基于EEMD-PSO-LSSVM的中国沿海散货运价指数预测

针对中国沿海散货运价指数(CBFI)预测对精度的要求,从内在波动特性角度出发,提出一种基于集合经验模态分解(EEMD)-粒子群优化算法(PSO)-最小二乘法支持向量机(LSSVM)的组合预测模型.对比LSSVM、PSO-LSSVM、EMD-PSO-LSSVM三种预测模型,EEMD可对CBFI序列中波动较大数据进行降噪分解,保留序列的内在波动特性,且预测精度有一定提升,预测性能更佳.     

基于LSTM-HFTS-EC的PM2.5区间多尺度组合预测研究

针对PM2.5传统点值预测会损失浓度值的波动信息,进而无法充分表示和估计其波动和变化的区间范围,提出了一种基于长短期记忆模型(LSTM)-混合模糊时间序列(HFTS)-误差修正(EC)的PM2.5区间多尺度组合预测方法;在结合深度学习和区间多尺度分解方法的基础上,进一步考虑预测误差中隐含的有效信息,建立区间时间序列组合...     

多重分形在日韩汇率市场中的应用

汇率是国际贸易中非常重要的调节杠杆,是反映一国经济稳定程度的指标.在经济全球化的今天,汇率的波动直接影响着一系列金融市场的重大问题,探讨汇率的波动性及相关性对生产生活实际有重要作用.在对多重分形理论及多重分形方法改进和完善的基础上,对国际汇率进行了实证研究,主要内容如下:1)利用多重分形消除趋势交叉波动分析(Multifractal Detrended Cross-Correlation Analysis,简称MF-DCCA)方法对汇率的互相关性进行定量描述,求出多重分形广义的Hurst指数h(q),我们发现h(q)随q的变化而变化,也就是说汇率的相关性是非线性的,呈现多重分形的特性;2)基于滑动窗的方法分别计算单个序列和两个序列之间的普通Hurst指数随时间变化对应值,观察普通Hurst指数随着时间的演化特点,发现JPY/USD与KRW/USD时间序列各自的Hurst指数在0.5附近游走,而JPY/USD-KRW/USD的Hurst指数更多时候大于0.5,这说明两条汇率时间序列的波动具有很强的相关性.     

组合预测模型在汇率预测中的应用

为准确对汇率进行预测,提出基于ARIMA-GARCH~GED模型与PSO-LSSVM模型的汇率组合预测模型.首先,利用HP滤波将汇率分解为长期趋势序列与循环序列,然后运用ARIMA-GARCH~GED模型对长期趋势序列进行预测分析,运用PSO-LS-SVM模型对循环序列进行训练分析,最后将长期趋势与循环趋势的值相加即为汇率预测值.通过实例分析对比发现,此组合预测模型精度高于单一预测模型,可以更加准确预测非平稳汇率时间序列.     

融合新闻影响力衰减的碳价格多元分解集成预测

新闻数据涵盖了与碳价格密切相关的政策、经济和能源等信息,对碳价格的影响具有时效性。为量化新闻影响力的衰减程度,基于词频统计和指数衰减对新闻数据提取特征,提出了1种新闻影响力衰减时间序列的计算方法,新闻的衰减效应更准确地反映新闻对碳价格的影响程度。为提高预测精度,构建了融合新闻影响力衰减的碳价格多元分解集成预测模型,运用噪声辅助多元经验模态分解方法对碳价格和新闻数据进行多元分解,基于样本熵重构分量,使用机器学习方法对分量进行预测,加和集成得到预测结果。以湖北省碳价格为例进行实证分析。结果表明：新闻影响力指数衰减方法能有效刻画新闻与碳价格的相关性,多元分解集成模型表现出优异且稳定的预测性能。     

新冠疫情新闻的情感倾向对金融市场的影响研究

本研究构建了新冠疫情新闻情感词典，对每日新冠疫情新闻情感指标进行了科学测度，在此基础上研究了疫情新闻情感倾向与金融市场收益率的动态关系，并对疫情发生前同平台发布的新闻进行了对照研究。研究表明，疫情新闻的情感倾向对金融市场的收益率存在影响，其中前一期的疫情新闻情感倾向对于当期股票和债券市场收益率的影响是正向的，但影响持续期较短，其中疫情新闻情感倾向对债市的影响在当期就出现，而疫情新闻情感倾向对股市的影响一般在第二期才出现。     

基于极点对称模态分解-分散熵和改进乌鸦搜索算法-核极限学习机的短期负荷区间预测

针对确定性负荷点预测存在不同程度误差及难以反映电力需求不确定性的问题,提出一种基于极点对称模态分解(extreme-point symmetric mode decomposition, ESMD)-分散熵(dispersion entropy, DE)和改进乌鸦搜索算法(improved crow search algorithm, ICSA)优化核极限学习机的短期负荷区间预测模型。首先用ESMD将原始负荷时间序列分解为多个特征互异的子序列,降低了原始非平稳负荷序列对预测结果的影响,并计算各子序列的分散熵,将熵值相近的子序列重组为新序列以降低计算规模;其次,基于上下限估计法,利用ICSA算法对核极限学习机(kernel extreme learning machine, KELM)输出权值进行优化,得到最优预测区间上下限,并以此分别对各新序列进行区间预测;最后将预测结果叠加得到最终的预测区间。仿真结果表明,所提模型有效提高了负荷预测区间的质量,为电力系统决策工作提供有力支持。     

汇率波动对资本市场间溢出效应的影响

随着中国外汇管理制度改革日益深化,不断增强的人民币汇率波动对资本市场的影响越来越显著.基于改进的VAR模型构建了我国资本市场间的溢出效应指数,实证分析了汇率波动对资本市场溢出效应的冲击影响,进一步对比分析了不同的汇率波动区间对资本市场溢出效应冲击影响之间的差异.研究结果表明,不同波动率水平样本下人民币对美元汇率波动对资本市场溢出效应的影响具有非对称性,低波动率样本下汇率波动对资本溢出效应的冲击影响最显著;实证结果也证实了汇率的剧烈波动容易导致资本市场间溢出效应具有双边性.     

基于经验模态分解的上证综合指数时间序列分析

采用经验模态分解(empirical mode decomposition,EMD)方法对上证综合指数(Shanghai composite index,SCI)进行研究,将其分解为多个内模函数(intrinsic mode functions,IMFs)和剩余项之和.通过对各阶内模函数进行基本统计分析和分布拟合,发现其"尖峰厚尾"的特点基本服从自由度为3的t分布.通过对各阶内模函数进行周期性分析,揭示各阶模态间不同的波动信息,并得到周、月、半年等时间尺度股指的波动特点,以及典型上涨和下跌时段的波动周期和波动特点.     

改进的人工神经网络模型在水文序列预测中的应用研究

目前人工神经网络(ANN)技术在水文序列模拟预测中有较多应用.由于径流时间序列往往呈现出复杂的变化过程,直接使用径流序列建立的ANN单变量预测模型大多精度较差而难以满足需要.本文拟从两个方面进行改进,以提高ANN径流量预测模型的精度.首先,根据径流序列的变化规律,滤去序列中的季节性变化趋势,并采用局部多项式拟合求残差方法消除局部波动成分后得到新序列作为ANN模型训练样本,结果表明由此训练得到的ANN模型比未作处理的样本训练得到的ANN模型预测精度明显改善.另一方面,通过消除趋势波动分析(DFA)方法检测径流序列的分形特征并估算其标度区间,选取不同数量的训练样本进行训练得到多个ANN模型,确定模型预测精度最高时的训练样本数,并与标度区间比较,结果表明在标度区间内选取训练样本数可明显提高ANN模型预测精度.这对ANN模型训练样本数的选取有指导意义.     

基于机器学习的新冠肺炎疫情趋势预测方法

防控措施对传染病的传播过程有重要作用，因此在预测新型冠状病毒肺炎疫情未来发展趋势时必须要考虑防控措施的影响。该文提出了基于机器学习的新冠肺炎疫情三步预测模型，将神经网络、随机森林、长短期记忆网络和序列到序列等机器学习算法引入到新冠肺炎传染病疫情预测中。与前人的预测模型相比，所提出的模型考虑了新冠肺炎疫情发展过程中防控措施的变化情况，可以使用检测数据预测未来的确诊人数和实际感染规模。研究结果表明：预测结果与实际数据基本一致，模型具有较高的可靠性。该预测方法可以使政府管理部门更准确地了解新冠肺炎疫情的实际发展态势，帮助管理者更有效地分配医疗资源，为新冠肺炎疫情防控提供决策参考。     

基于R/S检验、ARFIMA模型和小波方差的人民币汇率长记忆性检验

分别应用R/S检验、ARFIMA模型和小波方差对人民币兑美元名义汇率收益率序列的长记忆性进行检验.根据R/S统计量计算出Hurst指数为0.573 745 1,采用ARFIMA(2,d,1)模型对人民币汇率收益率序列进行拟合的效果比较好,其分数差分参数为0.145 7,利用Haar小波对人民币汇率波动绝对值收益率序列进行最大重复离散小波变换,得出其长记忆性参数为0.393 1.3种方法的研究结果均表明人民币兑美元名义汇率收益率序列存在长记忆性.     

基于EMD和Elman网络的人民币汇率时间序列预测

为了改进神经网络的预测性能,更精确地预测人民币汇率,提出一种新的汇率时间序列预测方法,即利用基于经验模态分解(EMD)的Elman网络进行预测.首先对人民币兑美元的汇率序列做了非线性检验和非平稳性检验,然后对该序列进行经验模态分解,将得到的固有模态函数作为神经网络的输入变量,并在确定神经网络的关键参数后进行预测.实证结果表明,利用基于EMD的Elman网络进行人民币汇率预测能够取得更好的效果.     

基于泊松回归模型和注意力配置理论的新冠疫情防控研究

基于两种方法量化我国新冠疫情防控措施的有效性,实现交叉验证.首先,综合考虑温度、湿度、风速、压强等环境因素,提出一个泊松回归模型,并拟合实际数据校准模型.得出环境因素对新冠疫情有显著的负影响,而防控措施影响最大,验证了我国防控措施成效显著.同时,基于中央层面有关新冠疫情防控的173份政策文本,运用文本分析,量化疫情防控中的注意力配置,得出其注意力配置包括疫情阻断、民生保障、经济发展以及政府监管4个向度,各向度政策在疫情不同阶段占比和对疫情防控的有效性有不同呈现.     

基于EEMD-IGSA-LSSVM的超短期风电功率预测

为了提高风电场输出功率的预测精度,在保证安全操作的前提下,建立了一种基于集合经验模态分解(EEMD)、改进引力搜索算法(IGSA)、最小二乘支持向量机(LSSVM)相结合的风电功率组合预测模型.首先运用EEMD算法将风电功率时间序列分解成一系列复杂度差异明显的子序列;其次利用相空间重构(PSR)对已分解好的子序列进行重构,对重构后的每个子序列分别建立IGSA-LSSVM预测模型,为分析不同核函数构造LSSVM的差异性,建立了8种核函数LSSVM预测模型,利用IGSA算法求解其模型;最后以中国内蒙古地区的某一风电场为算例,仿真及验算结果表明,利用IGSA算法寻优得到的指数径向基核函数核参数和惩罚因子构建的LSSVM模型具有较高的预测准确性;与EEMDWNN,EEMD-PSO-LSSVM等5种常规组合模型相比,所提出的指数径向基核函数的EEMD-IGSA-LSSVM组合模型能有效、准确地进行风电功率预测.     

人民币与国际汇率的非线性特征研究

采用BDS检验和R/S方法揭示了2种人民币汇率和3种国际汇率日收益率序列是确定性分形序列.研究结果表明,上述汇率序列不服从正态分布和布朗运动,并且具有内在的非线性分形结构,人民币兑日元的汇率波动关联性比其它汇率的波动性高,反映出人民币兑日元汇率波动受历史信息的影响程度较高,其"长期记忆"特征也越明显,有助于进一步深入分析汇率的内在机理以及对汇率进行预测.     

新型冠状病毒肺炎疫情对国际干散货航运市场的短期影响

为探究新型冠状病毒肺炎(Corona Virus Disease 2019,COVID-19,简称新冠肺炎)疫情对国际干散货航运市场的短期影响,应对新冠肺炎疫情下动荡的国际贸易,为干散货航运市场的发展提供方向与建议,考虑到国际原油价格在反映世界经济发展状况的同时,作为上游产业同干散货航运市场联系密切,选用回归分析法,结合国际原油价格考察新冠肺炎疫情对干散货航运市场的冲击并探究其冲击角度.结果表明,即期新冠肺炎疫情对干散货航运市场冲击显著,滞后 1～7期新冠肺炎疫情同干散货航运市场均具有较强相关性,存在持续性冲击.新冠肺炎疫情短期内对国际干散货市场的影响存在于供需双侧,且以需求侧为主.国际干散货航运企业应积极应对新冠疫情带来的国际贸易波动,港口企业和政府部门也应在充分了解市场的情况下做出积极的运营管理规划和政策扶持.     

新冠疫情对中国交通运输业的影响评估 ——基于灰色GM(1,1)的实证分析

2020年的新冠疫情对中国交通运输业造成了巨大冲击,评估不同运输模式抵御疫情冲击的能力将有助于后疫情时代中国运输业结构的调整和优化.基于中国2015年-2019年不同运输模式下客、货运输量和运输周转量数据,使用灰色GM(1,1)预测模型对2020年我国交通运输业的各项指标受疫情影响的情况进行评估.研究结果显示:2020...     

改进灰色模型在变压器故障预测中的应用

针对传统的灰色GM(1,1)预测模型只适用于对较强指数规律序列进行预测的局限,对传统的GM(1,1)模型进行了改进,通过引入一个m点均值算子,将波动的原始序列生成一个近似指数变化的新序列,并建立等维新息模型,缩小灰平面,从而实现对具有波动性质的序列进行有效的预测.通过对变压器油液的C2H2体积分数预测结果表明,改进GM(1,1)模型对波动的变压器油色谱液数据有良好的逼近效果,且预测精度高于传统的GM(1,1)模型.     

基于核和精确度的三参数区间灰数预测模型

针对传统灰色预测模型只能解决实数序列和区间灰数序列预测的不足,提出了三参数区间灰数的预测模型.通过定义三参数区间灰数的核和精确度,进而得到三参数区间灰数的核序列、"重心"点序列和精确度序列,从而将三参数区间灰数序列预测转变成实数序列预测,分别对三组序列建立预测模型,在不破坏灰数整体性的前提下,推导还原得到三参数区间灰数的预测模型,并对其进行精度检验,最后用一个实例来验证所建模型的有效性和实用性.