基于小波分析的LS-SVM—ARIMA组合模型的黄金价格预测

黄金作为一种特殊的金融商品,其价格受国际原油、美元汇率、通货膨胀等多种因素的影响,波动性强。使用单一模型进行黄金价格预测通常效果不佳,只有充分考虑价格变化的各个方面才能更加准确地预测黄金价格。应用小波分析将黄金价格分解为4个不同变化趋势,应用LS-SVM与ARIMA模型对不同变化趋势进行建模预测,并重构黄金价格组合预测的结果。实证结果表明,该组合模型预测精度比单一模型预测精度高。     

基于BP神经网络的黄金价格非线性组合预测模型

对黄金价格进行预测时,单一模型往往难以全面反映黄金价格的变化规律.为了更有效地利用各模型的优点,将不同的预测模型进行组合可以产生更好的预测效果.利用BP神经网络对单一模型进行非线性组合,建立了黄金价格的非线性组合预测模型.实证研究结果表明,非线性组合模型的预测精度高于被组合的单一模型和不具有协整关系的线性组合模型.     

基于BP神经网络的黄金价格非线性预测

针对黄金价格的非线性特征和神经网络的自身特点,利用BP神经网络建立了黄金价格的非线性预测模型。实证研究结果表明,BP神经网络模型具有较好的预测精度,可以为黄金投资和宏观经济决策提供一定的参考依据。     

基于RBF神经网络的黄金价格非线性预测

在对黄金市场进行分析时,通常根据黄金价格数据自身特点选取合适的模型进行建模预测,但因黄金价格数据本身的非线性特征比较明显,模型的选取往往较为困难,预测精度不高。利用神经网络的特性,建立了RBF神经网络,有效地解决了模型选择不当的难题。实证表明,RBF神经网络建立的非线性模型预测精度较高。     

干预分析模型对现货黄金价格的解释与预测

观察过去10年现货黄金价格发现,从2002年到2007年初,黄金价格一直增长缓慢,而2007年之后则开始大幅攀升,到2011年底又开始逐步回落。在这期间发生了4次重大经济事件（金融危机、QE1、QE2以及欧债危机）,对世界经济都产生了深刻影响,并影响到黄金价格走势。将这4次重大经济事件作为干预变量,对2002—2012年的现货黄金价格建立干预分析模型。经比较分析,不管是拟合过去还是预测未来的黄金价格,干预分析模型都比经典的纯ARIMA模型更准确。     

基于相关系数变权重组合模型的黄金价格预测

对黄金价格建立模型进行预测时,单一模型的预测精度往往难以达到理想效果。为充分利用单一模型的优势建立组合模型进行黄金价格的预测,利用相关系数法对组合模型的权值进行改进,使其权重不断改变,更好地反映各时间点上的信息组合变化,达到理想的组合预测效果。     

经济政策不确定性、投资者情绪与黄金价格波动

黄金在维持金融稳定和趋避风险中发挥着重要作用。以2011—2021年数据为样本,使用GARCH-MIDAS模型探究经济政策不确定性和投资者情绪对黄金价格波动的影响。研究结果表明：（1）黄金价格波动具有自相关性,长期影响为正;（2）黄金价格在短期内会受到经济政策不确定性和投资者情绪变化的影响,正向冲击能够增大黄金价格的短期波动,就长期来看,黄金价格会受到经济政策不确定性的负向影响,但投资者情绪的长期影响不显著;（3）经济政策高不确定性会引起国内投资者的关注,并反映在黄金价格波动中。研究结果为讨论黄金价格波动提供了新视角,也为实现风险控制或金融稳定提供了参考。     

基于灰色时序组合模型的基坑监测预测

基坑监测是确保矿山基坑工程安全实施的必要手段,不同模型所监测到的基坑沉降值存在一定的差异,因而如何选择一种有效的组合模型是准确预测未来某一时刻基坑沉降面临的主要问题。本研究将时间序列预测模型与灰色模型相结合（即灰色时序组合预测模型）应用于某深基坑（基坑深5.7~13.7 m）沉降监测数据分析,预测结果准确可靠。同时,与单一模型（如ARIMA和GM（1,1））的预测结果相比,灰色时序组合模型的预测精度更高,所获得的预测结果与实测值最接近,是一种非常有效的基坑预测方法。     

运用ARIMA模型预测烧结矿成分

利用目前广泛应用的自回归积分移动平均法（Auto Regressive Integrated Moving Average）建立ARIMA（p,d,q）模型,用以预测烧结矿化学成分。由于其建模过程复杂,特别是模型结构阶次识别与检验繁琐,故使用专业软件EVIEWS5．0完成建模过程,构建了TFe,FeO,Ro的ARIMA模型。通过严格检验,模型拟合度高,拟合效果特别显著,残差为白噪声序列。用模型超前12步（24小时）预测烧结矿成分,其预报结果完全适合生产要求,实际应用取得了明显效果。     

国际黄金价格具有外生变量的GARCH预测模型

基于国际黄金价格的异方差性,首先建立了国际黄金价格的广义自回归条件异方差预测模型,并在该模型中引入国际石油价格和美元指数作为外生变量,以弥补传统时间序列模型忽略外界影响因素的缺陷.采用该模型对1986年1月至2009年11月的月平均国际黄金价格进行拟合,并对2009年12月至2010年4月的月平均国际黄金价格进行了实证...     

基于HP滤波—AR模型—GARCH族模型对黄金价格预测研究

黄金作为一种特殊的贵金属,不仅其本身具有货币和商品的双重功能,而且对经济领域有着重要影响,因此预测黄金价格趋势对社会经济发展具有重要意义。文中提出了一种新的预测方法:首先采用HP滤波将时间序列分解为趋势要素序列和周期波动序列;然后针对不同序列的性质,对趋势要素序列采用自回归模型(AR)拟合预测,对周期波动序列采用ARMA-GARCH族模型拟合预测;最后将两个预测序列相加与原序列比较;预测结果在模型精度和范围上均令人满意。     

新马尔科夫模型的黄金价格短期预测

对黄金价格建立了ARMA-马尔科夫预测模型,该模型将数据统计特征与灰色理论密切结合。ARMA部分用来揭示预测序列的线性变化趋势,而马尔科夫状态转移概率矩阵用来确定状态转移的规律。实证研究表明,该模型预测精度优于ARMA模型以及灰色马尔科夫模型的预测精度。     

基于混合RBF网络模型的汽车保有量组合预测

建立了汽车保有量预测的ARIMA和Logistic曲线拟合模型．并以ARIMA模型和Logistic模型为前期预测模型,引入混合RBF网络模型,构建了非线性组合预测模型．该混合RBF网络模型由RBF网络和线性回归项构成,以前期模型预测值作为RBF网络的输入,以最终预测值为RBF网络的输出,本质上是对线性残差进行RBF网络拟合．结合苏州市2000-2009年汽车保有量数据,利用本方法预测该市特征年汽车规模,结论表明本方法误差最小．     

世界黄金价格影响因素模型研究

黄金是电子、通讯、航天等行业的必需品,同时也是储存货币的一种重要手段和重要的投资工具,对黄金价格的研究一直是个热门的话题．影响黄金价格主要因素有世界黄金资源供需状况、美元指数、石油价格以及世界政治经济形势等．文中分析了世界黄金市场的供需状况,并利用Eviews5．O软件建立了黄金价格影响因素模型,得出世界黄金产量、石油价格与黄金价格呈正相关的关系,而美元指数与黄金价格呈负相关的结论．     

基于商空间的黄金价格SVM模型预测

结合商空间理论和支持向量机方法,根据黄金价格的价格因子对我国黄金价格进行预测。采用Person相关系数法,对现阶段黄金价格的9个价格因子与黄金价格的相关性进行比较,筛选出相关系数较大的5个价格因子,并通过Granger因果检验,得出可能导致黄金价格变化的2个价格因子;将Person相关系数法和Granger因果检验选出的7个因子作为黄金价格预测的主要价格因子,结合商空间理论,按照时间属性,将黄金价格论域划分为年、季、月3个粒度,建立3层商空间,并进行粒度的合成和计算。然后建立基于商空间理论的支持向量机预测模型,预测得出年、季、月粒度的黄金价格预测值分别为8122.4,7947.506和8089.5元/金衡盎司,合成结果为8053.1元/金衡盎司。将预测结果与GM(1,1)预测值和实际黄金价格进行对比,证明该模型的预测结果在误差允许范围内,优于传统的价格预测方法。