矿业工程项目投资价值实物期权评价方法

根据矿业投资项目的投资特征，分析了矿产品价格和成本的随机特性，建立了矿业工程项目投资新的评价方法，弥补了传统NPV法的缺陷。同时，分析研究了矿业工程投资的不确定性和投资的可延迟性给矿业投资带来的投资机会价值，运用实物期权评价方法，建立了矿业投资机会价值评价模型；并讨论了突发事件对矿业投资价值的影响，建立了相应的分析方法和评价模型，为矿业投资决策提供了新的思路和决策方法。     

四川入境游人数的预报

根据2004年1月至2010年3月四川入境游数据,运用时间序列分析方法建立干预模型,进而以所建立的干预模型对四川入境游人数进行了预测,为四川省将来入境游事业的规划与发展提供理论依据和政策建议.     

矿产品价格行为模式及其波动率的估计

在矿业权估价中预测矿产品价格的变化是相当困难且非常重要 .本文给出了矿产品价格波动的随机过程及其波动率的估计方法     

Lasso-BP组合模型在鲤鱼价格预测中的应用研究

为了对水产品市场中的水产品价格进行预测,本文以北京地区的鲤鱼市场为例,基于Lasso回归和BP神经网络组合模型,对鲤鱼价格和影响因素进行预测研究。通过Lasso回归对影响因素进行筛选,将筛选出的影响因素输入到BP神经网络中进行训练,并将影响因素数据输入训练后的模型中,即可输出预测价格。同时,选取2017年10月1日至2018年6月17日数据作为测试样本,对测试样本进行归一化处理,并采用本文提出的模型进行实验。实验结果表明,Lasso-BP模型预测值与真实值整体平均误差为2.59%,在价格波动趋势方面,预测数据准确率达96.53%,在价格波动幅度方面,预测结果的波动幅度与真实数据基本相同,平均误差为2.51%,说明模型预测精度较高,预测效果良好,该文模型满足实际生产工作需要,证明Lasso-BP模型能够对鲤鱼价格进行准确预测。该研究具有一定的理论意义和实际意义。     

一种自校正预测补偿价格模型的研究

应用商品经济价值规律和经典力学中的惯性理论,提出了自校正预测补偿模型,该模型不仅能合理地反映供需与价格的动态关系,而且为宏观调控部门提供了价格调控方法和理论依据。     

突发事件对境外矿业投资期权价值的影响研究

境外矿业投资项目受到许多不确定因素的影响,这些不确定因素给矿业投资项目带来巨大的投资风险,同时也给矿业投资带来投资机会价值．文中运用实物期权定价理论和方法,分析了矿业投资的期权特性,讨论了各类突发事件对境外矿业投资项目的影响,建立了相应的分析方法和评价模型,为矿业投资项目评价和投资决策提供了新的思路和方法．     

基于深度学习和进化计算的外汇预测与投资组合优化

利用深度学习和进化计算技术来分别实现对外汇价格的预测与投资组合优化.首先,利用循环神经网络建立汇率预测模型,用来预测外汇产品的价格并计算期望收益率.接着建立了一个双目标的投资组合模型,即最大化期望收益率与最小化风险.为了更接近真实的外汇交易市场,该模型中允许买空与卖空,并考虑了点差对收益的影响.基于多个外汇产品的期望收益率与投资组合模型,利用多目标进化算法来搜索出最优的投资组合.在多个外汇产品的真实历史数据上的结果表明,该方法能够实现在外汇交易市场中的盈利.     

基于ARIMAX模型的企业商品价格指数预测

根据2010年1月至2014年12月中国人民银行发布的企业商品价格指数及农产品、矿产品、煤油电的相关数据,利用SAS软件建立了企业商品价格指数的多元时间序列ARIMAX模型,并利用该模型对2015年1月至3月的指数进行了短期预测。预测结果和近期公布的结果比较,误差较小,预测情况比较满意,这表明ARIMAX模型在对企业商品价格指数的拟合与预测上有较好的应用。     

基于ARIMA和SVR的短期电力负荷预测

为提高用电量的预测精确度,将自回归差分移动平均(ARIMA)与支持向量机(SVR)模型相结合来进行预测。以用电数据为研究对象,借助ARIMA模型实现对电力数据的线性趋势预测,通过SVR回归模型对ARIMA模型的预测残差进行数据修正,得到ARIMA＿SVR模型的预测值。实验结果表明,相较于传统ARIMA模型,ARIMA与SVR组合模型的性能和预测精度都得到大幅提升,具有一定的学术价值和应用意义。     

采矿权评估的收益现值法体系研究

采矿权评估的收益法中有很多等确定的参数,文中给出了现金流计算、矿产品价格预测和贴经确定的方法。     

一种线性插补与自适应滑动窗口价格预测模型

因为基于Web数据挖掘的商品价格预测的准确率都不高,所以为了提高价格预测的准确率,提出了一种基于线性插补与自适应滑动窗口的商品价格预测方法,给出了将线性数据插补方法与自适应滑动窗口结合的商品价格预测模型,并将该商品价格预测模型应用于手机与黄金价格的预测。实验结果表明,该预测模型获得了99％以上的预测准确率,提高了网页商品价格数据抽取的抗噪性能,解决了现有销售商只有历史销售价格数据没有基于多个销售商的预测价格问题,可以为商品的市场预测与分析提供依据。     

观测分析中的回归-时序列模型

大坝观测数据经常规回归分析后的残差序列一般并非为白噪声。考虑将回归拟合与随机型时间序列方法结合，先对大坝位移数据按水位、温度、时效等物理因素作回归分析，再对回归残差作时序列建模处理，实例采用Box-Jenkins法和自由相关、偏自相关函数及AIC准则进行模型识别，建立时序列模型，应用示例的计算表明，这样获得的回归-时序列模型能很好拟合实测数据，提高精度，误差序列也符合白噪声要求。     

基于BP神经网络自贡房地产价格走势预测

文章通过分析调查影响自贡房地产市场的主要因素,基于BP神经网络,结合自贡住宅市场的实际情况,建立两类BP神经网络预测模型：基于时间序列的趋势预测模型、基于影响因素的回归预测模型,预测了自贡房地产市场价格走势。模拟预测2010年的结果证明了2011年房价预测的有效性,可为自贡城市建设的可持续发展提供有价值的指导意见。     

基于多元回归分析的河南省居民消费价格指数的数学模型

为了确定河南省居民消费价格指数与商品零售价格指数,农业生产资料指数,工业品出厂价格指数,原材料、燃料及动力购进价格指数,固定资产投资价格指数这5个指标之间的关系,通过收集相关数据,建立河南省居民消费体价格指数的多元回归模型,运用SAS对河南省居民消费价格总指数进行多元回归分析,得出居民消费价格总指数与这5个指标之间存在线性关系.对其进行了理论阐述和实际检验,结果显示该模型模拟精度达到97.862 49%,可用于河南省居民消费价格指数的预测.     

电价与负荷的相关性分析及其在电价预测中的应用

为解决传统电价预测模型需要对周末等电价波动较大预测日单独建模,以及模型不加区分地引入负荷因素影响预测精度的问题,提出了利用电价与负荷的相关系数判定是否将负荷因素引入粒子群-BP神经网络模型的新方法,将相关系数作为输入样本的阈值,判定是否在模型输入样本中引入负荷因素.在电价变化平稳、电价与负荷相关性较弱时,在电价预测模型中不引入负荷因素,解决了粒子群-BP神经网络模型由于非关联输入样本过多而影响学习效率、导致预测精度降低的问题.仿真结果表明,新的预测模型对电价相对平稳和波动较大的预测日预测精度明显提高,可用于电力市场的短期电价预测.     

粗集理论在Web信息提取中的应用

Web作为世界上最大的信息源,为数据挖掘技术提供了大量的原始数据,然而Web数据半结构化的特征使得在数据挖掘过程中必须选择合适的算法;研究Web信息提取的过程,并利用粗集方法实现对于来自Web的大批量农产品价格数据的挖掘过程。     

Semir·Balabala买手数据评价模块的设计

利用买手职能收集森马·巴拉巴拉新品开发的信息和咨询,应用VC＋＋技术设计开发买手数据评价模块．根据巴拉巴拉新品研发的各项指标所占比重进行信息整合,制定买手数据评价模块中的各项评价指标参数,包括款式风格、颜色、面料、价格等．从而快速确定新品的主题风格,制定整盘货品结构,对该公司的产品研发和快速反应具有实用价值和指导意义．     

基于混合量子?经典神经网络模型的股价预测

股票预测本质上是数据挖掘的问题,大盘走势是一个很好的股票买卖时机抉择信号。在量化分析中,常用深度学习技术对大盘历史数据进行拟合与特征提取,为股票投资提供决策参考。该文首先训练了一个经典深度神经网络对沪深300的日K量价数据进行监督学习,实现了一个输出“涨跌”概率的二分类预测器,并以此制定策略进行模拟交易,利用测试集数据计算累积收益率,从而评估投资策略的优劣。此外,还构造了一种混合量子?经典神经网络模型,充分利用量子计算的线路模型特点,构造参数化变分量子线路,实现了量子前馈神经网络。在量子线路学习框架中,将股票的特征因子编码到量子态的振幅上,通过训练量子神经网络 U 的参数 θ ,迭代得到一个最优的分类器。量子算法的运行时间比经典算法少了7.7%,预测准确率更高,回报率高出3%,因此证明了量子算法的表达力强、鲁棒性高的特点。     

电力期货价格的协整建模与预测

在电力市场环境下,电力期货价格受现货价格、利率和负荷需求等多种因素影响,变化趋势复杂,很难将所有的因素都加以考虑来建立一个准确的模型对其进行全面描述．因此,选取最重要的影响因素：电力现货价格,利用协整理论来研究电力期货价格和现货价格之间的动态关系,并建立向量误差修正模型（VECM）,对电力期货价格进行有效的预测．