汇率预报的非线性组合建模与预测方法研究

近年来的经济统计研究表明，组合预测比单项预测具有更高的预测精度。但线性组合预测方法在汇率的组合建模与预测方面存着较大的局限性。本文提出了一种基于支持向量机回归(SVM)的汇率非线性组合建模与预测新方法，并讨论了建模中SVM核函数、损失函数的选取和容量控制等问题。对于英镑、法郎、瑞士法郎、日元对美元等汇率时间序列的组合建模与预测结果表明，该方法具有很强的学习与泛化能力，在处理外汇市场这种具有一定程度不确定性的非线性系统的组合建模与预测方面有很好的应用价值。     

基于支持向量机回归的港口吞吐量非线性组合预测

提出了一种基于支持向量机回归算法的港口吞吐量非线性组合建模预测方法,并运用该方法进行了港口吞吐量预测,同时将该预测结果与其他方法的预测结果进行了比较．结果表明,该方法具有很强的学习及泛化能力,在处理具有一定程度的不确定性的非线性系统的组合建模预测问题时具有很好的应用价值．     

基于SVR的非线性时间序列预测方法应用综述

基于支持向量回归(Support Vector Regression,简称SVR)的非线性时间序列预测是智能预测的重要前沿课题,在许多领域有着非常广泛的应用前景。文章介绍了SVR基本理论和方法,从金融、电力、交通、旅游等领域的典型应用对基于SVR的非线性时间序列预测进行了综述,分析了目前SVR在核函数、自由参数选择和输入数据处理方面存在的问题及其在应用领域进一步研究的方向。     

基于非线性IRWLS-SVM短期电价预测的改进方法

本文提出了一种基于非线性IRWLS-SVM的短期电价预测的模型．首先对不同的损失函数进行仿真,选出具有一定鲁棒性的Huber损失函数来适应模型小的变化．然后比较线性、径向基、多项式3种核函数．仿真结果表明,多项式核函数的预测效果最好．最后提出了一种改进的非线性IRWLS-SVM算法,仿真结果表明改进后的算法提高了局部预测精度．     

基于支持向量机的非线性系统辨识方法

支持向量机是一种基于结构风险最小化原理的新一代机器学习方法,在分类和回归估计方面已显示出了很好的应用前景.本文在简要介绍支持向量回归新方法的基础上,给出用于非线性系统进行辨识的支持向量机模型和多输入支持向量机的核函数构造方法,并将支持向量机与神经网络的非线性系统辨识效果进行了比较分析.实验结果表明,支持向量机具有比神经网络更强的非线性系统辨识能力和更好的泛化能力.     

基于BP-AGA的非线性组合预测方法研究

运用神经网络和加速遗传算法建立非线性组合预测模型，在BP算法训练网络出现收敛速度缓慢时启用加速遗传算法(AGA)来优化网络参数，把AGA的优化结果作为BP算法的初始值，再用BP算法训练网络，如此交替运行BP算法和AGA以加快网络的收敛速度，同时改善局部最小问题。最后给出实例研究，结果表明，该方法能明显提高预测精度。     

城市用水量非线性组合预测方法研究

利用小波网络构造模型的优化组合函数,建立了城市用水量非线性组合预测模型.将非线性组合函数的拟合转化为小波网络参数的估计,采用遗忘因子法训练网络的权值,利用递推预报误差算法训练尺度因子和平移因子.实例表明,该方法具有很强的泛化能力与自适应数据和函数变化的能力,能够有效提高预测精度,克服了线性组合预测方法适应性不强的问题.     

短期风功率自适应加权组合预测

首先分别建立了持续法、灰色、支持向量机风功率预测模型,然后利用各个模型的预测误差建立自适应加权的组合预测模型;仿真结果表明:组合预测模型能够充分发挥各个模型的优势,有效提高预测精度。     

一种非线性非平稳时间序列预测建模方法

提出了一种基于经验模式分解和支持向量回归的非线性、非平稳时间序列预测建模方法.首先,针对时间序列的非平稳特征,通过经验模式分解将其分解为若干个本征模式分量,使其中每个分量均成为平稳序列;其次,对每个本征模式分量,基于支持向量回归建立相应的平稳时间序列预测模型;最后,再一次利用支持向量回归对这些预测模型进行非线性组合,得到非线性、非平稳时间序列的预测模型.仿真实验和工程应用均表明,所提的预测建模方法与传统的基于支持向量回归的建模方法相比,具有较高的精度,说明该方法对于非线性、非平稳时间序列的预测是有效的.     

基于新闻情感分析和区间分解的汇率预测研究

汇率序列具有非线性和连续变化等特点,其细节波动是一系列事件和新闻综合影响的结果.然而,现有区间预测模型难以量化重大事件和公众情绪的影响,导致其缺乏广泛的适用性,且传统区间分解方法存在上下界混叠的缺陷.因此,论文从新冠疫情冲击出发,提出一种基于新闻情感分析和区间分解的汇率波动实时预测模型.首先,基于Snownlp情感词典对外汇新闻文本进行情感分析,获得相应的情感分数.另外,构建全球恐惧指数(the global fear index,简称GFI)以量化新冠疫情的影响,并将其与芝加哥期权交易所波动率(the Chicago board options exchange volatility index,简称VIX指数)相结合作为汇率的影响因素.然后,提出一种新的区间经验模态分解(interval empirical mode decomposition,简称IEMD)方法对区间汇率序列进行多尺度分解,并根据样本熵重构得到高、中、低频区间序列和残差项.其次,利用极限学习机(extreme learning machine,简称ELM)、多层感知机(multi-layer perceptron...     

基于LS-SVM的交通流组合预测模型

智能交通系统是目前世界上公认的解决城市交通拥堵问题的最佳措施,而实时准确地交通流量预测则是实现智能交通系统和智能交通诱导控制的重要依据.针对城市交通"智能运输系统"和交通流的特性,在多元线性回归、支持向量机和改进的BP神经网络等三种预测模型的基础上,提出了基于最小二乘支持向量机方法的交通流组合预测模型.实验预测结果表明该组合预测模型具有较高的预测精度,为交通流量提供了一个更好的预测模型.     

市场汇率与汇率市场

本文从对外汇汇率和外汇市场的分析出发,阐述了目前我国外汇管理体制改革所处的阶段和特点,说明实现人民币成为可自由兑换货币的过程,实际上是一个逐步深入的汇率市场化和市场汇率化过程。     

基于支持向量回归的非线性时间序列预测

针对实际系统的高度非线性及复杂动态性,把非线性时间序列建模与预测问题转换为函数回归估计问题.把具有全局最优性、较好泛化能力及训练效率高的最小二乘支持向量回归算法应用到非线性时间序列预测与建模中.最后给出了某市年电力负荷预测的应用实例,与传统支持向量回归算法相比,文章描述的方法具有较好的预测精度.     

基于组合分类器的一个新的数据整合方法

物体的性质可以用各向异性的数据模式表达,每一个分类器可以针对一种数据模式对物体进行分类,由此提出了一个对各向异性的数据模式进行整合的概率分类算法。将该算法应用于一个模拟数据,实验结果表明了该算法是可行性的。     

人民币汇率对中国价格水平的传递效应研究

基于2005年8月~2014年7月的数据构建了向量自回归模型,研究了人民币名义有效汇率对于中国进口价格指数与消费者物价指数的传递效应。研究表明,汇改后的十年,人民币名义有效汇率对进口价格指数与消费者物价指数的传递效应为部分传递,并且有一定时滞性;人民币名义有效汇率对进口价格指数的传递性优于消费者物价指数。     

基于混沌粒子群优化小波支持向量机的汇率预测

目前,支持向量机( SVM)常用的参数寻优方法存在易陷入局部极值的缺点,而其常用的核函数的逼近精度也有待提高.基于混沌映射的遍历性与随机性和小波变换的局部分析与特征提取能力,提出了一种混沌粒子群优化小波支持向量机(CPSO-WSVM)的算法,并应用它构建汇率预测模型.实验结果表明,相比传统的粒子群优化高斯核SVM(PSO-GSVM)的算法,CPSO-WSVM算法大大提高了预测的精度和效率,应用效果好.     

汇率波动的预测研究

本文提出的多层递阶－灰色预测综合预测法是运用多层递阶法,通过辨识时变参数,建立时变参数动态预测模型,并在此基础上进一步运用灰色预测方法,通过对时变参数的预测来预测汇率波动．实例表明：本法与非时变多项式回归预测比较,有效提高了预测精度     

对人民币真实汇率的再思考

长期看来,中国应该实施由市场供求决定的灵活汇率制度.但短期看来,政府有必要采取一些非市场的行动保持汇率稳定,以减少风险和波动.面对国际上再度掀起人民币升值的舆论,笔者从影响人民币汇率变动的因素及人民币升值压力产生的原因着手分析,指出在近期内人民币汇率仍应保持稳定,适时调整相关政策,以化解目前的升值压力,提高汇率政策的作用.     

从对外贸易角度看人民币汇率的走势

介绍了人民币汇率及汇率制度,分析了人民币升值的原因及其对我国经济的影响,从对外贸易角度论述了人民币汇率的走势。     

基于多表达式编程的汇率预测的研究

由于汇率预测(Exchange Rate Prediction)是一种不确定、非线性、非平稳的时间序列预测问题,传统的方法往往难以得到满意的结果.多表达式编程(Multi Expression Programming,MEP)是一种新型的线性编码的遗传编程(Genetic Programming)的变种.提出一种克隆选择算法优化的多表达式编程模型对国际上3种重要的汇率数据进行了建模和预测,实验结果表明,该模型克服了传统进化算法优化的遗传编程及人工神经网络早收敛、难以找到全局最优解的缺点,取得了令人满意的结果.