7月至2017年10月美元/欧元汇率的研究发现,BP神经网络具有很好的非线性刻画能力,但只有合适的预测精度才能得出较好的预测区间,同时也发现,广义自回归条件异方差模型对波动性的分析效果优于自回归移动平均模型。因此,BP神经网络模型与广义自回归条件异方差模型的组合模型(BP-GARCH模型)更适合时间序列的中长期区间预测。通过调节BP神经网络的参数、误差及预测精度提高组合模型的精度。     

时间序列分析方法及人民币汇率预测的应用研究

在简要介绍时间序列模型的基础上,使用人民币／美元的日汇率值进行实证研究,建立相应的ARIMA模型和EGARCH模型并进行预测和评价。研究结果表明,EGARCH模型的预测结果较ARIMA模型理想,适合描述人民币／美元汇率的变动趋势。     

矩阵损失下贝叶斯线性无偏估计及其稳健性

证明了,在一般线性模型中,未知参数在二次损失下的贝叶斯线性无偏估计也是矩阵损失下的贝叶斯线性无偏估计.讨论了贝叶斯线性无偏估计关于误差分布的稳健性,给出了未知参数的贝叶斯线性无偏估计是最优估计的充分必要条件.