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.     

证券组合的时间序列模型

针对证券的时变特性,联合运用差分方法和指数平滑法,建立了证券组合的时间序列模型。     

价格时间序列的数值模拟

近年来,许多物理学家开始应用统计物理的概念和方法来解决经济领域的问题,由此产生了经济物理这门交叉学科.物理学家可以对经济系统进行研究是有它的基础的.     

关于（CZCE）绿豆期货01D价格波动隐周期的一种计算方法

依据郑州商品交易所绿豆期货（CZCE）的历史数据,利用时间序列分布分析的隐周期理论,对绿豆期货01D价格波动建立数学模型进行模拟,并对结果进行了初步分析。     

基于时间序列与人工神经网络的房地产周期识别

房地产市场的发展存在明显的周期特性,对房地产周期进行识别有助于政府及其他市场参与者进行科学决策。利用时间序列分析对1992—2003年的北京房地产市场周期发展阶段进行判别研究,并将该判别结果作为训练样本,利用局部改进的标准BP人工神经网络构建了房地产周期识别模型。识别研究表明:2004年北京房地产市场处于收缩阶段,国家宏观政策对房地产市场的理性发展起到了积极的作用。     

一种新的时间序列周期检测算法

提出了一种SJ周期检测算法,利用计算机虚拟了3个序列来评价SJ算法的可行性和需要改进的地方。将SJ算法应用到铁路客流量数据上,检测到客流量数据存在4、7和26的周期规律。     

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.     

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.     

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。     

中国金融状况周期波动特征及趋势周期分解

本文基于RTV-DFM合成的金融状况指数(FCI)分析中国的金融状况,通过趋势周期分解试图揭示中国金融状况周期波动及长期趋势特征,并在此基础上进行预测。研究发现,本文合成的FCI很好地刻画了中国的金融状况,可作为金融经济变量的先行指标,中国金融周期与货币政策周期高度一致,随机性趋势与FCI趋势高度一致,周期性短期波动与FCI同步反向变化,市场情绪及投资者预期非理性掩护下的随机冲击是中国金融状况剧烈波动的原因。预测显示中国金融状况将渐进式"走出最坏,逼近光明"。     

混合周期自回归滑动平均时间序列的平稳性条件

为了描述周期时间序列中的偏倚和多峰现象,结合有限混合模型方法,将周期自回归滑动平均（Periodical Autoregression Moving Average——PARMA）模型推广,提出混合周期自回归滑动平均时间序列（MPARMA）模型,并讨论了MPARMA序列的一阶和二阶平稳性条件。     

基于时间序列的中国房地产价格走势预测

本文采用《2007中国统计年鉴》1998年第1季度至2009年第3季度的全国房屋销售价格指数,建立ARIMA模型,并对未来房价走势进行预测。     

金融时间序列数据挖掘的研究与应用

介绍了金融时间序列分析及其方法,阐述了金融时间序列数据挖掘的特点,总结了金融时间序列数据挖掘的主要方法,介绍了金融时间序列数据挖掘的典型应用及技术进展。     

用周期模型和近邻算法预测话务量时间序列

客服中心话务量虽然具有周期性,但在不同时间遵循不同变化规律,这是话务量预测的难点。针对这个问题,以某电信公司一年的实际话务数据为基础,分别采用周期模型和基于实例的近邻算法进行话务量时间序列预测,并对比分析了两种预测方法的效果。实验数据表明,对工作日话务量的预测,周期模型的预测效果优于近邻算法;对非工作日话务量的预测,近邻算法的预测效果优于周期模型。为取得更好的预测效果,实现了周期模型和近邻算法相结合的预测方法。结果表明,在最好的情况下,该方法的预测精度比周期模型提高约19.7%,比近邻算法提高约48.8%。     

基于混沌不稳定周期方法的风速时间序列预测

结合相空间重构理论,针对具有混沌特性的风速时间序列提出一种基于不稳定周期的预测方法.采用互信息法计算给定时间序列的延迟时间参数,根据时间序列运行轨迹的重合度,构造不稳定周期优化函数.通过对该函数的优化计算,得到嵌入维数参数及最佳不稳定周期值.根据所得延迟时间和嵌入维数等参数对风速时间序列进行相空间重构.利用前一不稳定周期轨迹附近的数值实现对未来风速时间序列的预测分析.仿真实验结果表明,该方法能够有效提高风速时间序列的预测性能,并可实现风速序列的多步预测分析.与持续法等传统预测方法相比,当预测步长增加时,该方法具有更稳定的预测性能.     

东北地区GPS时间序列分析

介绍中国东北地区GNSS基准网的站点分布及地质背景,阐述了GNSS基准站时间序列周期特性的理论方法,重点分析了快速傅里叶变换、谱分析、小波分析等方法。通过对陆态网络东北地区GNSS基准站图像的分析及数据处理,得到了周年及半周年振幅值,从而分析出中国东北地区GNSS站各方位的周期特性。     

数据挖掘与证券投资

文章论述了数据挖掘技术在证券投资上的应用。利用数据挖掘对证券时间序列进行趋势变动与趋势预测，具有很好的参考价值和良好的应用前景。     

交通流实测数据的时间序列分析

提出了一个建立车速、车头间距等交通流参数大样本时间序列的方法,依据实际交通录像获得总数据量超过8万条的4个时间序列样本,对它们进行分形指标的计算和分析.研究发现：Hurst指数和平均循环周期的计算结果较为客观,受数据采集过程中的人为因素影响较小;交通流时间序列存在趋势的正相关特征,并随着路段拥挤程度提高而加强;构建的时...     

基于时间序列的朝阳市生猪价格短期预测研究

为了获取更多利润,降低价格波动带来的风险,对朝阳市生猪价格进行基于时间序列的短期预测研究.根据辽宁省朝阳市某养猪场提供的2020～2022年3种生猪日销售价格,首先利用Excel对数据进行处理,以周为基本单位,把每周的平均价格作为周价格;其次,根据外三元猪价格中前100周的价格,分别采用时间序列预测法中的一次移动平均预测法、一次指数平滑预测法和三次指数平滑预测法来预测后57周的价格,通过与实际价格的对比可知,采用三次指数平滑预测法预测的误差最小,由此用该预测法来预测内三元猪和土杂猪后57周的价格;最后,利用Matlab计算土杂猪、内三元猪的预测值,结果显示二者的预测误差分别为0.386、0.604,并据此绘制价格变化趋势的图像,为养猪场预测生猪价格提供理论依据.     

金属期货价格的时间序列分析

提出了把交易量这个价格先行指标直接引入价格以形成较有效的加权成交价格，然后采用上海金属交易所铜１＃的样本数据，通过Ｂｏｘ－Ｃｏｘ变换来构造新的对数时间序列，最后通过非线性回归处理获得价格趋势及不同振荡周期，并作了简单的讨论和分析．