基于粒子群优化支持向量回归机的黄金价格预测模型

为了克服神经网络存在的收敛速度慢、容易陷入局部极值等缺点,提出基于粒子群优化支持向量机(PSO-SVM)的黄金价格预测方法,以影响黄金价格的美元走势、世界黄金储备、石油价格等因素为输入,黄金价格为输出.用粒子群优化算法选择合适的支持向量机参数,对支持向量回归机进行训练.应用训练完成的支持向量回归机预测下一年的黄金价格.结果证明,PSO-SVM的预测精度高于BP神经网络,PSO-SVM适用于黄金价格预测.     

基于ARFIMA-GARCH模型的黄金价格分析及预测

通过对上海黄金交易所现货黄金Au99.95品种2007年1月4日到2014年2月28日共1736个交易日的收盘价格的研究,发现上海黄金交易所黄金收益率序列具有长期记忆性,其残差具有明显的波动集聚性。利用时间序列的相关理论,并通过EVIEWS6.0及MATLAB软件对序列进行分析,建立ARFIMA-GARCH模型,此模型反映了黄金收益率序列的长记忆性和波动集聚性,并对黄金收益率序列进行预测。结果显示,预测结果与实际价格拟合度高,预测误差较小。该模型可以更加准确地描述黄金价格序列的动态特征,通过此模型可以使黄金投资者和生产者更加了解黄金价格序列的特点。     

矿井涌水量时间序列ARIMA预测模型

为对矿井涌水量进行准确预测,以矿井涌水量历史时序数据为基础,提出一种综合自回归移动平均模型.建模时首先需要对涌水量时间序列进行平稳化处理,根据拖尾、截尾情况及BIC数值初步确定一个模型,进行参数估计、假设检验,并作出必要调整,反复循环,直至获得较为满意的ARIMA模型.以东欢坨矿1991年1月到2014年4月月度涌水量进行实验分析,最终建立了ARIMA(1,1,1)预测模型,利用该模型进行预测,最大误差为2.1829%,最小误差仅为0.2885%,模型精度较高,能够很好地满足实际工程需要.研究结果表明:ARIMA模型对矿井涌水量短期预测是可行的.     

“十三五”时期中国粮食产量的预测研究

从中国粮食产量的历史趋势中找出规律,寻找适当模型为政府进一步制定相关的农业改革政策提供参考。以1949—2014年中国粮食产量数据作为建模样本,运用EViews 6.0,建立中国粮食产量的ARIMA模型。建立了ARIMA)0,1,1(模型,并对样本数据进行拟合预测,经检验拟合效果较好,预测精度较高。模型预测效果显著,具有现实意义。     

ARIMA模型在股价预测上的应用及其傅里叶修正

ARIMA模型静态预测精确度较高,但是只能预测下一期的值,动态预测可以预测多期的值,但是不能很好的给出股价走势.现以股票价格走势为例,首先利用ARIMA模型动态的预测序列未来多期的值,再结合傅里叶级数预测法建立修正的预测模型,以得到较为准确的股价走势.     

LSTM和Prophet模型在肺结核发病数预测中的应用

为预测肺结核发病数,建立了两种能够较为精确描述以及预测肺结核发病数的模型.根据中国疾控中心提供的2007年7月至2019年6月肺结核发病数的数据,运用LSTM模型和Prophet模型对中国肺结核发病数进行预测,并将该两种模型的预测性能与ARIMA、GM(1,1)模型进行对比.结果表明,Prophet模型预测性能最佳,其MAE值与RMSE值分别为5 124.33、5 905.32,LSTM模型预测性能次之,ARIMA模型预测性能最差.     

基于ARIMA-EGARCH模型的交通事故问题的研究

为了更好地掌握交通事故的现状和发展趋势,减少交通事故带来的直接损失和人员伤亡,以1990-2017年的全国交通事故发生起数为研究对象,建立ARIMA(0,1,4)模型进行分析和预测.利用方差齐性检验得残差序列方差非齐性,针对该模型的异方差问题,建立了ARIMA-EGARCH(1,1)模型.最后,以2017年的数据做为考核样本来检验模型的精度,并对2018-2019年的数据进行预测.通过与ARIMA(0,1,4)模型的拟合效果对比可以看出:ARIMA-EGARCH模型的预测结果比ARIMA模型精度更高,误差更小,可以对未来交通事故数据进行更好的预测.     

时间序列分析在居民消费水平指数预测中的应用

该文利用SAS统计软件对我国1978-2009年的居民消费水平指数数据进行分析,分别建立了ARIMA模型和Auto-Regressive模型,并给出了反映各个模型拟合精度的AIC值和SBC值,进而确立了一个反映居民消费水平指数变化规律的较优模型.最后,利用该模型对2010年到2014年的全国居民消费水平指数进行了预测.结果表明ARIMA((2),2,0)模型在短期预测中达到了较高的精度.     

乘积季节模型在商品房市场中的应用研究

主要采用时间序列乘积季节模型(随机季节模型与ARIMA模型的结合式)及多元统计方法,对商品房市场的发展规律进行了研究.通过对合肥市2001年至2005年60个月份的月度商品房销售面积进行实证分析,建立了一个商品房市场销售规律的统计预测模型ARIMA(0,1,1)×(0,1,1)12,并对该模型进行适应性检验,得到较好的结果.最后,利用该模型对该市的房地产发展趋势进行了预测.     

基于ARIMA模型对上证指数月度时间序列的分析和预测

股票价格指数的影响因素错综复杂,现阶段影响我国股票价格的主要领域是银行储蓄、债券市场、期货市场、房地产,汇率等,从目前金融学发展的趋势和广大投资者对股票市场众多金融工具迫切的需求来看,通过建立恰当的时间序列模型可以达到对股票价格整体走势进行大致的预测的目的.本文选取了从2011年12月我国加入WTO至2014年7月以来的上证综合指数的月度数据,通过建立ARIMA模型采用一步向前静态预测的方法对我国股市2014年8月的上证综合指数进行了预测,发现我国2014年前两个季度以来整体股市呈现上升的趋势.本文的创新之处在于对样本数据取了对数,从而消除了时间序列中的自相关和异方差,同时使得预测值接近实际值,效果良好,希望对广大股民提供借鉴参考.     

基于ARIMA模型的人民币汇率预测与分析

对2015年8月11日汇改之后的人民币兑美元汇率进行分析,建立ARIMA(14,1,0)模型,残差检验证明该模型是合理的。利用模型ARIMA(14,1,0)对2016年3月10日至2016年3月23日的人民币汇率进行预测,预测结果基本接近实际值,相对误差控制在0.5%以内,并且前5天的平均误差为0.2%。预测结果再次表明,ARIMA(14,1,0)模型完全适用于美元/人民币汇率的建模,特别是对短期范围内汇率的预测是切实可行的。     

ARIMA模型与指数平滑法对山东省GDP的实证分析

文借助Eviews6.0和Excel软件,建立了ARIMA(1,2,1)预测模型和三次指数平滑预测模型,对山东省1978年到2010年国内生产总值(GDP)数据进行分析,并对2011年到2013年的GDP进行预测。结果表明,ARIMA模型预测结果与真实值相比平均相对误差小,结果更为精确,基本符合事实。因此,选择ARIMA(1,2,1)模型作为最优模型为有关部门制定经济发展战略、经济发展规划提供重要依据。     

时间序列模型在婴儿潮分析中的应用

本文利用时间序列分析线性模型中求和自回归移动平均模型(ARIMA)和统计学软件SPSS,选用1947-2014年新生儿人口数据为参考数据序列,通过参数检验与残差分析验证ARIMA模型在人口预测分析上的可靠性.模型的拟合与实证分析说明时间序列分析在人口预测问题上的有效性,可对中国婴儿潮做短期预测.本文还对2015年到2030年新生儿人口数进行统计分析,预测第四次婴儿潮的到来.这将给社会计划生育、教育、交通等方面提供重要参考数据.     

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。     

ARIMA模型在河南全社会固定资产投资预测中的应用

采用求和自回归移动平均模型(ARIMA),对《新中国五十年统计资料汇编》及《2006年河南省统计年鉴》提供的河南省全社会固定资产投资额数据进行分析.结果显示,ARIMA(1,1,5)提供了较为准确的预测结果,此模型可为河南省全社会固定资产投资提供可靠的参考数据.     

结核病发病率ARIMA模型分析

建立ARIMA模型用于结核病发病趋势预测.方法:运用2004~2013年本地区结核病发病数据建立了ARIMA(1,1,0)模型.结果:总发病率从2004年的93.40/10万下降到2013年的83.81/10万,下降了10.73%,年均发病率为105.25/10万,肺结核发病率呈总体下降趋势.结论:ARIMA(1,1,0)模型,可用于结核病发病趋势预测,科学预测结果可为为地方的结核病预测、监控与防治工作提供参考.     

中国人均GDP的ARIMA模型分析与预测

人均GDP是反映一个国家综合实力的重要经济指标,由于经济波动的影响和随机因素的干扰,一般单变量模型模拟的效果较差,利用ARIMA(1,1,2)模型建模,可用过去人均GDP的值和过去误差来预测未来人均GDP的走势,有较强的预测能力,从而为经济政策的调整和制定提供参考.     

基于灰色关联分析的季节性民航货运量预测

为更精确地预测月度航空货运量,提出组合模型预测方法.该模型由季节GM(1,1)和季节ARIMA乘积模型构成,它结合了该2种模型中时间序列预测的优点.灰色模型GM(1,1)能准确反映时间序列的增长趋势;ARIMA乘积模型对季节特征有较好的拟合效果.依据霍尔特温特预测模型计算季节性GM(1,1)模型的季节指数,并用灰色关联分析求出组合预测中的权值.组合预测模型的平均相对误差为0.62%,而季节性GM(1,1)模型和ARIMA乘积模型的平均相对误差分别为4.49%和-3.16%.预测分析结果说明,该模型的非线性曲线拟合精度和预测精度明显高于单个模型,可较好地反映系统的动态性和运量的季节时序关联性,为季节性时间序列预测提供了新的途径.     

河北海外旅游客源量的ARIMA模型及应用

在海外旅游客源量预测中引入ARIMA模型分析方法.采用河北省1989至2006年海外旅游人数资料,建立了ARIMA(0,2,1)预测模型,并预测了2007至2009年的海外游客人数.与2007年河北海外旅游人数的实际数据比较,相对误差仅为2.8%,说明该模型在海外旅游客源量短期预测中的应用是可行、有效的.     

ARIMA模型对我国旅游业可持续发展的实证研究

以国内游客人数为研究对象,建立适当模型,分析我国旅游业可持续发展状况。选取1985年至2015年我国国内游客人数为样本,运用Eviews6.0建立ARIMA模型。最终建立ARIMA)1,2,0(模型。经检验,模型拟合效果很好(MAPE=7.363),预测精度极高(99.56%)。ARIMA模型对游客人数的短期预测是合理的,且"十三五"时期国内游客人数呈趋势性增长。