吉林省玉米单产的预测

在应用灰色ＧＭ（１．１）预测模型预测的基础上，又与马尔柯夫链结合构成灰色马尔柯夫链对吉林省玉米单产进行预测。结果表明：用灰色马尔柯夫链进行预测比灰色ＧＭ（１．１）模型预测的精度高、效果好，是一种理想的预测玉米单产的方法。同时用此方法对１９９２￣１９９５年吉林省玉米单产进行了预测。     

浙江省茶叶产量的灰色———马尔柯夫预测模型

采用灰色（ＧＭ）与马尔柯夫链联合预测方法对浙江省的茶叶产量进行预测，并对预测结果进行了分析和探讨。     

灰色马尔柯夫链预测模型及其应用

一、前言 灰色预测与马尔柯夫链(以下简称马氏链)预测是两类应用较为广泛的预测方法,它们都可以应用于时序预测,但各具特色和局限。 灰色预测是指以GM(1,1)模型为基础所进行的预测,它主要用于时间短、数据资料少、波动不大的预测问题,只需很少的几个数据就可建立模型进行预测,尤其对短期预测具有较高的精度。但其预测的几何图形是一条较为平滑的曲线,要么单调递增,要么单调递减,进行长期预测时,预测值往往偏高或偏低(根据几何图形而定),因而对随机波动性较大的数据列拟合较差,预测精度较低。而马氏     

基于互联网搜索指数的多因素集成下人民币汇率预测

针对人民币短期汇率预测问题,构建了基于互联网大数据信息的互联网搜索指数,改进了人民币汇率短期预测CAR模型.首先,基于涵盖丰富信息的互联罔大数据,构建了反映大众关于汇率波动观点、情绪及预期的互联网搜索指数,并运用热最优路径(TOP)方法、去趋势交叉相关分析(DCCA)方法对指数的有效性进行了检验,结果表明该指数可以有效地表征出大众情绪和预期的变化.进一步地,利用所编制的互联网搜索指数对人民币汇率的短期预测模型进行改进,构建了融合互联网搜索指数的CAR模型.实证结果表明,融合互联网搜索指数的人民币汇率短期CAR预测模型可以有效提升短期汇率的预测精度.     

北京市知识密集型服务业增加值的 Markov SCGM(1, 1)C预测模型

将1991-2009年北京市知识密集型服务业增加值作为原始数据序列, 对部分统计信息修正后, 应用单因子系统云灰色模型拟合时序数据的总体趋势; 然后将所得相对误差作为随机波动过程, 用马尔柯夫链原理对其状态进行预测; 最后综合运用MarkovSCGM(1, 1)_C模型, 对未来3年北京市知识密集型服务业增加值进行了预测, 结果表明具有良好的预测精度.     

山西省粮食产量的预测

本文分析了灰色ＧＭ（１，１）预测模型与马尔柯夫预测模型的应用条件，并将粮食产量分解为趋势产量与随机产量两部分。从而提出了一个较优的粮食产量预测模型－－灰色马尔柯夫链预测模型。并对山西省１９９２年、１９９３年的粮食单位产量进行了预测。     

基于HMM的移动预测模型与仿真

提出了一种基于隐马尔柯夫模型的移动预测模型,并给出增强模型预测能力和提高预测精度的方法。该模型用于预测移动IP网络中移动节点的运动方向和将要连接的接入路由器,为避免或减小由于移动造成的通信中断和时延赢得准备时间。仿真结果说明,模型的预测准确率较高,在适当选择状态数的条件下,模型对移动的随机性具有较好的适应能力。     

股票价格的灰色—马尔柯夫预测

股票价格及其走势预测是投资和证券理论界普遍关注的课题。本文在对灰色预测和马尔柯夫预测详细剖析的基础上把两者结合起来，提出了一种新的股票价格预测方法，并通过证综合指数的预测说明了该方法的有效性。     

马氏链在电子元器件需求量预测中的应用

本文分两部分:第一部分论述了马尔柯夫链用于电子元器件需求量预测的可行性和优点;第二部分建立了集成电路需求量预测的数学模型。     

人民币汇率的稳定机制及其动态过程(Ⅱ)——实证分析

首先应用协整方法检验人民币汇率、外汇储备、进出口及国际外汇市场的汇率（日元对美元的双边汇率）变化的可积性和变量之间的协整关系,进而建立用来描述人民币汇率由短期波动向长期均衡非线性调整的动态过程的误差修正模型．实证分析结果表明,模型的所有估计系数具有我们建模时设定的符号;并且人民币汇率、外汇储备及美元／日元汇率之间存在唯一的长期稳定关系,即协整关系;短期预测模型不仅具有令人满意的拟合效果和预测能力,而且具有结构稳定性     

金融危机背景下的人民币汇率预测

在为金融危机期间人民币汇率的波动提供一种有效的预测方法.在利用替代数据方法检验和判别汇率系统具有非线性结构的基础上,识别了各具体汇率序列的最优滞后期组合,并分别采用了多层感知机(MLP)和层反馈网络(RNN2)结构构建同质神经网络模型,从三个方面对比分析了模型群在不同参数条件下的预测效果. 研究发现,根据不同序列的具体特征,各神经网络模型在不同自由度下的4个预测期限内的预测性能存在较明显的差异.同时,包含层反馈过程的RNN2模型在描述与预测人民币汇率的波动方面表现出很强的能力.此外, 还分析并解释了产生上述结果的原因,并为4种人民币汇率波动序列甄选出了相应的最优预测模型.     

人民币汇率的稳定机制及其动态过程(Ⅲ)——目标区域模型

基于Ｋｔｕｇｍ ａｎ 的汇率目标区域理论和中国现行的外汇管理体制及汇率制度的基本特点,应用人工神经网络技术对１９９４ 年１ 月－ １９９７ 年３ 月的月度数据,建立人民币汇率的非线性模型：目标区域模型;并运用所建立的模型对１９９７ 年４ 月－ ９ 月的人民币汇率走势进行预测．结果表明该模型具有令人满意的拟合与预测能力．基于目标区域模型在中国的适用性,应用该模型的平滑过渡条件,求出中国外汇储备的最佳上限（１５７７．５ 亿美元）．在确定出人民币汇率的目标区域的基础上,提出应适度贬值人民币的政策建议,并阐述实行这一举措的可行性和必要性．     

Application of Cointegration to Forecasting Foreign Trade in China

1　IntroductionItisevidentthat,duringthelastdecays,enormousdevelopmentofeconomyhasbeenaccompaniedwithdramaticincreaseofforeigntradeindevelopingcountries.Althoughforeigndebtcantemporarilyprovidetheforeignexchangeneededinimport,importconsistingofgovernmentandindividualpurchasesissupportedbyexportatlast.TransitiontomarketeconomyneedstheforeigntradetobeforecastinChina.FinancialCrisisofMexicoandEastAsiaoriginatedfromunhealthydebtstructure[1],inwhichforeignreservefromexportismuchlessthanwhatneeded…     

改进人工鱼群算法在外汇预测和投资组合中的应用

人工鱼群算法具有良好的全局搜索能力和自适应能力,在解决投资组合问题上有较好的应用前景.本文通过改进人工鱼群算法,分别对汇率预测和外汇投资组合双目标优化两部分进行研究.首先利用基于平均距离视野的人工鱼群优化的支持向量回归机算法对汇率进行短期预测,提高了外汇预期收益率的准确性.然后建立外汇投资组合双目标模型,通过借鉴带精英策略的快速非支配排序遗传算法(non-dominated sorting genetic algorithm-Ⅱ,NSGA-Ⅱ)的思想,提出基于Pareto排序理论的双目标非支配排序人工鱼群算法(non-dominated sorting artificial fish swarm algorithm,NSAFSA).实证分析表明该算法在求解外汇投资组合方案时,获得的Pareto前沿比NSGA-II的结果分布更均匀,多样性更好.最后对NSAFSA算法进一步改进,通过两次剪枝策略提高了解的质量,并给出了可供选择的最优外汇投资组合方案.研究结果表明人工鱼群算法可以对汇率预测和外汇投资组合提供重要参考,在外汇市场中具有较大的应用潜力.     

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TEI@I方法论的通货膨胀问题分析与预测

基于TEI@I方法论提出了通货膨胀预测的研究框架.首先对通货膨胀的相关影响因素进行了分析,然后建立了因子预测模型、ARIMA模型、向量自回归模型以及马尔可夫状态转移模型,并分别进行了预测.然后采用Boostrap方法进行了集成,得到了每种预测方法的权重,并利用载止2007年12月的数据对2008年的月度通货膨胀率进行了集成预测,实证结果表明新的集成方法使预测结果更为稳定.     

A multiscale modeling approach incorporating ARIMA and anns for financial market volatility forecasting

The financial market volatility forecasting is regarded as a challenging task because of irreg ularity, high fluctuation, and noise. In this study, a multiscale ensemble forecasting model is proposed. The original financial series are decomposed firstly different scale components （i.e., approximation and details） using the maximum overlap discrete wavelet transform （MODWT）. The approximation is pre- dicted by a hybrid forecasting model that combines autoregressive integrated moving average （ARIMA） with feedforward neural network （FNN）. ARIMA model is used to generate a linear forecast, and then FNN is developed as a tool for nonlinear pattern recognition to correct the estimation error in ARIMA forecast. Moreover, details are predicted by Elman neural networks. Three weekly exchange rates data are collected to establish and validate the forecasting model. Empirical results demonstrate consistent better performance of the proposed approach.     

Exchange rate forecasting with optimum singular spectrum analysis

Forecasting exchange rate is undoubtedly an attractive and challenging issue that has been of interest in different domains for many years. The singular spectrum analysis （SSA） technique has been used as a promising technique for time series forecasting including exchange rate series. The SSA technique is based upon two main choices： Window length, L, and the number of singular values, r. These values are very important for the reconstruction stage and forecasting purposes. Here the authors consider an optimum version of the SSA technique for forecasting exchange rates. The forecasting performances of the SSA technique for one-step-ahead forecast of six exchange rate series are used to find the best L and r.     

AN EMPIRICAL ANALYSIS OF SAMPLING INTERVAL FOR EXCHANGE RATE FORECASTING WITH NEURAL NETWORKS

Artificial neural networks (ANNs) have been widely used as a promising alternative approach for forecast task because of their several distinguishing features. In this paper, we investigate the effect of different sampling intervals on predictive performance of ANNs in forecasting exchange rate time series. It is shown that selection of an appropriate sampling interval would permit the neural network to model adequately the financial time series. Too short or too long a sampling interval does not provide good forecasting accuracy. In addition, we discuss the effect of forecasting horizons and input nodes on the prediction performance of neural networks.     

基于股市和汇市成交量信息视角的股价波动预测

以往研究忽略了汇市成交量包含的信息对股价波动的影响,可能导致模型参数的有偏估计.基于泊松分布的随机波动率模型不仅可有效解决传统做法对成交量信息使用不足的问题,而且通过将汇市成交量信息引入模型,与现有文献形成有益补充.通过SMC算法编程实现了SV-VOL模型的有效估计,发现股市成交量信息有助于股价波动预测;汇市成交量信息是通过股市流入净资本这一间接渠道最终影响股票收益率与股市量价关系.