SVR在混沌时间序列预测中的应用

支持向量机是一种基于统计学习理论的新颖的机器学习方法，该方法已广泛用于解决分类和回归问题。将支持向量回归算法应用于混沌时间序列预测中，并同BP网络及RBF网络的预测结果进行了比较分析。仿真实验表明，支持向量回归方法具有很好的泛化能力和一定的噪声容忍能力。     

基于主成分分析和递归神经网络的短期股票指数预测

运用递归神经网络,并结合主成分分析方法建立基于主成分分析的递归神经网络(PCA-RNN)预测模型.实验采用玉米股票价格指数,首先,利用主成分法对玉米指数的多个指标进行特征提取,然后利用提取的主成分建立3种神经网络模型,并对开盘价进行预测,最后与ARIMA模型进行比较分析.结果表明PCA-RNN模型取得了较好的效果,更加适用于股票价格的短期预测,可以为决策者提供一定的参考.     

时间序列模型在我国财政收入分析中的应用

利用全国1978年至2005年间的28个财政收入数据,选择四个时间序列模型和一个混合指数函数—AR模型进行拟合。依据AIC准则、BIC准则和MAPE准则分别对模型预测精度进行评价,选择恰当模型。以2006、2007和2008年的数据作为检验数据验证模型的预测效果,进一步证实ARMA模型预测效果较好。     

因子分析在研究城镇居民消费支出结构中的应用

因子分析是一种多元统计分析方法,已被广泛应用到科学领域的许多方面。本文应用因子分析法对2012年3季度我国城镇居民消费支出结构进行了实证研究,并与往期数据进行比较,探讨我国城镇居民消费支出结构的变化。     

基于最小一乘准则的最优回归模型研究

针对目前回归函数中普遍存在的泛化能力得不到保证的缺点,结合统计学习理论的研究成果,提出了基于最小一乘准则的最优回归模型(简称为LaOR模型)．与以往模型相比较,LaOR模型综合考虑了回归误差和置信范围,可望有效地降低回归函数的期望风险．最后,以广东省江门市为例,将LaOR应用到区域经济发展的短期预测中,取得了可以接受的预测效果．