基于市道轮换模型的SHIBOR市场利率

基于固定波动率模型和广义自回归条件异方差(generalized autoregressive conditional heteroskedasticity,GARCH)模型,研究引入马氏市道轮换模型.该模型可以将线性利率期限结构推广到非线性形式,运用到资产定价的变化中,特别是债券收益率的确定中.不同于唯一依赖利率水平的传统模型,马氏市道轮换模型能够模拟货币政策对利率的影响.利用2006-10-08至2013-03-29每周三上海银行间同业拆放利率(Shanghai interbank offered rate,SHIBOR)月度数据,用R语言实现并比较了固定波动率模型、GARCH模型以及混合GARCH马氏市道轮换模型对各参数的估计效果.结果表明,混合GARCH马氏市道轮换模型的拟合效果在各种情形下均占优.     

最小熵鞅测度下的半马氏市道轮换利率模型

讨论零息债券价格演变,基于Ho-Lee模型,应用无套利原理和鞅测度方法,建立离散时间半马氏过程控制的市道轮换下的二叉树期限结构模型.运用最小熵鞅测度处理上述模型,并在马氏和半马氏市道下给出模型在欧式债券期权定价方面的应用.     

基于线性多尺度模型的计算机网络数据流量预测

为了解决网络安全监控问题,提出了一种用于预测网络流量的算法.通过多个不同尺度的线性模型进行网络数据的组合预测,每个尺度的线性模型由经过滤波器滤波后的部分原始数据估计得到,最终的预测流量数据由多个尺度线性模型的平均预测值得到.选择的线性模型为自回归滑动平均模型,且尺度较小的线性模型对应自回归滑动平均模型的阶数较高.结果表明,本算法的预测精度高,整体预测误差的均值在10-3量级.     

用GARCH模型与隐含波动率预测金融波动率

利用港股期权的数据,研究在不同期限内的GARCH模型与隐含波动率的表现,并且用已实现波动率、M-Z回归分析、误差项和损失函数对预测效果进行评估。研究结果表明:短期GARCH模型预测效果较好,长期隐含波动率预测效果较好;由于期权价格能够更加全面的反映市场信息,所以隐含波动率对于波动率的预测效果更好。     

论马氏链分析方法在汇率短期预测中的应用

为提高马氏链分析方法在短期汇率预测中的精确度，本文以日元汇率为例，建立了汇率的回归模型和两种马氏链预测模型。通过比较，证明基于模糊的回归一马氏链分析方法在汇率短期预测方面具有更高的精度。并使用此模型预测了日元汇率的短期波动区间。     

马特拉算法在遥测数据短期预测中的应用

为了提高遥测数据预测的精度和实时性,针对遥测数据的非平稳性和周期性特点,引入小波分析的预测技术,提出了一种对遥测数据序列进行不同频段上的分解方法:遥测数据时间序列依据选定的N阶多贝西小波和分解尺度值2分解为低频分量和高频分量,针对不同分量建立了基于马特拉算法、周期自回归模型和指数平滑法的时间序列短期预测模型,各分量预测结果经小波变换的逆算法重构后输出.仿真实验结果表明该方法满足遥测数据工程预测要求,能够有效地解决遥测数据的短期预测问题.通过对遥测数据短期预测结果的研究分析可提前判断卫星潜在的趋势,为指挥人员的正确决策提供科学依据.     

沪深300股指期现货间价格波动关系与走势预测

针对沪深股市时间序列的预测不稳定问题,分析股指期货与现货市场之间的价格传导关系与波动相关性。运用向量自回归(vector autoregressions,VAR)模型与动态条件相关多元-广义自回归条件异方差(dynamic conditional correlation-generalized autoregressive conditional heteroscedasticity, DCC-GRACH)模型,对期货与现货价格波动联动性进行实证分析,构建长短期记忆(long-term and short-term,LSTM)神经网络算法对沪深300股指现货价格走势进行动态预测,分别选取2016年9月至2019年4月沪深300指数的期货与现货价格作为研究对象。结果表明,股指期货市场与现货市场价格的传导过程,存在领先滞后关系,价格波动之间显著具有时变、持续的动态相关性与长期均衡关系, LSTM算法利用股指期货的价格较为精确地预测现货价格的变化范围与走势,序列参数越长,算法的准确率与预测结果越精准。     

基于自动聚类和自回归模型的时间序列预测

针对股指时间序列,本文提出基于自动聚类和自回归的时间序列预测模型,将自动聚类算法与经典的时间序列模型合并.利用自动聚类算法将论域进行划分,得到相应的划分区间;再利用自回归模型确定预测数据的波动量;最后结合趋势和波动量得到最后的预测值.实验结果表明,提出的模型具有较好预测效果,在预测1992年台湾股指时间序列上,优于同类预测模型.     

异质数据下基于变点检验分段偏正态均值回归的参数估计

带有偏斜的异质数据广泛出现在大气科学、生物医学和经济学等领域.目前关于异质偏斜数据建模的方法还很少被提出,且现存的分段模型不能自动的对数据分段,大大限制了分段模型的应用场景.针对异质偏斜数据,提出了一种基于偏正态均值回归的分段模型,且在模型的参数估计部分改进了EM算法M步中的两点梯度下降算法,用显示解替代了文献[24]的迭代算法.使用MIC信息准则做模型的变点检验,同时估计变点的位置.通过数值模拟表明所提模型和算法的有效性.实例分析表明,所提分段偏正态回归模型的预测精度优于不分段偏正态回归模型下的预测精度,且具有更好的解释性.     

带随机延滞的门限ARCH模型的稳定性

引入了带随机延滞的门限自回归条件异方差模型,讨论了这个模型的极限行为,并给出了该模型以几何速率收敛的充分条件.该模型将固定延滞的衍生的门限自回归条件异方差模型推广为延滞受到一个有限状态马氏链控制的衍生的门限自回归条件异方差模型,能更好的拟合现实世界中的诸多实际问题.同时,推广了自回归条件异方差模型,增强了模型的适应性,能够更好的拟合金融市场中价格行为波动的现象.     

港口吞吐量的马氏链 时序分析预测

通过比较分析时间序列分析（TSA）和马尔科夫链预测方法,研究港口吞吐量科学预测的新方法.组合温州港近20多年的历史吞吐量数据,分别采用TSA和马尔科夫链进行预测.将TSA与马尔科夫链校正模型相结合,进行港口吞吐量预测.结果表明,上述复合模型较之TSA模型平均预测精度提高50%,较之单一的马尔科夫链平均预测精度提高75%.根据吞吐量实际数据的验证结果,建立马氏链-时序分析预测模型.结果表明,该模型能够同时反映吞吐量序列的增长趋势和随机波动性,更符合港口吞吐量的实际变化情况.     

国际黄金价格的小波变换FAR预测模型

针对黄金价格时间序列的非平稳性特征,将小波分析与FAR(函数系数自回归)模型结合,并作预测分析.利用Mallat算法中的Daubechies小波变换和多项式样条估计,对1991年1月～2007年12月的厅平均国际黄金价格,建立了基于小波变换的FAR模型,并对2008年1月～2008年3月的数据进行短期预测.预测误差明显减小.在国际黄金价格的预测中,基于小波变换的FAR模型优于单纯的FAR模型.     

基于混合特征预测药物-靶标相互作用的K近邻模型

针对核受体数据提取药物-靶标之间的混合特征,使用K近邻算法进行预测.对精确率、召回率、F1值等评价指标与其他算法进行了比较,验证模型的预测性能.     

ECT系统轮换对称SVM图像重建改进算法

针对在处理大规模样本集的ECT系统数据时,SVM算法存在的图像重建的成像精度不高及速度慢的问题,采用了轮换对称分块支持向量机CSPSVM算法.算法利用ECT系统模型的轮换对称性,将大样本矩阵按照成像单元某一层按轮换对称性进行简化,并选择性分块,形成多个小样本矩阵;然后分别采用SVM算法进行训练,用得出的决策函数进行样本预测;最后将各成像单元组合成像.图像重建实验结果表明使用CSPSVM改进算法要比单独使用SVM算法重建图像具有更高的分类精度和更短的成像时间.     

改进AR模型在垂直形变模拟与预测中的应用研究

针对垂直形变的模拟和预测应用需要,首先分析了滑动平均(MA)模型、自回归(AR)模型及滑动平均自回归(ARMA)模型及其相互关系,指出了它们之间存在的等价性.在此基础上研究了基于模型等价性的高阶AR模型替代其他模型的方法以及该法在垂直变形模拟分析中的应用,同时针对高阶AR模型在模拟与预测应用中存在的问题,详尽探讨了用多级低阶AR模型(MAR)代替高阶AR模型的方法,使得改进后的AR模型可以满足实时在线垂直形变模拟及预测的需要.最后通过实际观测数据和应用实例验证了改进模型的可行性.     

基于 EMD和GA-BP神经网络的大坝变形预测

提出一种基于经验模态分解（EMD）和遗传BP神经网络的大坝变形预测新算法。该算法首先通过EMD对变形序列进行分解,有效分离出非线性高频波动分量和低频趋势分量;然后应用遗传算法优化BP神经网络的权值和阈值,再对各分量进行建模预测;最后叠加各分量预测值得到预测结果。应用新算法与灰色GM （1,1）、回归模型、普通卡尔滤波和遗传BP神经网络算法进行对比分析。结果表明,该算法具有较强的自身内部环境优化和外部平台构建能力,自适应能力和非线性拟合能力较强,在一定程度上保证较优的局部预测值和较好的全局预测精度,在大坝变形预测中具有一定的实用价值。     

基于EMD-VAR模型的景区客流波动特征与预测研究——以南京夫子庙为例

网络搜索大数据为研究游客量预测提供了新的视角,而多数研究运用的传统计量经济模型难以处理网络搜索与客流时序中包含的大量非线性波动特征,导致预测精度不够理想.引入经验模态分解方法(empirical mode decomposition, EMD)将向量自回归(vector autoregression, VAR)模型改进为EMD-VAR模型. EMD方法分解夫子庙景区长三角日际网络搜索和游客量序列,得到不同频率尺度的分量,基于波动关联的视角将同一尺度的两类序列分量组合建立EMD-VAR模型进行预测.结果表明：(1)网络搜索波动周期比游客量波动周期长.(2)网络搜索与游客量波动的关联紧密度在法定节假日时期最高.(3)EMD-VAR模型比ARMA模型和VAR模型具有更高的预测精度.     

机器学习加速CALYPSO结构预测的可行性

对机器学习替代DFT能量计算方法加速CALYPSO结构预测进行研究,选择5种机器学习方法评估其预测硼团簇总能量时的性能.使用库伦矩阵把原始数据表征为结构信息矩阵,提取矩阵特征值向量作为算法输入输出来训练模型;采用相同数据集评估算法,并探索影响算法性能的其他因素.提出基于势能面特征的相似性判断方法,建立置信度模型对性能最佳算法进行验证,结果表明:核岭回归算法预测出的势能面和DFT具有相似性;当允许误差为1kcal/mol时,算法置信度接近90％.时间测试结果显示,核岭回归算法时间复杂度为O(n),比DFT方法提高1～2个数量级.     

雨雪天气下轨道交通客流预测模型

为了完善雨雪天气下轨道交通客流预测模型,对哈尔滨市地铁1号线2017年12月份至2019年1月份的全线客流数据进行研究,引入客流基准值和客流偏差率的指标来量化轨道交通客流波动情况,研究雨雪天气下轨道交通客流波动规律,提出一种基于雨雪天气下轨道交通客流时空波动规律的短时客流预测模型WI-LSTM,以平均绝对误差（MAE）、均方根误差（RMSE）以及平均相对误差（MRE）作为预测模型的评价指标,与经典的SARIMA预测模型、支持向量回归（SVR）预测模型和未考虑雨雪天气的LSTM预测模型进行了对比。结果表明:考虑雨雪天气的WI-LSTM预测模型可以充分利用雨雪天气轨道交通客流波动规律,相比其他3种预测模型具有更高的准确性和可靠性。WI-LSTM预测模型进一步提升了雨雪天气下轨道交通客流预测精度,可为轨道交通企业运营管理提供数据支撑。     

跳幅度为常数的跳-扩散模型的校正

为了预测欧式期权资产价格,提出了一种跳幅度为常数的跳-扩散模型。利用有限差分方法计算出欧式期权价格;通过搜集市场交易的标准普尔500指数数据得到市场价格,运用非线性最小二乘方法得到符合实际市场的模型参数,绘制跳幅度为常数的跳-扩散模型在不同到期日下的隐含波动率变化曲线图,检验跳参数对隐含波动率图像的影响。实证结果表明,跳幅度为常数的跳-扩散定价模型,能够解释欧式期权市场资产价格收益变化的波动率呈现出的"微笑"特征。校正算法具有稳定性,可应用于欧式期权资产价格预测。