基于MATLAB的兰州市商品住宅价格变动分析及预测

根据2001～2010年的相关数据,利用MATLAB建立了兰州市商品住宅价格变动趋势的数学模型Z1=p2t2+p1t+p0,以及商品住宅价格的多元线性回归模型log Z=C0+C1log(N1)+C2log(N2)+C3log(N3)+C4N4并进行分析,考虑4个主要影响因素:人口数、房地产开发商平均投资成本、人均收入...     

时变流动性深度模型

使用超高频数据,并利用流动性深度指标,研究流动性的动态特征、影响因素以及检验市场微观结构理论.结果支持基于信息不对称下的市场微观结构理论.研究还表明耐心交易可以降低交易成本.     

商品住宅主因素定价模型研究

在总结国内外关于商品住宅价格相关研究的基础上,同时考虑消费者需求、开发商供给以及市场影响因素,构建了包括住宅环境因素、住宅配套设施、住宅质量因素、住宅成本因素和住宅市场因素的商品住宅主因素定价模型,为房地产开发企业、中介机构和消费者更好地理解和确定商品住宅的价格提供一种新的思路。     

对我国石油经济的思考

分析了我国石油现货市场紧张的原因,论述了国际市场上的石油价格和石油价格连续上涨对我国经济发展产生的影响,就如何缓解我国能源危机提出了若干合理化建议。     

汇文系统下的合订本期刊价格管理

介绍了在汇文系统环境下,如何对合订本期刊价格进行管理的几种方法。     

基于相对误差的线性组合预测研究

在讨论传统的组合预测方法的基础上,对相对误差准则下的线性组合预测进行了研究和推广。分别以"相对误差平方之和最小"、"相对误差之和最小"和"最大相对误差最小"为准则,给出了9个线性组合预测模型,其中有6个线性组合预测模型是新提出的,并且讨论了模型的解法。以美国加州电力日均价为例,给出了9种线性组合预测模型的预测结果,验证了新模型的精确性和优越性。     

模糊评判在住宅价格评估中的应用

模糊特征在住宅价格评估中占有重要地位,在科学定义若干基本概念的基础上,提出了运用模糊综合评判进行住宅价格评估的方法,该方法把模糊评判和享乐价格方法相结合,解决了住宅价格评估中模糊特征的合理量化问题,具有科学、合理、易于操作等特点。     

期货市场套期保值的等待价值

研究了期货套期保值的等待价值问题 ,利用期权定价公式得出了期货套期保值等待价值的解析表达式 .     

An Adaptive Multiscale Ensemble Learning Paradigm for Nonstationary and Nonlinear Energy Price Time Series Forecasting

For forecasting nonstationary and nonlinear energy prices time series, a novel adaptive multiscale ensemble learning paradigm incorporating ensemble empirical mode decomposition (EEMD), particle swarm optimization (PSO) and least square support vector machines (LSSVM) with kernel function prototype is developed. Firstly, the extrema symmetry expansion EEMD, which can effectively restrain the mode mixing and end effects, is used to decompose the energy price into simple modes. Secondly, by using the fine‐to‐coarse reconstruction algorithm, the high‐frequency, low‐frequency and trend components are identified. Furthermore, autoregressive integrated moving average is applicable to predicting the high‐frequency components. LSSVM is suitable for forecasting the low‐frequency and trend components. At the same time, a universal kernel function prototype is introduced for making up the drawbacks of single kernel function, which can adaptively select the optimal kernel function type and model parameters according to the specific data using the PSO algorithm. Finally, the prediction results of all the components are aggregated into the forecasting values of energy price time series. The empirical results show that, compared with the popular prediction methods, the proposed method can significantly improve the prediction accuracy of energy prices, with high accuracy both in the level and directional predictions. Copyright © 2016 John Wiley & Sons, Ltd.