基于神经网络技术的干散货运价指数预测

在考虑了干散货运输需求、干散货船舶供给以及干散货船舶闲置等对运价指数影响的基础上,采用神经网络技术对月度干散货指数进行了研究,并且与基于ARCH模型和多元线性回归模型的预测进行了对比研究,结果表明从提高预测精度的角度来说神经网络技术是最优的.     

海运价格指数的波动规律

通过对波罗的海国际干散货运价指数分别提取长期趋势项、周期波动项和季节波动项以后，得到了一个符合ARMA模型建模要求的零均值平稳序列。对此序列建立的时间序列模型非常精确地模拟了波罗的海运价指数，并作出了误差极小的短期预测。     

国际干散货运价波动与随机游走检验

为验证国际干散货航运市场的弱有效性,对波罗的海运价指数(BDI)进行了波动性分析和随机游走检验.运用ADF检验方法对BDI的对数序列进行平稳性和单整检验,结果证明BDI对数序列是一个非平稳过程,经一阶差分后是平稳过程,即BDI对数序列是一阶单整过程;通过ARCH LM检验认为BDI对数序列存在高阶ARCH效应,并用GARCH(1,1)模型消除了残差序列的条件异方差性;通过方差比检验法对国际干散货航运市场的收益率序列进行了检验,结果显示BDI的对数序列的随机游走假设被拒绝,国际干散货航运市场不是一个有效的市场.     

带均值漂移的HEGY检验及其实证研究

研究了含多个均值漂移的HEGY检验.通过模拟实验,发现如果没有正确选择HEGY检验所含有的均值漂移个数,那么检验结果将会产生偏差.用不含均值漂移、含一个均值漂移和含两个均值漂移的HEGY模型研究了广东月度工业总产值周期性变化问题,结果表明,1991年至2003年间广东工业生产存在两个季节性均值漂移,仅含有一个非季节单位根.因此,选择含两个均值漂移的HEGY模型更适合本问题的研究.     

国际干散货运价系统的混沌行为研究

波罗的海干散货运价指数（BDI）被公认为国际干散货市场的晴雨表．站在金融的角度,对国际干散货运价系统的混沌行为进行了研究．利用互信息法和Cao方法分别确定了BDI时间序列最佳延迟时间和最小嵌入维,从而通过BDI时间序列对国际干散货运价系统进行了相空间重构,并利用Rosenstein法求出其最大李雅普诺夫指数（Lyapunov）为正．研究结果表明,国际干散货运价系统具有对初值敏感依赖性、与世界经济相关性．最后本文就国际干散货市场混沌特性的经济含义与应用价值进行了探讨．     

远期运费协议与粮食期货市场的波动溢出关系

从金融视角出发, 探究远期运费协议和粮食期货市场之间的波动溢出关系. 粮食作为世界三大干散货类型之一, 具备相当成熟的期货交易市场, 故选取远期运费协议(forwardfreight agreement, FFA)和巴拿马(Panamax)型船主要运载的粮食期货类型进行研究. 首先,采取统计特征分析及协整检验对日收益序列进行分析; 然后, 通过建立广义自回归条件异方差(generalized autoregressive conditional heteroskedasticity, GARCH)模型, 分析两个市场间的相关性并对比其波动性. 结果表明, 粮食期货市场在收益和波动性上均引导FFA 市场的变化, 论证了GARCH 族模型检验波动溢出特征的有效性, 并为干散货航运市场参与者和投资者提供理论参考.     

影响我国封闭式基金折价因素的面板数据

运用面板数据的合并回归模型、固定效应模型和随机效应模型对影响我国封闭式基金折价的因素进行实证研究,结果发现:①面板数据的随机效应模型和固定效应模型优于传统的合并回归模型;②股票市场和基金规模对封闭式基金折价的影响不显著;③封闭式基金的折价具有季节效应和"均值回归"的特点,基金管理公司和基金业绩对封闭式基金的折价有影响.     

影响我国封闭式基金折价因素的面板数据分析

运用面板数据的合并回归模型、固定效应模型和随机效应模型对影响我国封闭式基金折价的因素进行实证研究,结果发现：①面板数据的随机效应模型和固定效应模型优于传统的合并回归模型;②股票市场和基金规模对封闭式基金折价的影响不显著;③封闭式基金的折价具有季节效应和＂均值回归＂的特点,基金管理公司和基金业绩对封闭式基金的折价有影响.     

国际干散货运输市场分形特征

为探析干散货运输市场的分形特征,研究其波动的长记忆性,提出基于分形市场假说的分析方法.采用线性和非线性相关性检验、ARCH效应检验等定量方法研究BDI、BCI和BPI收益率的分形特征.结果表明,国际干散货运输市场具有显著的分形特征,运价指数收益率呈现较强的尖峰厚尾特征,具有明显的线性和非线性相关性及条件异方差性.     

国内工业生产总值的时间序列模型研究

选择非季节模型、季节模型、乘积季节模型,在SPSS系统下,采集2000年7月到2006年12月国内工业生产总值的原始数据进行分析找出其特征,从模型识别、参数估计、适应性检验和实际拟合4个方面来确定最符合国内工业生产总值发展规律的时间序列模型.分析结果表明,季节模型、乘积季节模型的Q值都小于相应的χ02.05(M)值,而非季节模型相反;乘积季节模型对2006年各个月份国内工业生产总值的预测值与实际值的平均相对误差低于季节性模型,预测值与实际值拟合最好.乘积季节模型最符合国内工业生产总值的发展规律,对各大中型企业和国家相关部门统一规划有较大的参考价值.     

季节性变动影响下的上海港集装箱吞吐量预测

港口吞吐量精准预测对于每一个港口的成功经营和有效决策都十分重要.季节性波动经常会影响港口吞吐量,为了更为准确地预测上海港口集装箱吞吐量,本文选取2007年至2012年上海港母港集装箱吞吐量的月度数据,并对于港口集装箱吞吐量的月度数据中出现的季节性波动进行了处理,采用季节时间序列模型对其进行预测.为了说明方法的有效性,以同样的数据,使用整自回归移动平均模型对上海港集装箱吞吐量进行预测.两种方法预测结果进行对比发现,利用季节时间序列模型对港口集装箱吞吐量季节性进行处理,能够提高港口集装箱吞吐量的预测精度.     

中国居民消费价格指数的ARIMA预测模型

本文将2009年1月至2014年12月期间的中国居民消费价格总指数进行了分析,对序列进行了季节性检验和季节性调整,通过计算季节指数,利用时间序列图以及ADF检验方法检验了调整后序列的平稳性,得到了居民消费价格总指数的ARIMA模型.最后分别对CPI进行静态预测和动态预测,将预测结果乘以季节指数将预测结果还原,得到了较为满意的结果.     

利用虚拟变量对季节指数的估计

利用季节虚拟变量建立回归模型,通过季节虚拟变量的参数估计间接地估计季节指数,并且利用模型进行了一些传统的季节指数方法无法进行的推断统计,是一种分析季节指数和季节变动的新思路.但是,由于时间序列数据直接应用到回归模型会与古典假设不相符合,在参数估计以及推断检验中就需要采用一些新的方法,这也正是利用季节虚拟变量估计季节指数时存在的问题,这个问题还有待于以后解决.     

基于季节性AR(P)模型的水质预测

自回归模型的建立是基于序列平稳性的假设,只能描述平稳序列的统计特性,而水质的月监测数据序列往往具有季节性变化的现象.文章介绍了平稳过程的相关理论及其检验方法并应用到黄河潼关、三门峡断面的水质序列的检验中,检验结果为非平穗序列,且序列具有明显季节性(月份)变化的特性。为此尝试建立季节性AR (P)模型来捕捉黄河水质的季节性变化规律,实践表明该模型预测总体效果是较为满意的。     

基于多元时间序列的交通流预测模型

交通流预测是智能交通系统的一项重要研究内容。本文考虑路网的复杂性,使用多元时间序列模型建模,针对贵阳市省医路口2016年4月上下游交通流数据:首先建立ARIMA模型,采用Ljung-Box方法对模型效果进行检验,模型未能通过显著性检验;然后根据车辆的基本通行规律,构建多元时间序列ARIMAX模型,第一步利用主成分回归建立上下游交通流回归模型,第二步对模型残差进行ARIMA建模,得到的ARIMAX模型能够通过LB检验;最后利用预测误差绝对值均值和预测误差百分比绝对值均值进行模型性能评价,构建的ARIMAX模型均优于ARIMA模型。     

季节变化对黄渤海表层叶绿素浓度分布影响的数值分析

为了研究黄渤海表层叶绿素周期变化物理过程的环境影响因素,基于区域海洋模型系统(Regional Ocean Modeling Systems,ROMS),建立黄渤海海域的三维生态数值模型.模型通过已发表的相关结果和遥感观测数据等方式对比验证,模拟海域动力过程中生态因子叶绿素浓度的时空分布特征和季节性变化过程.结果表明:黄渤海水体表层叶绿素的生长消亡与水体环境条件密切相关,径流的影响只引起局部海区生态系统的调整;叶绿素浓度分布存在明显季节性变化的特征,季节温度变化和海水层化热分层结构是重要影响因素,且呈现物理过程的周期性变化;表层浮游植物季节性分布的双峰结构特征理论上与季节性层化理论相符合.模型可对海域生境季节变化规律和生态保护研究提供科学数据.     

时间序列在地下水位预测中的应用

本文利用时间序列建立了一个趋势回归模型、虚拟参数的季节模型和时间序列分析的统计预测模型.该模型能够很好地分离出时间序列中的趋势成分,且能够很好地刻画它在各个年度周期内部光滑的季节成分.该文将地下水位统计数据进行了消除趋势成分及消除季节影响的处理,再将新得到的数据进行平稳化、零均值化处理,并利用时间序列的自相关函数、偏自相关函数的性质,最终确认了适当的时间序列模型.以北京市1990~1994年共60个月份的地下水位统计数据为实例进行分析,确定此模型为ARMA(1,4)模型.通过对数据的计算,可预测出北京市1995年地下水位值.     

基于季节ARIMA模型的电力负荷建模与预报

电力负荷是影响电网寿命和可靠度的一个重要因素，将季节ARIMA模型引入电力负荷的建模及预报，为电力资源分配的宏观调控及电网改造提供了一种可靠的方法和途径，文中用频谱分析的方法检验电力负荷的季节性并求出一个周期；介绍了具有一个周期的季节ARIMA模型的一般表达方式，并给出进行建模及预报的一般过程，以天津市华苑小区的电力负荷为例，进行了季节ARIMA模型的建模及预报。     

基于灰色关联分析的季节性民航货运量预测

为更精确地预测月度航空货运量,提出组合模型预测方法.该模型由季节GM(1,1)和季节ARIMA乘积模型构成,它结合了该2种模型中时间序列预测的优点.灰色模型GM(1,1)能准确反映时间序列的增长趋势;ARIMA乘积模型对季节特征有较好的拟合效果.依据霍尔特温特预测模型计算季节性GM(1,1)模型的季节指数,并用灰色关联分析求出组合预测中的权值.组合预测模型的平均相对误差为0.62%,而季节性GM(1,1)模型和ARIMA乘积模型的平均相对误差分别为4.49%和-3.16%.预测分析结果说明,该模型的非线性曲线拟合精度和预测精度明显高于单个模型,可较好地反映系统的动态性和运量的季节时序关联性,为季节性时间序列预测提供了新的途径.     

成都市城区空气污染指数的时间序列分析

根据成都市城区2001～2005年的大气污染监测资料,获取和分析成都市空气污染指数.采用时间序列分析方法,对空气污染指数建立自回归滑动平均模型模拟实测的空气污染指数,并对模拟结果进行了检验.结果表明:成都市空气污染状况具有夏季较好、其他季节较差的季节性变化规律.采用时间序列分析大气污染状况是可行性的.