基于小波的加外生变量部分线性自回归模型在石油价格预测中的应用

利用小波函数结合引入外生变量的部分线性自回归模型对WTI现货价格序列进行建模研究,并与部分线性自回归模型和加外生变量的部分线性自回归模型进行比较分析,结果表明：结合小波且加外生变量的部分线性自回归模型的预测精度较高,在石油市场价格预测中有较高的准确性.     

线性自回归模型的自回归分析

将回归模型的回归分析推广到线性自回归模型的自回归分析,获得了线性自回归模型参数的估计公式、估计标准误公式、变量的点估计与区间估计公式、总体自回归系数的检验统计量。     

一种线性移动自回归预测模型

应用线性回归分析和移动平均理论，对按时间次序排列的单一数据序列，给出了一种线性移动自回归预测模型，并对原始数据受不确定因素影响而产生的随机振荡，给出了合理的控制区间和运行通道。将其应用于深圳证券交易所股价指数每日收盘指数序列，得到了与实际情况相符合的结果，预测的准确性相当之高，具有一定的创新性和实际应用价值。     

部分线性回归模型中改进的差分估计及SCAD

考虑了部分线性回归模型中回归参数向量估计的问题,提出了具有更好性质的压缩差分估计,并且将SCAD惩罚函数运用到模型中得到SCAD估计,然后通过Monte Carlo模拟了压缩差分估计和SCAD估计的相关结果,并对它们之间的优劣进行了比较.     

自相关线性回归模型的若干问题

在普通线性回归模型的理论、方法的基础上，对讨论更一般的线性回归模型－－自相关的线性回归模型。     

部分线性自回归模型中误差矩的分段多项式估计

目的研究部分线性自回归模型中误差矩的估计。方法利用非参数分段多项式估计和最小二乘法进行讨论。结果给出了误差tε的k(k≥1)阶矩及误差方差σ2的估计的大样本性质。结论误差k(k≥1)阶矩的估计的收敛速度为T-1/2,T(^σ2T-σ2)/D^T依分布收敛于N(0,1),其中^σ2T和D^2T分别为σ2和Var(23ε)的分段多项式估计,T为数据个数。     

部分线性分位数回归模型的平均估计

模型平均估计可对不同候选模型中的参数估计量进行加权平均,能有效提高参数估计的精度,在经济、金融和管理等领域有着广泛应用。为提高部分线性分位数回归模型的参数估计效果,本文构造了基于兴趣参数的模型平均估计量并探究了其大样本性质。首先,利用B样条近似非参数函数,并通过极小化分位数损失函数来得出各候选模型的回归系数估计量,在局部误设定框架下推导了系数估计量的渐近分布;其次,基于候选模型中兴趣参数的估计构造出了模型平均估计量,并得出其渐近性质;最后,推导了覆盖真实参数的概率趋近于名义水平的置信区间。本文研究不仅丰富了平均估计的渐近分布理论,而且为兴趣参数构造了合适的置信区间。     

差分侧信道密码分析中泄露模型的线性回归分析

从统计学线性回归模型的角度研究密码设备差分侧信道分析攻击中泄露模型的建模及估计,在不需对设备信息泄露有提前了解的情况下,得出线性回归泄露模型,克服了传统泄露模型的局限性.首先,分析能耗泄露的随机模型从而构建线性回归模型,然后用最小二乘估计和最小一乘估计两种方法求解线性回归模型的系数,最后基于八位控制器PayTV-AES智能卡平台实现能耗泄露的建模及系数估计.通过对两种求解方法结果的比较,提出最小二乘估计比最小一乘估计更适合用于泄露模型的线性回归分析;通过对被估模型系数曲线的分析,提出线性回归分析可以用于测量数据的预处理,以提高泄露模型建模效率.     

结构自相似线性回归超分辨重建

实例学习是一种有效的提高图像分辨率的超分辨重建方法.然而,其重建质量很大程度上依赖于学习样本的质量.为克服外部实例图像与输入图像结构可能不匹配而导致重建质量下降的局限性,提出了一种利用多线性回归统计模型建立输入低分辨图像本身不同尺度相似性图像块之间的映射关系的超分辨重建方法.该方法采用逐层重建策略,将输入的低分辨图像逐步分级放大到所期望的大小.实验结果表明,该方法在不需要外部训练集的情况下,能有效重建高质量的超分辨率图像.     

预测我国人口总量的具有外生变量的半参数自回归模型

由于现有人口总量线性预测模型不能理想地描述人口这一非线性问题,根据1952-2005年我国人口总量数据和GDP总量数据自身特点及建模的需要,首先对数据进行对数变换和差分运算得到平稳时间序列,然后将GDP总量这一外生变量的滞后量和人口总量的滞后量作为被解释变量建立了含有外生变量的半参数模型.利用RMSE法(即最小化拟合残差)来选择显著变量及最佳带宽,最后检验所建模型的随机误差项服从独立正态分布.结果表明所建模型能较理想地描述非线性问题,其预测精度与其它线性模型相比有了一定的提高.     

基于小波神经网络的电价滚动预测模型

探讨了基于小波分析和神经网络的3种短期电价预测模型,比较了提前1步的滚动预测与提前N步的预测方法.采用预测误差概率分布作为预测误差的评价指标,并以美国加州电力市场的实际运行数据为基础,连续预测该市场1个月的电价.结果表明:提出的具有滚动预测概念的模型III具有良好的预测精度,其误差分布还显示出该模型具有较高的预测置信度.     

基于小波分析的非平稳FD过程分形指数估计

提出了一种非平稳FD过程分形指数估计的新方法。首先对过程进行平稳小波变换以获得各个尺度下的子过程。随后给出这些子过程方差的无偏估计;最后建立方差与尺度的函数关系,并在对数意义下对方差和尺度作线性回归,从而完成估计。计算机仿真表明该方法具有较高精度。     

用带时序子模块的系统动力学模型预测Brent原油价格

提出在系统动力学模型中加入时序自回归AR(p)子模块，并且自动确定每个AR(p)子模块的阶数p。带时序子模块的系统动力学模型既体现了因素问的横向因果关系，又体现了每个因素的纵向关系。建立欧佩克(OPEC)石油产量、世界GDP、煤炭产量与价格、天然气、需求量、供求差额、消费系数、非欧佩克石油产量、非欧佩克供求差额，石油库存和OPEC组织的期望油价共十一个因素影响下的Brent原油价格预测模型，模型的预测结果表明：在系统动力学模型中加入时序自回归AR(p)子模块的方法是可行的、有效的，并且能提高模型的预测精度。     

EMD和GARCH模型应用于股票价格预测

将EMD（经验模式分解）方法应用到股票价格趋势的预测中,找出影响股票市场波动的关键因素,旨在提高预测的精确性。通过EMD方法将上证指数日收盘价数据分解为不同频率的数据段,重组为高频序列、低频序列和趋势序列,运用高阶自回归和GARCH模型对分解出来的各序列进行拟合和预测,避免各个分段预测过程中的误差累积,最后对预测数据重组,得到样本外数据的预测序列。结果表明,该模型具有较好的预测效果,能给投资者提供更为合理的股票投资意见,同时为趋势预测研究提供借鉴。     

基于ADL-GARCH的电价预测模型及其应用

根据电价序列的特点,首先利用动态计量经济理论构建出一般的自回归分布滞后ADL模型,通过检验统计量修正得到ARMA短期电价预测模型,然后对ARMA模型进行GARCH效应检验,最后根据检验结果构建出ARMA-GARCH的短期电价预测模型.利用新模型对美国加州电力市场的电价进行短期预测,结果表明,新模型能够有效地跟踪实际电价变化的趋势,具有较高的预测精度和良好的适应性.     

基于模糊技术的期货价格预测模型

期货价格风险一直是期货市场风险控制研究的中心和重点．结合模糊控制理论，将其引入期货价格风险问题研究中．基于遗传算法和模糊IF—THEN规则，建立适合期货价格预测的模型．在实证分析基础上，利用ANFIS，对模型进行学习和测试．实验结果表明，该模型能较准确地预测我国铜期货价格的波动趋势．     

基于人工神经网络的工程估价预测模型

人工神经网络是在模仿人脑处理问题的过程中发展起来的新型智能信息处理理论,通过对人工神经网络及BP网络的基本原理与特征的分析,建立了工程估价预测模型.     

基于神经网络的上海车牌价格预测模型

介绍了神经网络预测模型,探讨了如何建立基于神经网络的上海车牌价格预测模型,并对测试结果进行了分析。     

国际油价预测之新思想——分时间段类型研究

站在全新的角度——在不同类型的时段分别研究油价预测模型的优劣.通过小波变换对油价序列进行奇异性分析,将油价序列所处的时间段分为两类:含奇异点时段,不含奇异点时段.并在不同类型的时段分类比较多元回归模型、延迟因变量回归模型、神经网络模型的拟合预测效果,最终得出无论何时进行油价预测,在上述模型中效果最为理想的是神经网络模型.