基于网络关注度的大宗商品市场预测研究

随着大宗商品市场化的加快和电子信息技术的快速发展,以互联网为载体的网络信息将方便快捷地传递到市场及市场参与者.本文从海量开源数据出发,利用搜索引擎平台,提取核心信息构建网络关注度指标,并提出了基于网络关注度的大宗商品价格预测模型.通过引入具有不同核函数的支持向量回归模型,分别建立了针对单个市场(原油、铜以及玉米)的网络关注度预测模型和综合考虑市场间联动性的多市场网络关注度预测模型.实证结果表明,网络关注度对于市场价格的变动有显著的格兰杰因果关系,引入网络关注度指标和相关市场信息能显著提高预测精度.     

我国大宗商品市场的风险估计

在金融风险管理领域,随着金融工具和市场的日益复杂及金融监管的不断强化,研究者和政策制定者常需要识别特定市场上的风险。作为金融机构使用最多的风险指标,在险价值(VaR)在金融市场风险监控中被广泛地采用。本文按照VaR标准技术流程,通过GARCH族模型、CAViaR以及DQR的分位数回归模型对我国大宗商品市场的风险波动进行了估计,并通过模型置信集(MCS)程序进行了估计效果的比较分析,最后通过各类模型间的聚合方式,考虑单一模型在估计效果上的优化问题。本文研究发现：CAViaR-IG在整体上对我国大宗商品市场相关收益序列的预测效果最好,其次为DQR模型。在对GARCH族模型的估计效果比较下,Student-t和Skew-Student-t对收益分布的估计有较大的调节作用。进一步考虑单一模型估计效果的优化问题时,对不同分布下的GARCH模型和GJR-GARCH模型进行聚合,均匀聚合比指数加权聚合更能够发挥出每个单一模型的估计特点,从而优化了在险价值的估计效果。     

国际大宗商品资产行业配置研究

本文基于Black-Litterman框架首次提出了国际大宗商品资产行业配置策略. 考虑到大宗商品市场与外部金融市场之间联动性显著增强的事实,我们利用纳入外部金融市场信息作为解释变量的FIGARCH模型来捕捉大宗商品行业收益率及收益率变动特征,从而将外部金融市场对大宗商品市场的信息溢出效应量化地应用到大宗商品行业资产配置问题中. 实证结果表明基于本文所提出的行业配置策略能够为实现大宗商品投资组合收益能力和风险规避的有效匹配提供一个系统而稳健的途径,其效果优于基于市场均衡权重和传统Markowitz 框架下的投资策略. 相关成果为实现大宗商品资产积极组合管理,适应国际投资安全性、流动性、收益性和多元化要求,进而服务于国际资源储备和国家经济安全提供决策支持.     

航运与大宗商品的跨市场影响——来自铁矿石及其航线的证据

本文首次研究了铁矿石航运市场与其相关大宗商品市场之间的价格和波动溢出效应.对两条铁矿石运输航线和铁矿石、钢材、燃油等大宗商品的格兰杰因果关系检验结果显示,大宗商品市场对航运市场有显著引导作用.以大宗商品市场因素作为外生变量的ARMAX模型结果显示,大宗商品对航运市场有显著预测作用.在风险溢出方面,BEKK-GARCH模型结果显示,航运市场与铁矿石、燃油市场之间存在双向波动溢出特征.同时航运市场与不同大宗商品市场的波动溢出规律存在明显差异.本文对航运与大宗商品的价格和风险形成机制提出了一个跨市场的新见解.     

基于混合流量预测的虚拟网络拓扑重构方法

目前在构建虚拟网络时,为满足用户动态变化的带宽需求,虚拟网络控制平台通常把虚拟链路带宽设置为流量最大值,一定程度上造成了资源浪费.针对这一问题,提出一种基于混合流量预测的虚拟网络拓扑重构方法,利用基于参数优化选择的混合流量预测算法对下一周期的网络流量进行预测,根据流量预测结果进行拓扑重构,在避免出现乒乓效应的同时节省更...     

基于价格浮动模型分析的政府对大宗农产品定价调控政策研究

大宗农产品的价格合理、稳定有利于整个社会的稳定和市场经济的发展,因此,通过对大宗农产品价格浮动模型的分析,给出政府对大宗农产品定价上浮的充分条件、保价的必要条件和与大宗农产品销售价格相关的下调幅度。由此得出了政府采取的对大宗农产品价格上浮、保价以及价格下调时的宏观调控策略建议,这些建议可以使政府对大宗农产品定价调控政策更加合理科学。图1,参5。     

基于多帧聚类的紧凑型HFSWR虚假点迹识别方法

紧凑型高频地波雷达发射功率低,目标检测时信噪比低、虚警率高,会产生大量虚假点迹,影响后续目标跟踪性能。为了滤除虚假点迹,利用目标的运动特性,提出了一种多帧聚类与极限学习机分类两级级联的虚假点迹识别方法。首先,利用基于最优邻域尺寸的多帧聚类方法,将连续多帧中与待识别点迹属于同一潜在目标的点迹聚类成簇。然后,计算簇内待识别点迹与其相邻帧内点迹的距离-多普勒速度的差分值,以其为特征利用极限学习机辨识虚假点迹。实验结果表明,所提方法能够准确将属于同一目标的点迹聚类,虚假点迹识别率达到95%。     

新型的基于堆栈式ELM的时变信道预测方法

针对高速移动场景正交频分复用(orthogonal frequency division multiplexing,OFDM)系统,提出了一种新的基于堆栈式极限学习机(extreme learning machine,ELM)的时变信道预测方法.为了捕获输入数据的深层信息,基于单隐藏层神经网络,首先利用堆栈式ELM方法...     

基于BSO-ELM的涡轴发动机加速过程性能参数预测

建立精度和实时性均满足要求的航空发动机性能参数预测模型是实现发动机性能优化和实时监控的基础.极限学习机(extreme learning machine,ELM)对复杂的非线性航空发动机系统具有良好的适应性,本文提出了利用头脑风暴优化算法(brain storm optimization,BSO)优化ELM的网络参数以...     

基于T-S模糊逻辑推理的DFS预测控制方法的研究

高载荷飞行仿真中载人离心机本身的转动惯量较大,在飞行高过载状态离心机的延时控制成为控制系统要解决的主要问题之一。针对这一问题,通过基于T-S模糊逻辑推理建立DFS系统高载荷飞行阶段的模糊规则,经对相关操纵输入量的模糊聚类辨识,在采样点附近采用广义预测控制方法得到当前控制规律,从而实现对飞行仿真的预测控制。仿真试验表明了该方法的科技较好的调节控制规律。     

一种新的暴雨灾害预报非线性建模方法

针对一般模块化模糊神经网络(MFNN)的门网络普遍采用模糊C均值聚类算法(FCM),没有对样本特征进行优化的问题,提出了在门网络中采用模糊核聚类算法(FKCA)替代模糊C均值聚类算法,构建了一种新的模糊核聚类模块化模糊神经网络预报模型.进一步采用动力消空算法、切比雪夫多项式展开方法和自然正交展开方法对预报量和预报因子进行计算处理后,分别建立了普通模块化模糊神经网络和模糊核聚类模块化模糊神经网络暴雨预报模型.利用这两种预报模型进行的暴雨预报试验表明,在相同的条件下,改进模型具有更高的暴雨预报TS评分.     

基于卡尔曼滤波的期货价格仿射期限结构模型

由于受国内外多种因素共同影响,期货价格在短时间内变动较大,为准确拟合与预测期货价格,本文根据期货价格的行为特征,提出一个n因素的仿射期限结构模型,并基于卡尔曼滤波和极大似然法,以沪铜日结算价的面板数据为样本时期货价格的期限结构进行实证分析.结果表明,该仿射模型对沪铜是适用的,而且模型中因素数目越多,模型拟合与预测能力越强,其中,2因素的仿射模型可以较为准确地模拟期货价格的期限结构,3因素的仿射模型可以较为准确地模拟和预测期货价格的期限结构.     

基于神经网络的军用飞机故障预报系统研究

在军用航空领域 ,及时准确的故障预报对提高飞行器的安全性具有极其重要的意义。针对飞机故障预报系统的设计要求 ,考虑到神经网络用于故障预测的优点 ,在神经网络技术应用于军用飞机的故障预测过程中提出了神经网络模型的训练算法。把神经网络、预测理论、专家系统有机地结合起来建立了一个故障预报系统。并以某型军用飞机冷气系统的典型故障为例 ,实现了故障的预测。实例预测结果证明 ,给出的神经网络预测模型和训练算法是可行的     

融合协同进化离散型人工鱼群算法和多重分形的雾霾预测方法

鉴于目前日益严重的雾霾污染,导致空气质量水平大幅下降,通过采用协同进化离散型人工鱼群算法,多重分形维数,并结合极限学习机,提出了融合协同进化离散型人工鱼群算法和多重分形的雾霾预测方法.首先使用佳点集理论初始化种群,通过引入人工鱼游速,改进人工鱼群算法聚群,追尾和觅食行为,及对其进行离散化,并引入竞争和合作机制;其次将协同进化离散型人工鱼群算法结合多重分形维数,对雾霾数据集进行约简;最后运用极限学习机建立雾霾预测模型.通过对北京,上海和广州三地区近两年的雾霾数据集进行实验及参数分析,实验结果表明,较其他方法,预测性能更优,具有良好的稳定性和可信性.     

基于信息熵和GA-ELM的调制识别算法

针对当前通信信号调制识别算法在低信噪比（signal-to-noise ratio,SNR）下识别率低、训练速度慢、识别调制类型少的问题,提出了基于信息熵特征和遗传算法-超限学习机（genetic algorithm-extreme learning machine,GA-ELM）的调制识别算法。首先,提取信号的4种熵特征：奇异谱香农熵、奇异谱指数熵、功率谱香农熵和功率谱指数熵作为调制识别的特征参数;其次,采用GA-ELM作为分类器。仿真实验表明,对11种模拟、数字调制信号进行分类识别,在SNR大于4 dB时算法的总体识别率均超过98%,同时该算法训练速度快,识别系统设计简单,具有较大的应用价值。     

基于二层分解技术和改进极限学习机模型的PM_(2.5)浓度预测研究

准确的PM_(2.5)浓度预测对于保护公众健康和提高空气质量有重要意义,然而,由于PM_(2.5)浓度序列的随机性、非线性以及非平稳性等特征增加了对其准确预测的难度.本文提出了一种基于二层分解技术和改进极限学习机(ELM)模型的PM_(2.5)浓度预测方法,该方法融合了快速集成经验模态分解(FEEMD)和变分模态分解(VMD)两种分解技术以及经过差分演化(DE)算法优化的ELM模型.为了验证所提出预测方法的有效性,本文使用该方法对北京市和石家庄市的PM2.5浓度序列进行了预测研究.结果表明:1)相比于单层分解技术,本文提出的二层分解技术可以更加有效地降低PM2.5浓度序列的非线性及非平稳性特征;2)基于二层分解技术的DE-ELM预测模型可以显著提高PM_(2.5)浓度的预测精度.     

基于改进稀疏KELM的在线非平稳动态系统状态预测方法

本文针对基于核的增量超限学习机(kernel based incremental extreme learning machine,KB-IELM)对非平稳动态系统的时变状态跟踪能力不足的问题,提出一种新型的状态预测方法。通过融合遗忘因子和自适应时变正则化因子构建新的目标函数。通过最小化字典的快速留一交叉验证(fast leave-one-out cross-validation, FLOO-CV)误差,选择具有预定规模的关键节点以构成字典。通过融合遗忘因子,为字典中各关键节点按时间顺序分配不同权重。基于FLOO-CV原则,使用天牛须搜索(beetle antennae search,BAS)算法为不同的非线性区域赋予不同的正则化参数。通过矩阵初等变换和分块求逆,实现核权重向量的在线递推更新。将模型应用于非平稳Mackey-Glass混沌时间序列预测和某型飞机发动机的状态预测。所提算法相比于最新的非平稳在线序列核超限学习机(non-stationary online sequential kernel extreme learning machine,NOS-KELM)和融合自适应正则化因子的在线稀疏核超限学习机(online sparse kernel extreme learning machine with adaptive regulation factor, OSKELM-ARF)两种方法,其训练精度分别提升了66.67%、50.72%、预测精度提升了67.02%、56.34%,最大预测误差减少了67.27%、51.09%,平均相对误差率分别减少了67.18%、59.62%。实验证明所提算法有效提升了在线预测的精度。     

基于时空模型的区域房地产价格扩散效应研究

文章通过研究区域房价的扩散效应来把握我国区域房地产市场的波动规律.采用价格扩散模型及时空脉冲响应函数对全国30个省市自治区2001M1-2014M12的房价进行实证,重点考察了北京、上海、海南和浙江四个主导区域房价变动对所有区域房价的影响,结果表明:1)北京房价变动的影响,主要是向华北、西南和西北地区扩散;上海房价变动的影响,主要是向华东、西南、华北和华中地区扩散;海南房价变动的影响范围较小,主要是向华东地区扩散;浙江房价变动的影响,主要是向华东、西南、西北地区扩散.2)目前对区域房价的直接调控可能比通过别的区域房价来影响的间接调控更有效;即使海南区域房地产泡沫破灭,短期内也不一定能引发全国性的房地产市场危机.3)在调控方面,对北京的房价调控应是持续性的,对上海、海南的房价调控可以是阶段性的,而对浙江房价的调控应该谨慎.