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．     

组合预测模型在汇率预测中的应用

为准确对汇率进行预测,提出基于ARIMA-GARCH~GED模型与PSO-LSSVM模型的汇率组合预测模型.首先,利用HP滤波将汇率分解为长期趋势序列与循环序列,然后运用ARIMA-GARCH~GED模型对长期趋势序列进行预测分析,运用PSO-LS-SVM模型对循环序列进行训练分析,最后将长期趋势与循环趋势的值相加即为汇率预测值.通过实例分析对比发现,此组合预测模型精度高于单一预测模型,可以更加准确预测非平稳汇率时间序列.     

基于支持向量机的混沌时间序列预测

支持向量机（SVM）是一种基于结构风险最小化原理的学习技术,是一种具有很好泛化性能的回归方法.针对混沌时间序列特点,提出混沌时间序列预测的支持向量机建模的思路、特点及关键参数的选取.对模型进行了实例研究,结果表明该模型能较好地处理混沌时间序列,具有较高的泛化能力和很好的预测精度.     

基于BP神经网络的人民币汇率拟合与预测研究

通过BP网络对人民币/美元名义汇率序列进行了拟合,结果表明:所构造的网络能够较好地拟合人民币汇率的走势,并使用该网络对汇率进行了模拟预测,最后对预测结果作了评价.     

基于EMD和Elman网络的人民币汇率时间序列预测

为了改进神经网络的预测性能,更精确地预测人民币汇率,提出一种新的汇率时间序列预测方法,即利用基于经验模态分解(EMD)的Elman网络进行预测.首先对人民币兑美元的汇率序列做了非线性检验和非平稳性检验,然后对该序列进行经验模态分解,将得到的固有模态函数作为神经网络的输入变量,并在确定神经网络的关键参数后进行预测.实证结果表明,利用基于EMD的Elman网络进行人民币汇率预测能够取得更好的效果.     

基于ARMA-稀疏贝叶斯模型的汇率预测研究

文章基于ARMA模型和稀疏贝叶斯模型,提出了ARMA-稀疏贝叶斯模型,充分利用ARMA模型和稀疏贝叶斯模型在线性模型及非线性模型预测中的优势,将收益率序列分解为线性自相关主体和非线性残差2个部分,然后用ARMA模型对线性自相关主体数据进行预测估计,用稀疏贝叶斯模型对非线性残差进行预测估计,最后合成人民币兑美元日汇率中间价序列预测结果。研究结果证明,运用所建模型预测人民币日汇率中间价和上证指数收盘价,均取得了较好的效果。     

人民币汇率的ARIMA模型的预测

本文在简要介绍时间序列模型的基础上,使用美元/人民币的日汇率值进行实证研究,建立相应的ARIMA模型。并试图将此模型应用于汇率的短期预测,并对其预测效果进行评价。     

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.     

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.     

电力系统短期负荷的混沌时间序列预测

电力系统短期负荷预测在电力系统的调度和管理中起着重要的作用,已有研究证明了电力短期负荷是一非线性动力系统,负荷时间序列是混沌时间序列.文章讨论混沌时间序列的相空间重构技术,并以实际电网为例重构了该电力系统的相空间,最后采用Elman递归神经网络对负荷时间序列进行仿真预测,预测结果表明采用该方法能取得较好的预测效果.     

几种作物产量预测模型及其特点分析

作物产量预测是农业科学研究的一个重要内容，是农业决策的重要依据，不少学者进行了大量研究并建立了许多预测模型。简述了常用的GM（1,1）灰色预测模型、趋势一随机预测模型、神经网络预测模型和组合预测模型的原理、方法，并就应用情况及其特点进行了简要评价，为人们的选择性使用提供依据。     

重庆市贸易收入结汇预测模型研究

为加强对外汇收入结汇的监管，根据重庆贸易收入结汇统计数据的特点，分别建立了灰色模型和自回归模型，研究子地方中观层次贸易外汇收入结汇预测问题，从不同的角度反了重庆贸易收入的变动情况，并从短期和中期2个方面对贸易收入进行有效地预测，在此基础上提出了加强企业和银行外汇结汇监管的相关建议和组合2个模型的设想。     

创新产品市场扩散的非线性组合预测模型

提出了一种新的非线性组合预测扩散模型,并给出了相应的反向传播学习算法,理论研究与应用举例表明：该方法具有很强的学习与泛化能力,在处理诸如创新扩散时间序列这种具有一定程度不确性的组合建模与扩散预测方面有很好的应用价值。     

信用转移矩阵预测模型的比较分析

对当前国际上几种主要的信用转移矩阵估计方法中所采用的预测模型进行了系统的分析,指出这些方法在模型构建中存在的一些共性问题,并通过进一步讨论,发现传统的结构建模方法是导致这些问题的关键·为此,提出了将动态建模理论引入转移矩阵预测模型的建模框架,并从理论上说明了这种建模途径能使所构建的转移矩阵预测模型具有更为可靠的理论依据,从而改善预测模型的有效性·     

城市公共交通需求预测及应用

文章在综述了公共交通需求预测基本理论的基础上 (包括预测的基本前期工作 ,四阶段模型法等 ) ,结合巢湖市公共交通规划 ,对出行生成、出行分布、交通方式划分、交通分配 4个阶段所采用的需求预测常规模型 (方法 )的应用作了具体的说明。同时 ,还介绍了一种组合预测模型 (方法 ) ,这种模型旨在减少预测风险 ,有效提高预测精度     

金融时间序列预测中的神经网络方法

概述了神经网络方法在金融时间序列预测应用中所面临的有关问题,给出了解决方法;针对有关模型和算法作了计算模拟与分析,得到了一些可供今后研究参考的经验结果;讨论了金融时间序列预测中主要的神经网络模型,如多层前馈网络、径向基函数网络以及支持向量机网络等.总结了关于模型改进的一些近期研究进展与结果,指出了神经网络用于金融时间序列预测的一些可能的方向.     

灰色系统参数估计与不良数据辨识

针对序列中含有空穴或不良数据的情况，将参数估计与不良数据辨识理论作为数据预处理技术应用于灰色系统建模。以观测数据为依据进行参数估计，避免了常规模型将空穴处的生成数据与其余实际数据同等对待的弊端；对序列作检测与辨识，使剔除不良数据后的参数估计结果更为精确。在电力系统灰色负荷预测中的应用结果表明，这一方法在提高灰色系统建模精度方面有相当的优越性，预测结果比常规灰色模型有很大的改善。     

非线性动力学在汇率领域的应用及其发展前景

传统的线性经济学建模很难对汇率的"异象"做出合理解释,而非线性动力学却能够捕捉到汇率领域的非线性机理特征和非线性预测,从而揭示了非线性动力学在汇率政策的管理和科学决策中的应用前景.     

公路路基沉降预测方法及其改进措施综述

对软土路基沉降的多种预测方法及其改进措施进行了阐述,重点介绍了泊松曲线、灰色系统、遗传算法等预测模型的不足及其改进方法。     

神经网络模型在短期交通流预测领域应用综述

对基于神经网络的预测模型和方法的研究进行了综述,基于神经网络模型用于短期交通流预测的优点和固有缺陷,认为多种神经网络相结合的混合模型比单一的神经网络模型的预测效果要好,而将神经网络模型与其他领域的研究相结合的综合模型的预测效果要好于混合模型。因此,神经网络与各相关学科的人工智能技术有机结合将会形成强大的综合优势,更有效地用于短期交通流预测研究。