基于田间试验的数学模型预测大豆产量初探

以中国科学院海伦农业生态实验站不同养分循环处理长期定位19a试验数据为依据,采用农业气象预测和统计预测相结合的方法对田间试验模式进行了数值计算,以此建立9种田间试验模式的大豆单产预测的数学模型,并利用该模型对拜泉和富锦的大豆单产进行模拟检验,验证结果表明该算法能够较好地预测大豆产量趋势.可以为大豆估产提供科学的依据.图3,表1,参10.     

基于波动率测量误差的波动率预测模型

本文研究了一种基于波动率测量误差的波动率预测模型,并做了非线性扩展,期望改进预测效果.考虑到文献中关于波动率可能长记忆性和非线性并存的观点,本文以具有长记忆特征的HAR(heterogeneous autoregressive)模型为基础,加入波动率测量误差后模型持续性有所提高,结合非线性的时变参数模型则达到结构变化和减弱异方差的效果.本文用2652天的沪深300高频数据计算的已实现极差波动率来验证模型效果.固定参数下,在HAR型模型中加入测量误差作为调节变量可以较显著地改善样本外预测效果.时变参数下,加入测量误差的HARQ型模型预测效果大多优于对应的HAR型模型.时变参数模型总体上可以改善固定参数模型的预测效果,尤其在预测期较长的情况下改善均是显著的.     

波动率预测：多元GARCH模型能战胜一元GARCH模型吗?——二元DCC-GARCH模型与一元GARCH模型的PK

波动率在不同资产(市场)之间的传导应当为预测波动率提供有用信息,使波动率预测更准确。本文考察了二元DCC-GARCH模型在预测波动率时是否优于传统的一元GARCH模型。研究发现：波动率在不同资产间的传导,可以为预测波动率提供有用信息,有助于提高预测的准确性;波动率溢出越明显,对提高预测帮助越大;日数据传递信息更及时,在预测波动率时能比周数据提供更有用的信息;实际波动率的不同度量方式会影响波动率预测准确性的评判结果,但一个占优的多元GARCH模型预测的波动率,可以在所有度量方式、评判标准下都占优。本文为进一步研究多元GARCH模型在预测波动率方面的应用提供了有益的启示。     

评价大豆品种适应性参数的比较研究

大豆品种的生态适应性是大豆在不同生态条件下，通过形态、生理和生化的变化协调自身的生长发育与环境之间关系的能力，是大豆品种与当地自然条件和耕作栽培条件相适应的反应。优良的大豆品种应该具有比较广泛的生态适应性，因而表现出在不同的生态条件下均能抗病虫、耐肥水、稳产高产的特性。这是选育大豆新品种（系）的主要目标。如何确切合理地评价大豆品种（系）的适应性，是育种工作和生产所必不可少的一个环节，这就需要找     

世界大豆的发展与预测

中国是“大豆的故乡”；近一个世纪以来，大豆生产已发展到世界５２个国家和地区，播种面积已达５９０００万公顷以上；大豆产量约１１２４０万吨，全世界大豆贸易１９９２年达２９８５万吨，预测到本世纪“２０００”年大豆产量可达１亿２千万吨以上。     

基于外部信息冲击的符号跳跃变差高频波动率模型

现阶段研究高频波动率的主流HAR-RV-跳跃模型仅考虑了与高频波动率有关的内生变量,忽视了外部信息冲击的影响,对高频波动率的估计和预测可能存在偏误.本文尝试将外部信息冲击引入到HAR-RV-跳跃模型中,构建基于外部信息冲击的符号跳跃变差高频波动率模型(HAR-VRV-跳跃模型).这类模型不仅兼顾内生因素和外部信息冲击对高频波动率的共同影响,还考虑了多元信息冲击的非对称效应.通过选取沪深300和中证500指数的高频交易数据作为研究样本,并利用滚动时间窗口预测和SPA检验对HAR-V-RV-跳跃模型的预测能力进行了评价,结果表明:HAR-V-RV-跳跃模型可以依据外部信息冲击的类型对高频波动率做出更准确的预测,其预测能力明显优于现有的HAR-RV-跳跃模型.但是,HAR-V-RV-跳跃模型对平稳期高频波动率的预测表现优于非平稳期.     

基于跳跃和符号跳跃变差的HAR-RV预测模型及其MCS检验

以沪深300指数的高频数据为例,运用滚动时间窗的样本外预测方法以及比SPA检验更具优势的模型信度设定检验(MCS),实证分析了跳跃、符号跳跃变差及符号正负向跳跃变差对HAR-RV、HAR-RV-J、HAR-RV-CJ和HAR-RV-TCJ等4种基础波动率模型预测能力的影响。研究发现:符号跳跃变差不仅可以提高各波动率模型的拟合精度,而且还可以提高模型的预测精度;符号正向和负向跳跃变差相比符号跳跃变差对未来波动率具有更好的解释能力,且它们对未来波动率的影响是不对称的;加入符号正、负向跳跃变差的HARRV-TCJ模型的预测效果是众多模型中表现最好的,尤其是它的对数形式。     

HAR族模型与GARCH族模型对不同期限波动率的预测精度比较——基于沪深300指数高频价格的实证分析

以对收益条件方差建模的GARCH族波动率模型,及对高频已实现波动建模的HAR族波动率模型为考察对象,采用滚动时间窗的样本外预测,结合具有Bootstrap特性的SPA检验法,分别使用4种常用的损失函数作为评价指标,比较了13种常用波动率模型对沪深300指数短期、中期、长期波动率的预测精度。实证结果表明,对数形式的HAR-RV-CJ模型对短期、中期、长期波动率的样本外预测都具有最高的精度,且对长期波动率预测的优势最为显著;对收益条件方差建模的GARCH族模型即便加入已实现波动作为附加解释变量,其预测精度仍无法超越对已实现波动直接建模的HAR族模型。     

隔夜收益率能提高高频波动率模型的预测能力吗

将隔夜收益率作为解释变量加入到高频波动率模型中,研究其对模型预测精度的影响.以沪深300指数为例,运用样本外预测技术及新颖的模型可信集检验方法,同时选取比RV更为稳健的两尺度已实现波动率为基准波动率,实证研究表明,隔夜收益率对短期波动率存在显著的非对称效应;隔夜收益率能改善各波动率模型的拟合能力,并能显著提高模型的短期预测能力;在预测短、中及长期波动率时,已实现和已实现极差高频波动率模型的预测表现并不一致.     

基于TVS-MHAR模型金融市场高频多元波动率的预测

本文基于Kalli和Griffin(2011)的时变稀疏模型和多元HAR模型,构建了具有时变稀疏性的多元HAR模型(TVS-MHAR),并利用中国上证综指、沪深300期货和国债期货的五分钟高频数据,对金融市场的已实现波动率矩阵进行预测.本文通过Cholesky转换方法保证预测波动率矩阵的正定性.通过对不同多元波动率模型的预测结果进行数值比较和经济比较,本文发现,本文构建的TVS-MHAR模型无论对于短期预测、中期预测还是长期预测都具有最高的预测精度和最大的投资改善.同时,时变多元波动率模型可以获得比固定参数模型更好的预测效果,高频数据模型比低频数据模型获得更大的投资改善.     

时间序列的小波神经网络预测模型的研究

针对非线性时间序列,建立了小波神经网络预测模型,通过计算小波分解和小波级数,达到最优的逼近效果．经实例验证,该方法能有效地提高预测精度,避免了人工神经网络模型的固有缺陷.     

股市预测中的小波神经网络方法

首先论述了股市时间序列中的明显随机性 ,可能是由于非线性确定性系统中混沌行为的缘故 ,利用混沌的确定性可以进行短期预测 .混沌时间序列预测首先要重构相空间 ,接着充分利用小波变换时频分析的局部化特性 ,提出了一种改进的小波网络结构 ,探讨了股市预测模型问题 .经实例验证 ,该方法能有效地提高预测精度 ,避免了人工神经网络模型和指数自回归的固有缺陷 .     

有一定物理基础的核素浓度预测神经网络模型

为解决突发核电事故后使用机理模型预测放射性液态流出物迁移扩散,需长时间迭代计算的不足,提出了一种新型混合神经网络模型,该模型耦合了描述液态流出物在受纳水体中迁移扩散的组分输运方程和神经网络模型,采用并行多种群混合进化粒子群算法计算神经网络权值与阈值.论文以湖北咸宁大畈核电站受纳水体富水水库为研究对象,对事故工况下长半衰期核素迁移扩散进行模拟预测,研究结果表明有一定物理基础的神经网络模型是一种有效、可行的预测模型,预测结果与机理模型的模拟输出拟合度较好,新模型较传统的黑箱神经网络模型以及基于单调型先验知识的神经网络模型具有更强的泛化性能改善能力.     

基于灰色神经网络组合模型的故障预测

针对装备故障预测存在有效样本少、模型预测精度低等问题,集成灰色理论和神经网络方法,提出基于灰色神经网络的故障预测组合模型。基于新信息优先原理和重构背景值方法优化灰色GM（1,1）模型的初始值与背景值,利用Levenberg-Marquardt算法改进反向传播神经网络模型;采用组合预测思想,将多方法融合改进灰色模型和神经网络模型,分别构建基于权重分配、基于误差修正和基于结构优化的3种灰色神经网络组合模型。以某雷达发射机的故障预测为例,验证上述方法在故障预测中的有效性。结果表明,灰色神经网络组合模型的预测精度优于单一预测模型,可用于装备的故障预测和预测性维修。     

基于遗传神经网络的癌症死亡率预测

分析了遗传算法(GeneticAlgorithm,GA)和人工神经网络(ArtificialNeuralNetwork,ANN)的优缺点,在此基础上,提出了将遗传算法与人工神经网络有机结合的遗传神经网络此外,利用长期进行的恶性肿瘤登记的报告资料,采用遗传神经网络对北京地区的癌症死亡率进行预测结果表明该研究工作是可行的,可以作为预测的一种有效手段.     

基于误差反传小波神经网络的船舶横摇时间序列预报

结合小波分析和神经网络的特点，建立了应用于船舶横摇运动时间序列预报的误差反传小波神经网络结构并给出了算法。作者利用多输入、单输出小波神经网络预报模型进行了仿真，取得了良好的仿真效果。此方法不仅可应用于横摇运动时间序列预报，亦可用于纵摇、艏摇的时间序列预报。     

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     

基于BP 神经网络的煤与瓦斯突出预测方法的研究

为准确预测矿井煤与瓦斯突出的危险性,针对反向BP神经网络收敛差的缺点,分别采用基于MATLAB神经网络工具箱中的VLBP和LMBP算法的改进BP神经网络模型对煤与瓦斯突出的危险性进行了预测.根据煤与瓦斯突出的特点,选取开采深度、瓦斯压力、瓦斯放散初速度、煤的坚固性系数与地质破坏程度等五个关键影响因素作为煤与瓦斯突出的评判指标,建立了煤与瓦斯突出预测的神经网络模型.实际应用效果表明,采用基于MATLAB神经网络工具箱的BP网络模型,能克服一般BP网络收敛较慢的缺点,能加快收敛速度;运用LMBP算法比VLBP算法快,但需较大计算机内存;与常规预测方法相比较,该模型的预测准确性高,能有效地预测煤与瓦斯突出的危险性.     

基于PSO-BP神经网络的广播星历轨道误差预测模型

在卫星导航数据处理实践中,发现广播星历轨道误差中客观存在不确定性的规律现象,针对这种不能用确定数学模型表示的误差信息,建立基于粒子群优化反向传播(back propagation,BP)神经网络的轨道误差预测模型。通过粒子群算法对BP神经网络的初始权值和阈值进行全局寻优,利用广播星历解算出的卫星空间位置和速度,并结合时间信息和摄动改正数对神经网络进行训练和测试。结果表明该模型对广播星历轨道误差具有较好的拟合能力和预测效果,用该模型对卫星位置解算提供误差补偿,可有效提高卫星定轨精度,降低系统级误差。     

基于遗传算法的BP神经网络时间序列预测模型

神经网络能以任意精度逼近非线性函数 ,以神经网络为基础的时间序列预测模型能很好地反映非线性系统发展的趋势 ,但神经网络训练速度慢、易陷入局部极值。针对这种情况 ,用具有良好的全局搜索能力的遗传算法来改进神经网络时间序列预测模型 ,提出了一种将遗传算法和BP算法相结合的学习算法来训练BP神经网络 ,并将该神经网络时间序列预测模型应用于某时间序列的预测。