基于Huang变换和ARIMA模型的时间序列预测方法

文中首先通过Huang变换将非平稳时间序列分解为有限个固有模态函数和一个残余函数之和,然后应用ARIMA模型对各个固有模态函数和残余函数进行预测,最后将所有的预测值重构叠加,得到原始时间序列的预测值。实例证明,基于Huang变换和ARIMA模型的时间序列预测方法,优于小波变换、ARIMA模型以及小波变换和ARIMA模型相结合的预测方法,提高了预测精度。     

小波分解和ARIMA模型相结合的短期风速预测

风速时间序列的非平稳性使得对其预测比较困难。论文首先对风电场的小时平均风速数据采用基于传统的滚动时间序列模型进行短期预测,针对原始序列的非平稳性和异常点的干扰,利用小波分解理论对原始风速进行小波分解与重构,然后对重构后的概貌部分和细节部分分别采用ARIMA模型进行预测,累加结果得到未来时段的预测风速,经比较分析可知,小波ARIMA模型的预测效果优于传统的滚动时间序列模型的预测效果。     

基于分形插值的ARIMA大坝预警模型

针对ARIMA模型对含有缺失值的时间序列进行拟合预测会产生较大的误差,将分形插值与ARIMA模型相结合运用在大坝安全监测中.首先利用分形插值能通过分形物体的部分信息得出其整体形态的特点,对原始数据进行插值计算,然后建立ARIMA时间序列模型并进行预测.以小湾坝顶某监测点径向位移为例,建立基于分形插值的ARIMA模型,并与实测值比较.计算结果表明,插值后的ARIMA模型较原始模型的拟合和预测精度更高.     

一种基于经验模态分解的时间序列预测方法

针对来源于实际问题的时间序列非线性、非平稳、多尺度复合的特点建立了一种基于经验模态分解(EMD)的ARIMA时间序列预测模型,即EMD-ARIMA模型.首先,借助经验模态分解将时间序列分解为多个不同时间尺度的内在模函数和一个趋势项,并确定每个内在模函数的季节性趋势;其次,对每个内在模函数使用季节性ARIMA模型进行预测,对趋势项使用趋势移动平均模型进行预测;最后,将所有内在模函数和趋势项的预测结果进行复合得到原时间序列的预测结果.数值实验结果表明,EMD-ARIMA方法能够揭示真实时间序列内在的多尺度复合特征和季节性变化规律;与经典的ARIMA模型和人工神经网络(ANN)模型相比,EMD-ARIMA模型明显提高了预测精度,因而是一种可靠的非线性、非平稳时间序列预测方法.     

短时间序列集的一种预测调和方法

由于互联网以及大数据产业的高速发展,各行业产生了大量的短时间序列数据。因此,对这些数据进行分析进而预测其未来趋势成为了重要的生产和管理的手段。短时间序列以单个序列的观测数量少为特征,是时间序列分析的一个难点。如果预测对象是短时间序列数据集,就可以利用其总量的预测值去调节各分量的预测值。文章提出了一种时间序列的预测调和方法,并通过此方法去调节ARIMA模型对一个短时间序列数据集的建模预测结果,与ARIMA的预测结果相比,调和后的预测精度得到了提高。     

基于ARIMA与信息粒化SVR组合模型的交通事故时序预测

该文基于自回归滑动平均(ARIMA)模型和支持向量回归机(SVR)模型,构建时间序列组合预测模型,对道路交通事故相关指标进行趋势预测。通过ARIMA预测模型进行线性拟合;基于模糊信息粒化方法,将ARIMA预测模型残差季度变化趋势映射为包含最小值Low、中值R、最大值Up三个参数的模糊信息粒;并以其为输入构建SVR模型,对季度残差变化趋势进行预测;最后根据SVR残差预测值修正ARIMA模型预测值。实证研究结果表明:时间序列组合预测模型精度优于单一ARIMA模型,由模糊信息粒子确定的预测区间较好描述了实证数据的季度变化趋势。     

一种新的基于DFNN的时间序列预测

对时间序列预测, 利用自回归移动平均模型(ARIMA)给出了一种新的基于动态模糊神经网络(DFNN)的模型, 该模型中主要是考虑了输出误差这个重要因素. 将ARIMA模型产生的非线性特征用DFNN模型模拟. 能够产生比DFNN和ARIMA单个模型更加精确的模型. 因此, 它可以作为一个适当的替代模型来预测任务,特别是当需要更高的预测精度的时候. 最后用Mackey-Glass时间序列验证了模型的有效性.     

ARIMA模型和Holt-Winters方法在边坡土体深层水平位移预测中的比较

边坡土体深层水平位移预测是边坡变形监测的重要内容,对预防边坡安全事故有重要指导意义。典型的两种时间序列预测方法:ARIMA和Holt-Winters,适合预测边坡土体深层水平位移这类是既有随机性增长(或降低)又有时变性波动的非平稳时间序列。选取了648个土体深层水平位移历史数据作为实证分析的原序列,使用ARIMA模型和Holt-Winters方法对其作出了预测,并比较分析预测结果。结果表明:两种方法的短期预测效果都很好,各具特点。     

基于Log-ARIMA的道路运行车速预测模型

道路运行车速预测是交通预测的难点,运行车速随交通条件的变化而变化,为提高道路运行车速预测精度,构建了自回归移动平均（ARIMA）时间序列模型,并结合实例对重庆市江北区红黄路早高峰小客车平均运行车速进行了预测。结果表明：相较于传统的线性回归、多项式拟合、指数拟合和模糊线性回归预测模型,ARIMA预测模型的平均绝对误差分别下降了19.1%,50%,6.5%和3.7%;另外,将原始序列取自然对数后再建立ARIMA的Log-ARIMA模型可进一步提高预测精度,预测绝对误差为5.21,与普通ARIMA模型比较,平均相对误差下降了29.9%。
     

棉花期货市场功能发挥评价及其实证研究

在国内外相关研究成果的基础上,通过定性研究和定量研究相结合的方法,对中国棉花期货市场的功能进行分析.定量研究了CF0705棉花期货品种的价格发现和套期保值功能.在研究棉花期货的价格发现功能时,用时间序列的ADF检验和PP检验来判断价格序列的平稳性,继而通过协整分析探讨了现货价格和期货价格的协整关系,然后用Granger非因果关系检验判断了现货价格和期货价格之间的Granger引导关系,最后用GARCH模型分析了现货市场与期货市场之间的价格波动溢出效应;在研究棉花期货的风险规避功能时,先通过基差分析来选定ECM模型,然后主要用ECM模型拟合了最佳套期保值比率,最后计算了棉花期货的套期保值绩效.发现样本期间内,CF0705棉花期货市场对现货的价格发现功能比较明显.距离最后交易日2个月以内期价序列和现价序列之间存在协整关系,期货价格是现货价格的无偏估计量,期货价格是有效的.另外,CF0705棉花期货套期保值的功能较好地得到发挥,最优套期保值比率约为0.999,套期保值绩效约为0.772.     

中美棉花期货价格波动特征的比较研究

利用GARCH（1,1）模型和EGARCH（1,1）模型分别对中国和美国棉花期货价格的波动特征进行对比分析。结果表明,从总体看郑州和纽约棉花期货市场都具有价格波动剧烈的特点,郑州棉花期货市场收益波动不具有杠杆效应,证明中国的棉花期货市场还不够成熟。     

基于EMD与BP神经网络的中国股票指数期货价格预测

应用经验模态分解算法（EMD）和BP神经网络理论提出了我国股指期货市场价格走势预测模型。首先应用EMD分解算法把股指期货价格序列分解成不同尺度的内禀模态分量（IMF）,再通过重复试验的方法运用BP神经网络对股指期货价格序列和分解得到的所有IMF的数据序列进行训练,得到股指期货价格的预测模型,并对股指期货价格进行预测。实验表明,通过该方法得到的预测值与股指期货的实际价格有着很高的拟合度。     

我国沪铜期货价格的分形统计

运用分形分布参数估计、函数盒维数以及多重分形分析等方法对我国沪铜期货价格时间序列进行了实证研究.结果表明,沪铜期货价格不服从正态分布,价格之间存在长记忆性,从而对有效市场假说提出了质疑.函数盒维数及多标度分析的结果揭示了期货价格的聚类特征及标度变化,说明用单一分形模型来描述期货价格是不充分的,多重分形分析方法为更好地描述期货价格的变化规律提供了有力的工具.     

中国期货市场单日基于连续时间序列的数据挖掘

介绍了棉花期货单日成交记录的数据挖掘以及多种商品期货在单日的交易记录中存在的问题，通过对中国期货市场的分析，更大限度地揭示了市场特征，为期货投资者提供更大的帮助。     

基于小波变换的多重分形谱研究及实证分析

为了探索期货市场中的非线性特征,选用大连和芝加哥期货市场中黄豆期货价格时间序列,借助配分函数分布图判定期货时间序列存在多重分形特征,并在此基础上利用多重分形谱对期货时序描述多重分形特征．结果表明,与芝加哥期货市场相比,大连期货市场的多重分形强度更大,风险更大．然后对时间序列进行小波变换,将处理后的时间序列的多重分形强度与原始序列进行比较,发现多重分形特征与时间序列中的噪声及长程相关性有关．     

期货价格收益序列的多重分形统计描述及成因分析

运用多重分形消除趋势波动分析方法,对之前较少被研究的中国铜和大豆两个期货品种的价格收益序列进行实证研究.结果表明,两种期货价格收益序列具有尖峰态特征,不服从正态分布,且二者均存在明显的多重分形特征,仅用单一的标度指数对其进行描述是不充分的.进一步对其多重分形成因进行分析,发现期货价格收益序列的多重分形特征主要是由收益序列的波动相关性引起的,该相关性导致了价格的有偏随机游走,市场未达到弱式有效.     

基于粗糙集和支持向量机的股指期货预测模型研究

本文提出基于粗糙集和支持向量机的股指期货走势预测模型。在模型中首先使用粗糙集对指标集进行特征选择,剔除冗余指标,然后使用支持向量机对基于历史数据的股指期货价格走势进行预测。为了评估该预测模型的性能,将预测结果与传统的自回归移动平均模型和BP神经网络模型的预测结果进行比较。实验结果表明了该模型的有效性。     

中国金属期货市场有效性检验与分析

通过单位根检验、序列相关性检验和游程检验三种统计检验方法对2005年—2011年我国铜和铝期货的弱有效性进行了检验,三种检验方法的结果一致表明,铜、铝期货市场的价格序列并不符合随机游走过程,市场还未达到弱式有效。     

农产品期货市场的分形统计分析

以芝加哥期货交易所的玉米、小麦、大豆和黄豆油4种农产品期货价格的收益率序列为研究对象，运用交互相关统计量、MF-DCCA和连通性频率分析等方法，实证研究美国农产品期货市场价格波动的交互相关关系以及市场风险大小。结果表明：美国农产品期货市场的价格收益序列具有交互相关性，且这种交互相关性存在不同多重分形特征，造成多重分形性的原因是长程相关性和胖尾分布;不同期货品种的投资组合隐含的风险不同，其中玉米/大豆的风险最大，而小麦/黄豆油的风险最小;农产品期货市场连通性较弱，大豆对系统的贡献程度最大，玉米其次。