基于随机模糊神经网络的噪声混沌时间序列建模与预测

提出了一种基于随机模糊神经网络对噪声混沌时间序列进行建模与预测的方法,并介绍了一种基于非单值逻辑随机模糊神经网络(SFNN)的结构和学习算法.在此基础上,应用该网络对含随机噪声的麦克-格拉斯混沌时间序列进行了仿真,仿真结果表明,在噪声较大的情况下,SFNN比FNN方法有更好的预测效果.     

一种新的基于模糊模型的非线性组合预测方法及其应用

针对线性组合预测方法的局限性,提出了一种基于T－S模糊模型的非线性组合预测新方法,并给出了相应的反向传播学习算法．理论分析和应用实例表明：该方法具有很强的学习与泛化能力,在处理诸如非线性系统中时间序列的组合建模与预测方面有很好的应用价值．     

基于专家知识的模糊时间序列预测模型及应用

将投资专家的成功经验引入模糊时间序列模型,实现股票市场走势的多步预测。根据专家经验构造多个反映市场结构特征的变量并将其模糊化为模糊时间序列;建立具有多前件、高阶模糊关系的模糊时间序列预测模型;最后,将该模型用于股票指数预测。结果表明,与经典模糊时间序列模型相比,其预测精度有了较大提高。     

基于直觉模糊推理的直觉模糊时间序列模型

由于受到模糊集理论的限制,模糊时间序列预测理论在不确定数据集的描述上有失客观,针对这种局限性,提出一种直觉模糊时间序列预测模型。应用模糊聚类算法实现论域的非等分划分;针对直觉模糊时间序列的数据特性,提出一种更具客观性的隶属度和非隶属度函数的确定方法;提出一种基于直觉模糊近似推理的模型预测规则。在Alabama大学入学人数和中国社会消费品零售总额数据集两组数据集上分别与典型方法进行对比实验,结果表明该模型有效提高了预测精度,证明了模型的有效性和优越性。     

基于小波和多维泰勒网动力学模型的金融时间序列预测

提出建立多维泰勒网动力学模型及参数辨识方法, 和基于小波多维泰勒网模型的金融时间序列预测方法. 利用Mallat算法将金融时间序列分解成一个低频信号和若干个高频信号; 对不同频率的时间序列建立多维泰勒网动力学模型; 通过共轭梯度法训练模型参数, 并进行预测; 将各模型的预测结果进行叠加, 得到原始序列的预测值. 实验结果表明, 这种金融时间序列预测方法具有较高的预测精度和预测方向正确率.     

融合经验模态分解与深度时序模型的股价预测

对股票价格的建模和预测是金融研究领域中一项重要而富有挑战性的工作,它对于投资者降低决策风险,提高投资收益具有重要意义.股票价格序列的非线性、高噪声、强时变性等复杂特性,使得现有的方法无法有效提高预测准确性.为了解决这个问题,本文提出一种基于技术因子经验模态分解与嵌入时间注意力网络(EAN)的股票价格涨跌预测模型TE-EAN.该模型利用经验模态分解对传统技术因子进行分解去噪,得到高频和低频的特征序列.然后将这些具有明显趋势特征的序列映射到新的表示空间中,同时利用深层门控循环单元学习依赖于时间的隐藏嵌入.最后通过时间注意力自适应地聚合时间维度信息以降低信息冗余,实现对股票价格涨跌的预测.同时,针对股票价格序列强时变性的特点采用顺序参数迭代更新的训练方法,进一步提高了预测的准确性.在随机抽取的25只沪深300指数成分股上的实验结果表明,该模型可以有效预测股票价格的涨跌,模型AUC最高达0.732.     

基于完备模糊规则集的混沌时间序列预测

基于数据挖掘思想，使用置信度度量和改进的梯度下降法，提出一种新的构造完备．模糊规则集的方法来建模和预测混沌时间序列。所提方法通过确定最优输出模糊子集的质心和模糊规则的置信度度量，能够推理数据未覆盖区域的空缺规则，并构造一个完备的模糊规则集，进而解决了混沌时间序列的可预测问题。仿真结果表明新方法是有效和准确的。它能很好地辨识系统的特征，并且提供了一种混沌时间序列预测的新方法。     

参数自适应的长期IFTS预测算法

针对模糊时间序列预测理论多局限于短期时间范围预测以及对不确定数据集模糊变化趋势描述和论域区间划分研究不足的问题,构建了参数自适应的长期直觉模糊时间序列预测模型。新模型通过引入滑动窗口机制和参数自适应的直觉模糊C均值聚类算法优化论域区间划分,利用矢量预测技术解决时间序列长期范围预测误差积累的问题,有效地提高了复杂环境下时间序列长期趋势预测的精度,扩展了直觉模糊时间序列预测理论的应用范围。最后,通过典型实例验证了该方法的有效性和优越性。     

模糊遗传滚动优化的LS-SVM预测控制研究

提出一种基于最小二乘支持向量机(LS-SVM)的非线性系统预测控制算法。该算法通过LS-SVM对非线性系统输入输出数据序列的训练学习建立其预测模型;基于模糊遗传算法完成非线性预测控制的滚动优化过程。仿真结果表明基于该方法的非线性系统预测控制比基于RBF神经网络的预测控制具有更好的控制效果。     

基于符号时间序列直方图的高频金融波动预测

将符号时间序列分析方法与K-NN(K-Nearest Neighbors)算法相结合,提出了一种基于符号时间序列直方图的高频金融波动整体分布的预测方法。首先将时间序列符号化得到符号时间序列,并以符号序列直方图表示符号序列的分布,引入符号直方图时间序列的概念,采用K-NN算法得到下一个周期符号序列直方图的预测。在K-NN算法中,针对符号序列直方图的特点,提出以欧几里得范数,χ2统计量和相对熵作为选择邻居时的符号直方图序列相似度的度量方法,利用系统自身的几何特性确定符号直方图序列的嵌入维数。以上证综指5分时的高频数据检验了本文方法的预测能力。结果表明,本文方法预测所得结果整体误差均在可以接受的范围内,预测所得的分布与真实分布均值相同,但是方差较小。     

基于已实现波动率的上证综指异常时序检测

时间序列模式识别、异常检测在金融领域有着广泛应用,能够为金融决策提供重要参考信息.在大数据场景下的异常检测中,为满足对计算效率、存储空间的要求,通常对时序数据利用近似表示进行降维.但在高频金融领域,已有的近似方法会丢失大量波动信息,而微观结构噪声、市场波动信息对高频金融分析至关重要.因此,本文在传统方法基础上,结合基于变点检测的时序近似表示和已实现波动率,通过聚类识别表现异常的时间序列.基于上证综指数据的实证分析表明,引入已实现波动率能够进一步优化聚类质量,准确识别波动异常的时间序列,为实际金融分析提供有价值的决策支持.     

基于集成预测的均值-方差-熵的模糊投资组合选择

通过基于集成预测的方法构建模糊投资组合, 代表性地选择了遗传神经网络模型、 多因素SVM回归模型和ARIMA时间序列模型作为组合预测中的单一模型, 并将单一模型预测结果作为模糊变量进行投资组合优化, 实证结果表明基于集成预测的均值 -方差-熵的投资组合相比其他组合收益率更高, 相对风险更低. 该方法可以用于投资基金管理、 金融风险管理等实际工作中,以便提高决策的科学性.     

事件影响下的时间序列多尺度集成预测

针对时间序列的非线性、非平稳和多尺度特征,考虑到事件对序列结构产生的影响,提出事件影响下的时间序列多尺度集成预测策略。首先,基于经验模态分解将原始序列分解成若干分量,从多个尺度展现序列的基本构成;随后,基于迭代累积平方和实现分量序列的变点检验,从多个尺度判别和获取事件对序列产生的结构性影响;然后,基于干预分析构建事件对不同分量序列的影响模型,据此剔除事件影响,获取净化序列;最后,运用基于粒子群优化的支持向量回归,建立单一尺度的序列预测模型,进而实现事件影响下的时间序列多尺度集成预测。实证分析表明:该策略能够精细辨识事件对序列的多尺度影响,有效建立序列总体及分量的预测模型,与传统方法相比,具有更强的事件辨识能力、自适应建模能力和更高的预测精度。     

基于方差波动多重分形特征的金融时间序列聚类

提出了一种新的概率函数计算方法，用于研究金融时间序列在方差波动方面的多重分形特征。在此基础上提出了一种基于多重分形的时间序列聚类算法，该算法能够根据不同的分析目的，灵活地使用不同的概率函数以及序列的多重分形特征参量进行聚类。对上海证券市场实际数据的实验结果表明，本文提出的聚类算法是灵活有效的。     

信贷错配和商业银行脆弱性特征下的金融加速器效应

基于我国经济现实,放松企业同质性(国有企业与民营企业)和"完美银行"的隐含假设,将国有、民营的"二元"信贷错配和商业银行脆弱性特征引入带有金融加速器效应的DNK-DSGE模型.模拟结果表明,随着金融市场约束条件的不同,金融加速器效应存在显著性差异.由于放松了"完美银行"假设,外界微小冲击通过企业资产负债表和银行资产负债表双重扩大(收缩)机制,使得金融加速器效应更加显著,又由于我国典型的国有企业与民营企业"二元"信贷错配的存在,造成了我国整体外部融资风险升水的杠杆率弹性被低估,对金融加速器效应又具有一定的冲抵效应.模拟结果还表明,信贷错配和商业银行脆弱性特征叠加的外部冲击影响程度存在差异,其货币政策对调控通货膨胀效果最好,对调控总产出效果欠佳.同时其外部冲击具有传递性和持续性,并且这种持续性会延长1～2个季度.本研究可为宏观调控决策提供理论依据.     

金融时间序列分形维估计的小波方法

讨论了金融时间序列的性质,通过实际数据说明,金融时间序列具有两个重要特性——统计自相似性和非平稳性.利用正交小波变换的方法,给出了其分形维的估计方法.最后,实证分析了国内金融市场,并应用此方法分别得出了上证综合指数序列过程和深证成分指数序列过程的分形维.     

技术和市场双重不确定性下企业绿色技术创新及绩效

绿色技术创新是实现高质量发展重要动力。技术和市场的不确定性显著影响企业绿色技术创新行为及其经济绩效。在已有研究的基础上,构建不确定性环境下企业绿色技术创新与绩效的概念模型,并以调查问卷获得的302家工业企业信息为样本展开实证分析。结果表明,企业绿色工艺创新会通过技术升级（绿色产品创新）的中介效应来改善其经济绩效。技术的不确定性对绿色工艺创新与绿色产品创新的关系有负向调节作用,而市场的不确定性对绿色产品创新与经济绩效的关系有正向调节作用,反之不成立。同时,技术和市场的不确定性的调节作用存在一定的边界,只有在这个边界范围内才具有调节作用。上述研究对于深化绿色技术创新过程认识及政策设计优化具有参考意义。     

基于乘积ARIMA模型的产品不确定性需求预测

为对不确定的市场需求进行有效预测,可运用SAS系统中的TimeSeriesForecastingSystem,基于乘积求和自回归平均滑动模型(ARIMA),对产品销售的时间序列数据进行预测。先对原始数据或变换后的数据作简单差分或季节差分,把时间序列化为平稳的时间序列,进行参数的初估计,然后进行多次拟合并最终确定模型,根据SAS估计结果,可得到预测偏差。对预测结果在营销管理和供应链管理中的应用进行了分析,取得了较好的效果。     

经营风险与财务风险对物流企业成本的影响

本文以2007-2016年中国交通物流上市公司为样本,实证检验了经营风险和财务风险对物流企业降低成本的驱动效应.结果表明,经营风险和财务风险驱动物流企业降低成本,并且两种风险具有交互作用.然后,本文实证分析了三种不同股权结构情境下经营风险和财务风险对物流企业成本的影响,包括股权性质,股权制衡度和机构投资者持股.结果发现,相对于非国有物流企业,国有物流企业经营风险和财务风险对降低成本驱动效应更显著;股权制衡度和机构投资者持股仅对财务风险驱动物流企业降低成本具有调节效应,即股权制衡度和机构投资者持股比例越高,财务风险对物流企业降低成本越显著,但对经营风险驱动物流企业降低成本无调节作用.     

Smoothing Non-Stationary Time Series Using the Discrete Cosine Transform

This paper considers the problem of smoothing a non-stationary time series (having either deterministic and/or stochastic trends) using the discrete cosine transform (DCT). The DCT is a powerful tool which has found fruitful applications in filtering and smoothing as it can closely approximate the optimal Karhunen-Loeve transform (KLT). In fact, it is known that it almost corresponds to the KLT for first-order autoregressive processes with a root close to unity: This is the case with most economic and financial time series. A number of new results are derived in the paper: (a) The explicit form of the linear smoother based on the DCT, which is found to have time-varying weights and that uses all observations; (b) the extrapolation of the DCT-smoothed series; (c) the form of the average frequency response function, which is shown to approximate the frequency response of the ideal low pass filter; (d) the asymptotic distribution of the DCT coefficients under the assumptions of deterministic or stochastic trends; (e) two news method for selecting an appropriate degree of smoothing, in general and under the assumptions in (d). These findings are applied and illustrated using several real world economic and financial time series. The results indicate that the DCT-based smoother that is proposed can find many useful applications in economic and financial time series.