时间序列与证券价格周期

利用时间序列的隐周期理论，对证券价格的周期波动建立数学模型，并结合深、沪证券市场的指数数据进行分析，得到了指数波动的周期，结果表明，中国证券指数存在波动周期。     

时间序列与证券价格周期

利用时间序列的隐周期理论,对证券价格的周期波动建立数学模型,并结合深、沪证券市场的指数数据进行分析,得到了指数波动的隐周期.结果表明,中国证券指数存在波动周期.     

基于变权组合模型的时间序列预测

针对时间序列预测中单一模型存在预测精度不高和预测稳定性较差的问题,采用残差赋权方法对单一模型进行组合,并以此为基础,提出基于残差赋权改进的自适应变权组合方法。该方法的基本思想是基于当前时刻的预测结果自适应调整其组成模型的权重值,利用不同的单一模型进行优势互补。将其应用到组合模型中,以实现提高模型的预测精度与稳定性。实验结果表明,该组合方法能有效改善预测稳定性不足的问题,以及进一步提高模型的预测精度。     

一种基于组合模型的时间序列数据挖掘系统

提出了一种新的时间序列数据挖掘方法———基于BP(Back Propagation)神经网络和回归分析的组合时间序列数据挖掘模型.重点讨论了神经网络———回归———线性神经网络组合模型的建立过程,强调了通用性,并应用于浙江省可持续发展预测,取得了满意的结果.该组合模型采用神经网络技术来确定权重系数,提高了对复杂非线性系统的拟合能力,为时间序列数据挖掘提供了一种新的实用方法.     

基于时间序列模型与灰色模型的组合预测模型的研究

为了能有效地提高预测模型的精度,提出了组合预测模型.本文首先利用APdMA模型对时间序列数据进行模型的识别和拟合,然后由比较可知优化后的GM(1,1)模型拟合和预测效果好于GM(1,1)模型,最后通过赋予合理权重结合ARIMA模型和优化后的GM(1,1)模型两种方法得到ARIMA-GM的组合预测模型.预测结果表明:组合模型的预测准确性高于各个模型单独使用时的准确性,组合模型发挥了各个单一模型的优势.     

沪深港股指时间序列GRANGER因果关系变化分析

目的 在于利用时间序列分析理论研究证券市场间Granger因果关系及其变化.以沪、深、港三证券市场每日收盘综指数据为基础,检验其形成的指数时间序列之间Granger因果关系的存在性,据此分析在香港回归前后三市场指数时间序列间Granger因果关系及其变化情况.根据检验表明:(1)各分析时段里香港与上海、深圳间不存在Granger因果关系,而上海与深圳间存在Granger因果关系；(2)各分析时段里三市场间均存在Granger同期因果关系.     

最优证券组合投资模型

在Markowitz组合理论基础上,提出一种“投资偏好曲线”,并以此作为工具,设计了一种确定特定投资者最优证券组合的方法,有效弥补了证券组合的不足。     

基于时间序列的数据挖掘在证券中的应用

为更好地对股票数据进行分析,从理论上对数据挖掘中时间序列的产生、应用进行了研究,通过对时间序列处理以及相关性搜索的多种方法的比较和分析,设计一个以股票预测为对象的小型系统。该系统首先对时间序列进行适当的处理,然后进行相似性搜索,分析未来的短时间的走势是否是历史上的重现。同时对得到的结果进行了分析,实验结果表明,该方法能找到股票数据中历史上相似走势,并通过历史走势分析当前的走势。     

沪深港股指时间序列协整关系变化研究

研究意义在于用时间序列协整理论分析证券市场间长期稳定的均衡关系.用沪深港证券市场每日收盘综指数据,将其指数形成的时间序列进行协整检验,分析三市场指数时间序列在香港回归前后协整关系的变化.分析表明:(1)三市场每日收盘指数时间序列存在部分协整关系,说明相关市场间有长期稳定的均衡关系;(2)用协整理论分析三市场间均衡关系的结论与实际较吻合;(3)与相关研究相比所选指数数据频率更高,时间段更长.     

浅谈马科维茨证券投资组合模型

本文简单的探讨了证券投资组合理论及发展并以马科维茨的证券投资组合理论——均值-方差模型为主进一步探讨了现代证券组合理论的应用，如，组合证券的风险、收益的计算、组合证券的选择等。在此基础上提出了马科维茨投资理论在实际操作中的局限性。     

时间序列的广义平滑样条拟合

研究了时间序列的广义平滑样条拟合方法及与样条相关的算子的性质.将Unser等人的结果进行推广,即考虑拟合误差在频域中是带有权函数的形式,给出了近似问题的解,并证明了由样条定义的算子具有尺度不变性.     

基于模糊时间序列的投资组合折中规划

通过建立证券价格为梯形模糊数的模糊时间序列预测证券价格,并以预测值与购买价格的比值衡量投资收益,以预测收益低于期望值的半绝对偏差计量投资风险,建立二目标投资规划模型,采用折中规划的方法求解,与均值-绝对偏差模型投资组合效果进行对比.对15只上证50指标股进行实证分析表明:折中规划可以根据市场的运行趋势进行投资决策,并且可以避免均值-绝对偏差二目标规划在严格数据约束下的无效解问题.     

约束付立叶光滑方法及其在水文中的应用

阐述了付立叶（Ｆｏｕｒｉｅｒ）光滑方法的最小二乘性质，并据此提出了约束付立叶光滑 法，初步解决了水文变量（流量、雨量等）具有周期性变化规律的统计特征值（均值、方 差等）的最优估计。与建立在等距离离散时间序列上传统的离散付立叶光滑方法不同，提 出了非等距离的离散时间序列的最优付立叶光滑方法以及付立叶系数的递推最小二乘法 估计。     

非线性时间序列的结构辨识

本研究了非生时间序列模型的结果辨识，给出了双线性模型和其它非线性模型的结构区别方法及其于条件均值的门限自回归模型和指数自回归模型结构辨识方法，并以数值例子仿真验证本的结论。     

模糊时间预测系统的Heuristic模型的改进

Song和Chissom首先提出了模糊时间系统的定义、时间的不变量和许多应用模糊时间系统的例子 .其中 ,对Alabama校入学人数的预测是应用模糊时间系统最好的例子 .但在预测过程中对Heuristic的指标有待研究 .针对Heuristic的指标进行改进 ,引入了新的α 指标和Heuristic2 函数 ,使预测更符合人们的正常思维方式 ,更有机会贴近实际 ,从而争取客观地做出更好的预测结果 .     

电力负荷时间序列预测的应用与研究

时间序列预测是电力负荷预测的重要方法。但是它对天气、节日等影响电力负荷变化的因素不敏感,对非平稳序列的处理需要多次差分运算达到基本平稳后才能进一步建立预测模型。因此,提出基于属性分类的时间序列预测方案。该方案把电力负荷按影响因素进行分类,预测时按预测对象的属性来选取预测样本。基于属性分类的电力负荷时序预测方案把时刻、天气、节日等因素考虑到了预测过程中,弥补了电力负荷时序预测的缺陷。实验证明该方法提高了电力负荷时序预测的速度和准确度。     

Auto-Regressive Models of Non-Stationary Time Series with Finite Length

To analyze and simulate non-stationary time series with finite length, the statistical characteristics and auto-regressive (AR) models of non-stationary time series with finite length are discussed and studied. A new AR model called the time varying parameter AR model is proposed for solution of non-stationary time series with finite length. The auto-covariances of time series simulated by means of several AR model sare analyzed. The result shows that the new AR model can be used to simulate and generate a new time series with the auto-covariance same as the original time series. The size curves of cocoon filaments regarded as non-stationary time series with finite length are experimentally simulated. The simulation results are significantly better than those obtained so far, and illustrate the availability of the time varying parameter AR model. The results are useful for analyzing and simulating non-stationary time series with finite length.     

一类新的非线性时间序列模型的极限性态研究

提出了带可数多个白噪声干扰的随机时滞的非线性时间序列模型并研究了这类模型的极限性态,得到了一些新的结果.     

利用样条函数建立季节性时间序列的预测模型

用B样条函数最小二乘法的非参数回归与时间序列相结合的方法建立了季节性时间序列预测模型. 利用滑动平均估计季节项,再利用B样条函数非参数回归估计长期项和周期波动,对于随机项建立ARMA模型,最后对某产品需求量进行了实例分析. 结果表明该方法有较高的预测精度.