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。     

太阳黑子的多项式趋势-自回归-条件异方差模型

用确定性趋势与残差服从条件异方差模型的自回归模型组合，作为太阳黑子相对数的数学模型，用它拟合1848—2002年太阳黑子相对数数据，取得很好的效果，首先通过逐步回归与逐步自回归，建立太阳黑子数的多项式趋势-自回归校正模型，然后通过PortmanteauQ检验和Lagrenge乘子检验证明残差存在强烈的异方差性，表明仅仅用多项式趋势-自回归校正模型是不够的，再配上一种条件异方差模型，即EGARCH模型控制其残差方差，从而建立多项式趋势 自回归 EGARCH模型，用此模型进行数据拟合回代，分析和预测，表明该模型的拟合，预测效果是好的，所分析的太阳黑子周期是恰当的。     

ARCH模型在金融时间序列中的拟合应用

讨论了自回归条件异方差(Autoregressive Conditional Heteroskedastic,简称ARCH)模型在金融时间序列分析中的拟合应用,以一金融时间序列为例,通过SAS/ETS中的自回归(Autoreh)过程实现对该金融时间序列的自回归-广义自回归条件异方差(Autoregressive-generalzed ARCH,简称AR-GARCH)模型的拟合和分析,最终得到理想结果.     

基于EMD的AR建模

自回归(Autoregressive,AR)模型是常用的平稳序列的拟合模型之一.不同于传统趋势的曲线拟合方法,文章利用经验模态分解方法(Empirical Mode Decomposition,EMD)得出序列的趋势,然后再进行建模.通过运城市某年的每日最高气温的数据,建模结果表明:与传统的建模方法比较,基于EMD的AR模型在拟合效果和预测效果上要更好.     

线性回归模型精化方法

为了解决由试验观测数据建立的回归拟合模型存在的模型误差,用基于回归残差的神经网络方法精化模型.采用给定方程获得模拟数据,通过数据结构散点图建立回归模型趋势项,利用经典最小二乘法估计趋势项参数,由趋势项参数计算回归残差,借助误差分级迭代的改进BP算法对趋势项进行精化,将两部分叠加获得精化模型.试验结果验证了基于回归残差的神经网络方法精化模型的有效性:神经网络方法精化后的模型能提高回归模型的拟合及预测精度5倍以上,优于最小二乘配置法和半参数法精化结果.神经网络方法精化模型既克服了单一神经网络模型的不可解释性,使模型具有物理意义,又具有较高的预测精度.     

基于小波分析的住宅房产均价预测

将小波方法引入到深圳宝安住宅房产均价的长期趋势的预测中。利用小波多尺度分析的功能，将非平稳时间序列的住宅房产均价分解成主要趋势和细节两大部分。对主要趋势用二次多项式进行拟合预测，对细节部分用余弦逼近和AR（2）模型进行拟合预测，最后把主要趋势的预测值和细节部分的预测值相加，得到原始时间序列的预测值。并用所建立的模型对深圳宝安2006年每个月的住宅房产均价进行了外推预测。由于这种方法能够准确的提取出房产均价的长期趋势用于研究预测，因此用这种方法预测的平均相对误差比直接用二次多项式进行拟合预测的平均相对误差小0．7％。用所建立的模型外推预测出的2006年1、2、3月份的数值与实际数值相比较，平均相对误差为0．033。误差是比较小的．反映了小波预测方法的有效性。     

基于小波的回归-GARCH模型及其在外汇储备中的应用

结合小波变换、多项式回归和GARCH模型对中国的外汇储备进行分析及预测.首先利用db4小波对数据进行去噪处理,并对去噪后的数据建立多项式回归模型.由于去噪后的数据与回归模型之间存在残差,且残差具有自回归条件异方差效应,故对该残差建立GARCH模型.然后将回归模型和GARCH模型进行线性叠加,从而得到基于小波分析的回归-GARCH模型.最后将预测值与实际值进行拟合,发现拟合效果较好.充分证明了小波变换、多项式回归和GARCH模型相结合的方法在处理外汇储备这类具有明显增长趋势的非平稳时间序列时,具有明显的优越性,是一项有用的分析预测工具.     

动态数据系统的时间序列建模策略

传统的基于相关性分析方法进行建模的局限性和"危险性"主要表现在:估计的样本自相关是非常坏的估计,经常会有大的方差,彼此之间是高度相关的,可能给出原来序列结构一个完全失真的图像,不能较准确和全面地反映系统特性。提出了基于动态数据系统的时间序列建模方法,将时间序列看作是随机系统对不相关的或相互独立的"白噪声"输入响应的一种实现方式。对平稳时间序列,以自回归滑动平均模型为基本模型,并以额值为1递增拟合,用F检验判断拟合的改善程度,最后用残差分析判断模型的适用性。对非平稳序列,需先分离出确定性趋势,对剩余平稳随机部分建模分析。用该方法对隧道位移监测数据建模分析,预测与实测吻合较好,表明该方法具有适用性好、精度高且便于编制程序实现等优点。     

基于混合自回归滑动平均潜周期模型的短期电价预测

应用混合自回归滑动平均潜周期模型对短期电价序列进行了预测.对消除了趋势影响的电价序列,经离散傅里叶变换转换为复值潜周期模型,采用一种简单的周期图检测方法计算电价序列的周期特征参数.为了计及历史信息对当前状态的影响,采用自回归滑动平均模型拟合残差随机分量,采用赤池信息准则确定模型的阶数,参数则由矩估计得到.该模型不要求预先假设电价序列的周期尺度,周期的个数和大小由模型计算确定,方法简单.采用美国宾夕法尼亚、新泽西、马里兰电力市场的实际电价数据对模型进行了检验,验证了模型的有效性.     

基于长期验潮数据的海平面预测方法与案例应用

在充分考虑长时间序列潮位具有周期性、趋势性和随机性特征的基础上, 建立一套基于随机动态预测模型的海平面变化分析方法。模型中的周期项模拟首次采用小波分析与谱分析相结合的方法; 趋势项采用逐步回归法拟合; 残差序列采用自回归移动平均混合模型进行拟合; 三项叠加建立随机动态预测模型, 参数的确定采用非线性最小二乘迭代法。应用塘沽验潮站57年的月平均海平面高度数据进行案例分析, 通过实测数据验证和预测精度统计学检验, 表明此方法对海平面变化的模拟与预测具有较高精度, 可为海平面上升预测研究提供有效可行的借鉴与范例。     

Application of uncertainty reasoning based on cloud model in time series prediction

Time series prediction has been successfully used in several application areas, such as meteoro-logical forecasting, market prediction, network traffic forecasting, etc. , and a number of techniques have been developed for modeling and predicting time series. In the traditional exponential smoothing method, a fixed weight is assigned to data history, and the trend changes of time series are ignored. In this paper, an uncertainty reasoning method, based on cloud model, is employed in time series prediction, which uses cloud logic controller to adjust the smoothing coefficient of the simple exponential smoothing method dynamically to fit the current trend of the time series. The validity of this solution was proved by experiments on various data sets.     

串联式组合模型在基坑监测中的应用

在传统模型基础上提出串联式组合模型,选择灰色模型对基坑监测数据的趋势项进行拟合,时间序列模型对监测数据的随机项进行拟合,发挥两者自身的特点,进行有机地组合预测分析。通过工程实例预测结果分析表明:串联式组合模型不仅能够预测出基坑的变形趋势,而且相对于时间序列模型、灰色模型有着较好的预测精度,体现出将串联式灰色时间序列组合模型应用于基坑监测的合理性和有效性。     

交通流的时间序列建模及预测

采用时间序列ARMA模型进行交通流量趋势预测，建模时利用现场测得的交通流非平稳时间序列进行差分变换及标准化处理，从而转化成标准正态平稳时间序列；模型参数估计采用极大似然估计法，并根据AIC准则为模型定阶；最后通过实测数据进行验证．结果表明该ARMA模型能够较好地拟合交通流时间序列并可获得较高的中短期预测精度，因而可用于动态交通信号控制．     

美元/欧元汇率的趋势与波动分析及区间预测

对美元/欧元汇率进行趋势与波动分析并作出区间预测。利用BP神经网络提取趋势,对残差分别运用自回归移动平均模型和广义自回归条件异方差模型分析波动性,将趋势与波动性结合给出区间预测。对2001年7月至2017年10月美元/欧元汇率的研究发现,BP神经网络具有很好的非线性刻画能力,但只有合适的预测精度才能得出较好的预测区间,同时也发现,广义自回归条件异方差模型对波动性的分析效果优于自回归移动平均模型。因此,BP神经网络模型与广义自回归条件异方差模型的组合模型(BP-GARCH模型)更适合时间序列的中长期区间预测。通过调节BP神经网络的参数、误差及预测精度提高组合模型的精度。     

基于时序分解和SSA-LSTM-Attention模型的尾矿坝位移预测

针对尾矿坝位移变形的动态特性和传统预测模型在进行尾矿坝位移预测中的不足,提出了一种基于时序分解和麻雀搜索算法-长短时记忆-注意力机制(sparrow search algorithm-long short-term memory-attention mechanism, SSA-LSTM-Attention)模型的尾矿坝位移预测方法。首先,通过改进的自适应噪声完备集合经验模态分解算法(improved complete ensemble empirical mode decomposition with adaptive noise, ICEEMDAN)将尾矿坝位移监测数据进行分解为趋势项和波动项;其次,一方面采用高斯拟合方法对趋势项进行拟合预测,另一方面通过灰色关联度进行波动项相关影响因子筛选,并将注意力机制与LSTM相结合,建立了基于注意力机制及LSTM的波动项位移预测模型,同时利用SSA对该模型的超参数寻优;最后,将趋势项与波动项叠加得到总的位移预测值。以攀西地区尾矿库为例对模型性能进行了验证,并与反向传播(back propagation, BP)、LSTM、LSTM-Atte...     

一类设备故障过程的故障趋势预测方法研究

研究了一类带有指数故障过程的故障趋势预测问题。在测量变量受到平稳噪声干扰的情况下,首先依据对测量数据的统计检验判断出故障过程,然后根据对故障过程的先验知识,利用强跟踪滤波器辨识指数趋势项的参数,同时对建模误差进行ARMA时序分析,最后结合趋势项和时序预测给出故障趋势的总体预测。仿真实验结果验证了该方法的有效性。     

趋势分析法在数控加工负荷辨识中的应用

分析了一类非平稳主轴电流信号的特点,给出了一种基于主轴电流信号的数控加工过程中负荷辨识的方法,该方法利用趋势分析中循环平稳信号的特点,借助移动时间平均和校正预测控制算法,可直接面向控制．实验研究表明,基于该方法的加工过程负荷辨识可实现切深0．05mm变化时有效分辨的能力．     

基于ARIMA风电机组齿轮箱故障趋势预测方法研究

针对齿轮箱计划外停机和意外故障导致的风电机组安全运行问题,提出了一种基于ARIMA模型的故障趋势预测方法;方法可以处理具有非线性和非平稳性特征的齿轮箱运行状态监测数据,用以时间序列的自相关分析为基础的模型预测状态监测时间序列数据的趋势变化;选择生产现场采集到的齿轮箱油泵出口压力SCADA数据和运行实例验证了方法的有效性,实验结果的拟合效果令人满意;研究结果表明方法能够适应齿轮箱运行状态监测数据随时间的变化特征,反映出一定的运行状态变化趋势,具有较好的预测精度和较大的应用范围,对风电机组其他部件的故障趋势预测具有一定的应用参考价值。     

隧道地表沉降预测的时变参数灰序模型TGM-AR

在趋势项提取法中,针对逐步回归法比较烦琐及灰色模型预测精度低的缺点,结合灰色预报系统的灰色性和时变性,根据变形体的实际变形规律,将时变参数a(t),b(t)及灰色理论应用于时序模型建模中,提出并建立时变参数灰序模型TGM-AR.时变参数灰色模型用于提取趋势项部分,时序模型用于提取随机部分.将模型应用于隧道地表的沉降分析和预测,结果表明模型预报精度高,且趋势项的物理意义明确.     

时间序列在路面平整度预测中的应用

为了解决国际平整度指数IRI预测模型准确性不高的问题,以京沪高速公路实测IRI数据为基础,对log istic回归、多元回归、时间序列这3种建模方法分别进行分析.并根据京沪高速公路平整度实测数据,建立了几个有不同数量滞后值的时间序列路面平整度预测模型,根据与实测值的比较,找出最优的时间序列路面平整度预测模型.分析结果表明:利用传统的log istic回归和多元回归方法难以建立准确预测路面平整度发展趋势的模型;时间序列方法具有较高的预测精度,且其易修正性是其他预测方法所不具备的.