混沌时间序列的混合预测方法

提出了一种基于小波变换、粒子群优化的最小二乘支持向量机(PSO-LSSVM)和广义自回归条件异方差模型(GARCH)的混沌时间序列的混合预测方法.首先利用小波变换将混沌时间序列分解和重构成概貌时间序列和细节时间序列; 然后利用PSO-LSSVM模型预测概貌时间序列的未来值,采用GARCH模型预测细节时间序列的未来值;最后将概貌时间序列和细节时间序列的未来值求和作为最终的预测结果.采用该方法对Mackey-Glass和变参数Logistic混沌时间序列进行预测. 结果表明该方法能精确地预测混沌时间序列,验证了文中所提方法的有效性.     

基于小波与混沌集成的中国股票市场预测

应用小波变换和混沌理论提出了一种中国股票市场建模及其预测的小波与混沌集成的方法．首先应用小波分解理论对上证综指和深证成指日收益率序列进行分解，分别得到低频部分和高频部分，并在此基础上作进一步分析，结果表明中国股市存在混沌特性；然后应用混沌理论分别建立低频部分和高频部分的预测模型，对低频部分和高频部分进行预测；最后应用小波理论对混沌模型预测的结果予以重构，实现对原始收益率序列的预测．与现有方法比较，结果表明该方法具有较高的精度，有极大的应用前景．     

应用小波理论进行股市预测

应用小波理论提出一种股票市场建模及其预测的方法,以上证综指为例进行了实证研究,并从吸引子结构的观点进一步分析了预测精度提高的原因。采用此方法进行股市预测,首先要应用小波理论对股指收益率序列进行分解,得到低频和高频部分;然后在此基础上作进一步分析,以确定各部分存在混沌特性;再应用混沌理论分别建立低频和高频部分的预测模型,对低频和高频部分进行预测;最后应用小波理论对混沌模型预测的结果予以重构,实现对原始收益率序列的预测。研究结果表明,该方法具有较高的精度,并具有极大的应用前景。     

基于混沌算子网络的时间序列一步预测方法

为解决时间序列的一步预测问题,提出了一种基于混沌算子的预测网络.混沌算子具有复杂的动力学行为,根据各算子所处的不同状态,利用加权方法计算出时间序列下一时刻的预测值.根据预测值与实际值的误差,利用混沌优化方法动态地调节混沌算子的参数,逐渐提高网络的预测精度.利用该方法分别对混沌以及实际股票价格等复杂时间序列进行了仿真预测.仿真结果表明,该方法可以对具有内在确定性的系统进行有效的预测.     

短期电力负荷的小波——混沌时序预测

提出了一种基于2层小波分解的混沌时序相空间重构预测模型.该模型利用小波分解原始负荷时间序列为周期项、趋势项和随机项,采用不同的混沌相空间重构高低频信号,再分别用相应的小波神经网络工具箱拟合混沌吸引子,将其输出进行信号重构得到最终预测结果.该方法兼有频率特征提取和相空间重构的优点,使短期电力负荷时序列的动力学系统得到更加细致的恢复.通过对欧洲电力负荷竞赛数据的实验证明了所提方法的有效性,仿真结果表明方法预测精度优于常规混沌时序预测方法.针对神经网络预测不稳定的问题给出了一种种解决措施,并提出了一种小波神经网络工具箱,该方法比编程实现的小波网络可以大幅度提高训练速度,尤其适合于大批量数据的训练,对小波神经网络的推广应用和混沌时序预测具有重要意义.     

基于EMD与神经网络的中国股票市场预测

应用EMD分解算法、混沌分析和神经网络理论提出了一种中国股票市场建模及预测的EMD神经网络模型.首先应用EMD分解算法把原始股市时间序列分解成不同尺度的基本模态分量,并在此基础上进一步分析, 表明中国股市存在混沌特性;再经混沌分析和神经网络进行组合预测,提高了模型对多种目标函数的学习能力, 有效提高了预测精度. 实验表明:与现有方法相比, 该方法具有较高的精度.     

基于小波消噪的混沌多元回归日径流预测模型

基于小波消噪理论对水文序列中的噪声进行了处理,然后利用混沌理论中的相空间重构技术计算出饱和嵌入维数作为多元回归模型的可控变量个数,将小波、混沌和多元回归方法结合起来对日径流进行了预测。与消噪前相比,消噪处理后建立的模型预测精度有了明显提高：预测合格率提高8%,平均绝对百分比误差为9.53%。因此在对水文时间序列进行混沌分析和预测之前,对其进行小波消噪是完全必要的。     

中国期货市场的混沌性检验

以国内各期货品种日收盘价格序列作为研究对象,对中国期货市场是否存在混沌进行全面的检验。首先运用新的最大交易量复权法对期货价格数据进行采样,再进行收益率和对数线性去趋势平稳化处理,运用R/S分析和BDS检验来检验其非线性,运用递归图方法进行确定性检验,发现国内期货市场普遍具有非线性和确定性。其后,对这些时间序列进行相空间重构,计算最大Lyapunov指数、关联维数和Kolmogorov熵等几何不变量,从而得出中国期货市场具有混沌和分形特征的结论,为进一步的混沌预测分析打下基础。     

基于非参数局部线性核估计的混沌预测

将非参数局部线性核估计引入混沌时间序列预测,利用其优良的估计和预测能力,极大地提高了混沌时间序列的预测精度,并从理论上证明了一些传统的混沌序列预测方法仅仅是该方法的特殊形式.实证表明,该方法对典型的混沌时间序列可以做到非常精确的预测,对股票市场这类复杂经济系统也具有良好的预测能力.     

基于小波消噪的水文系统混沌特性识别

针对噪声对水文动力系统混沌识别影响,运用小波消噪方法研究含有观测噪声的水文时间序列的关联维数.计算结果表明,消噪后水文时间序列的饱和关联维数比消噪前有明显降低,证明了小波消噪的有效性,为混沌水文系统中噪声的去除提供了一种新的途径.     

混沌时序重构及上海股票指数预测的应用研究

应用非线性自相关混沌模型,采用神经网络和小波理论相结合的方法对模型参数进行辨识,其辨识的准确程度较高.通过对混沌时序进行预处理和傅立叶滤波,然后再进行重构和预测工作其效果良好;文章采用该模型对上海证券市场的600062号股票数据的开盘、最高、最低、收盘价数据进行了建模和模型中参数辨识的工作,其预测的结果比较准确.     

基于神经网络、多分辨分析和动力学重建理论的股市趋势预测

根据动力学重建理论和多分辨分析的基本思想 ,利用小波变换重构股市系统的光滑吸引子 ,从而避开了预测的不适定问题 .以重构的状态矢量作为神经网络的多维输入 ,以上海证券交易所的上证指数为例 ,分别对 1 999年的 5 .1 9行情以及 2 0 0 0年的 2 .1 4行情后的几个关键点位进行预测 ,结果表明 ,效果是令人满意的.     

时间序列的小波神经网络预测模型的研究

针对非线性时间序列,建立了小波神经网络预测模型,通过计算小波分解和小波级数,达到最优的逼近效果．经实例验证,该方法能有效地提高预测精度,避免了人工神经网络模型的固有缺陷.     

基于Takenaka-Malmquist自适应时频分布的特征指标——来自上证和深证的数据

股票价格指数度量并反映了股票市场总体价格水平及其变动趋势，包含了丰富的市场信息，受到投资者和政策制定者的普遍关注.利用一定的数学方法对其进行分析和研究，挖掘股指的潜在价值，对加快资本市场治理，提升金融效率，促进国民经济的平稳快速发展具有十分重要的意义.本文利用基于Takenaka-Malmquist自适应傅里叶分解（简称自适应傅里叶分解或AFD）的时频分布，有效提取了股票价格指数的时频特征，分析股票市场的变动趋势.为满足自适应傅里叶分解的要求，首先利用H-P滤波算法对时间序列进行预处理，去除时间序列的趋势项，然后利用AFD算法处理周期项数据，在此基础上得到股票价格指数的时频分布，并进一步分析股指变动趋势.基于自适应傅里叶分解的算法可以有效提取股指在时频两域的信息，避免了单一域分析的缺陷，且比现有的小波分解方法具有更高的分辨率和准确度.为检验指标的有效性，本文利用上海证券交易所的上证综合指数（代码000001）和深圳证券交易所深证成份指数（代码399001）实证检验了指标的有效性，结果表明基于自适应傅里叶分解的时频分布提出的股市技术分析指标可以用于中短期股票市场的变动特征分析.     

基于误差反传小波神经网络的船舶横摇时间序列预报

结合小波分析和神经网络的特点，建立了应用于船舶横摇运动时间序列预报的误差反传小波神经网络结构并给出了算法。作者利用多输入、单输出小波神经网络预报模型进行了仿真，取得了良好的仿真效果。此方法不仅可应用于横摇运动时间序列预报，亦可用于纵摇、艏摇的时间序列预报。     

基于T-S模型的模糊神经网络在股市预测中的应用

采用基于 T-S模型的模糊神经网络 ,用改进的遗传算法来训练网络权值 ,隶属函数参数调整算法则采用动量法和学习率自适应调整相结合的策略 ,以上证指数和厦新电子 (个股 )为研究对象予以建模和预测 .结果表明 ,此种模型具有较好的泛化、学习、映射能力 ,对股票市场或类似的非线性经济系统的走势研判或其相应预测决策具有较好的应用价值.     

证券市场预测的神经网络方法

首先讨论了证券市场的各种影响因素、预测分析方法和定量预测模型的选择。然后运用神经网络模型的非线性映射能力和学习联想能力，提出了证券市场预测的通用模型。最后通过一个证券买入时机预测的实例，证明了该模型的有效性.     

货币市场与商品市场共同均衡下的货币需求建模与预测

在货币市场与商品市场共同均衡下研究货币需求建模与货币需求预测问题．首先利用1980－1996年的季度数据给出了Johansen检验的经验结果，得到两个协整向量，分别对应货币市场和商品市场相关经济变量之间的长期稳定关系；然后建立了误差矫正模型，并比较了单方程估计和我们的两个市场共同均衡下的联立方程估计的预测能力．     

Wavelet Estimation of a Long Memory Parameter In the Stock Market

I 1ntroductlonThe potential presence of stochastic long memory in financial asset returns has been animportant subject of both theoretical and empirical research. If asset returns display longmemory, or long--term dependence, they exhibit significant autocorrelation betweenobservations widely separated in time. In economics and finance, long--range dependencehas a long history and has remained a topic of active research is the study of economic andfinancial time series (see Lo [5j and Mandelb…