国内专利申请受理情况时间序列的GARCH模型及预测

建立了国内专利申请受理情况时间序列的多种自回归模型、多种条件异方差模型．比较各个模型检验参数及预测精度,确定国内专利申请受理情况时间序列的GARCH（1,1）模型为优化模型,预测2008年国内专利申请受理情况时间序列将继续保持上升趋势,受理量预测值为723913件,预测相对误差不大于1．1％．     

时间序列方差模型样条估计的一致收敛速度

对于一类时间序列非参数方差模型,在强混合相依条件下,证明了非参数方差函数的多项式样条估计的一致相合性,得到了收敛速度.     

基于小波消噪的改进的非参数解集模型

首先对文献[2]提出的非参数解集模型进行了改进，然后建议了用小波技术对水文序列进行消噪处理再估计非参数解集模型中的带宽系数的策略。改进的非参数解集模型无需对水文序列相依结构（线性或非线性）和概率分布形式（正态分布、P-Ⅲ型分布）作假定，且能保持水文序列的各种统计特性，适用于时间量和空间量的随机解集。最后以金沙江流域某站月径流随机模拟为例进行验证，研究表明：改进模型能反映实测月径流系列的变化特性，因而用于水文随机模拟是可行的。     

基于小波分析与贝叶斯估计的组合统计建模

小波分解方法可以实现时间序列的分解。利用小波分析分解出趋势项序列与周期项序列,分别对 两部分序列建立ＡＲＭＡ模型进行预测,并重构序列。为了降低估计效率的代价,本文引入ＭＣＭＣ方法对 趋势项和周期项序列建立的ＡＲＭＡ模型参数进行估计,得出自回归系数与剩余项（趋势项序列减去自回 归项的预测值）,并利用ＯＬＳ方法对剩余项重新估计,最后重组序列。利用样本外数据进行预测分析,我 国铁路货运量数据的实证分析结果表明,小波分析的引入可提高预测效果,基于小波分析与ＭＣＭＣ ＯＬＳ 估计组合方法与其他方法相比,预测效果更好。     

TGARCH模型预测高炉铁水硅质量分数

为了更好地反映高炉铁水硅质量分数序列的高波动特性,利用门限广义自回归条件异方差（TGARCH）模型对硅质量分数序列进行预测.应用Portmantea Q检验、拉格朗日乘子检验以及非对称项系数显著性检验,验证了高炉铁水硅质量分数序列存在异方差性和非对称性.在此基础上将TGARCH模型应用于高炉铁水硅质量分数预测,采用极大似然估计法确定参数,建立TGARCH(1,1,1)预测模型,并采用命中率和误差率2种评价准则对预测结果进行分析.这种方法克服了以往模型没有考虑序列非对称性影响的缺陷,更加适合于高炉铁水硅质量分数的预测.将预测模型应用于包钢6号高炉,取得了较好的预测效果.     

GPS载波相位双差观测量随机模型估计的新方法

GPS载波相位观测量具有时间相关性、空间相关性和方差差异性,随机模型的准确确定比较困难,一般采用简化的随机模型.用MINQUE方法估计GPS观测量随机模型的方法比较严密,但计算工作量非常大.本文提出了一种适用于GPS载波相位双差观测量的随机模型估计的新方法,即在平差前将载波相位双差观测序列转化为平稳随机序列,应用平稳随机过程的方差及相关系数的估计方法,估计GPS载波相位双差观测量序列的方差及其相关系数.实算证明应用4～8min的观测数据可使GPS短基线同定解的精度提高10mm左右.     

方差分量模型中线性估计的最优性及可容许性

将随机效应线性模型和方差分量模型合并为一种模型，即具有随机回归系数的方差分量模型，给出了随机回归系数和参数的线性可估函数的最优线性无偏估计以及在矩阵损失函数下的可容许性，在正态假设下，讨论了线性估计在一切估计类中的可容许性。     

纵向数据线性混合效应模型方差分量的Bayes估计

为了估计基于纵向数据的线性混合效应模型的2个方差分量,利用Bayes统计方法,在加权二次损失下得到模型中方差分量的Bayes估计.同时通过历史样本构造出方差分量的共轭先验即逆伽玛分布的部分超参数以及固定效应的估计量,最终得出方差分量的参数型经验Bayes(PEB)估计.     

沉降预测的多层递阶时间序列模型研究

为了研究沉降模型中参数的时变特性，提出了多层递阶时间序列模型，该模型将沉降预测分为预测模型参数的预测和在此基础上的沉降预测两部分.采用参数递推公式计算沉降时间序列模型的参数序列，并根据计算出的参数序列构建其时间序列预测模型.依此类推，可建立多层参数的预测公式，直至认为参数不随时间变化为止，然后根据参数预测结果来预测后期沉降.实例分析和计算表明，多层递阶时间序列模型能较好地反映参数的时变特性，取得较精确的沉降预测结果.     

基于变分模态分解和灰狼优化极限学习机的隧道口边坡位移预测

针对高铁隧道口边坡位移监测数据非平稳、非线性的特点,以及极限学习机（ELM）模型起始参数随机生成导致预测性能不佳等问题,建立了基于变分模态分解（VMD）和灰狼优化算法（GWO）的ELM位移预测模型VMD-GWO-ELM。首先,通过经验模态分解的自适应分解层数确定VMD的最佳分解数k,得到周期项、趋势项和波动项位移。然后,利用灰狼算法优化ELM的输入权值和隐含神经元阈值。最后,对各子序列进行预测和叠加。实例验证结果表明：本文模型的均方根误差为0.3822 mm,平均绝对百分比误差为1.0047%,拟合优度为0.9837,表明该模型具有更高的预测精度及适用性。     

基于ARIMA模型的时间序列建模算法和实证分析

通过对时间序列ARIMA模型建模方法的研究,将方差分析运用于时间序列建模,对季节数据做方差检验并确定周期。基于统计软件SAS分析ARIMA模型建模方法的具体算法,绘制详细的建模流程图。从模型的识别、参数估计、建模和预测等各方面介绍了模型建立和预测的全过程。利用SAS软件,结合引入的方差检验方法和算法流程对1990年1月至2010年12月的中国消费者价格指数季节性时间序列建立了乘积ARIMA模型,预测并分析了CPI的基本走势。     

基于非平稳随机场的水泥土堤坝边坡可靠度分析

采用水泥固化疏浚淤泥作为堤坝填料往往会使堤坝土体参数具有较高的变异性;同时,在水泥土堤坝填筑过程中,通常设置水平排水板加速土体排水固结,这使得主固结完成后水泥土强度随排水板位置呈现一定空间变化趋势,通常的平稳或准平稳随机场模型很难表征这一趋势。为此,提出一种不排水抗剪强度垂直排水板方向衰减的非平稳随机场模型,并以水泥土堤坝边坡为例,结合强度折减法和蒙特卡洛模拟,对比提出的非平稳随机场模型和传统平稳随机场模型、深度趋势非平稳随机场模型对边坡安全系数和滑动面分布的影响,讨论模型中趋势参数对可靠度的影响。结果表明：平稳随机场模型及深度趋势非平稳随机场模型的计算结果偏于危险,提出的非平稳随机场模型既能考虑土体不排水抗剪强度沿深度方向的趋势项与随机波动项,又能考虑其沿垂直排水板方向的衰减趋势,与现有研究符合较好。     

不同精神状态下EEG序列复杂性研究

构造了与脑电的源熵相同的(0,1)分布随机序列,以及用白噪激励依据脑电构造出的AR模型而得到的AR序列来作为伪脑电信号。通过比较这三种序列的复杂度,证明了脑电远非随机信号,而是存在某种模式,这种模式可以由AR模型部分表示出来。在此基础上,对三种精神状态下的脑电序列的复杂度进行了双因素方差分析,结果表明复杂度可以显著地区分这三种状态。     

基于神经网络的石油价格预测

当前石油价格研究在石油价格数据选择、数据预处理和预测方法选择上存在数据时段选择不当、直接套用原始数据代入模型以及价格预测模型和训练数据类型不相匹配等问题,需要予以解决。在采用同期通货膨胀率指数调整、滑动平均周期项以及随机项滤波等方法对石油价格时间序列数据进行预处理的基础上,利用神经网络方法,以纽约商品交易所(NYMEX)为例对轻质原油期货即期价格时间序列数据建立预测模型。最后用油价波动趋势进行拟合分析,将预处理后的石油价格时间序列数据输入到神经网络预测模型,模型的预测结果和直接套用原始数据得到的预测结果相比较,其平均偏差率显著降低。     

降雨输入对青龙河流域HSPF模型模拟结果的影响

为评价降雨输入对青龙河流域BASINs/HSPF模型模拟结果的影响,改善HSPF模型模拟精度,应用趋势成分建模、周期成分建模、相依随机建模和独立随机建模（白噪声）等随机建模程序和蒙特卡洛计算机模拟方法,获得200组降雨随机模拟序列,分别作为青龙河流域BASINs/HSPF模型的输入,以Nash-Sutcliffe效率系数（E_NS）作为模型模拟效果的评价标准,获得如下结论:采用趋势成分、周期成分与ARMA建模以及正态随机模拟获得降雨随机模拟序列是量化降雨输入随机性的可行方法;在模型参数优化的条件下,降雨随机模拟序列HSPF模拟E_NS值的变化区间为[71.09%,74.96%],波动幅度达3.87%,表明降雨输入随机性对于HSPF模拟结果具有显著影响;当考虑每年的日降雨量极大值时,E_NS值变化区间为[75.35%,78.81%],波动幅度达3.46%,且结果均优于没有考虑降雨极大值点的降雨随机模拟序列,表明降雨时间序列的极大值点对于HSPF模拟效果具有显著影响;随着降雨时间序列中所考虑极大值点数量的逐渐增多,HSPF模拟效果出现下降趋势,表明HSPF模拟应特别关注若干最大极值点的影响;降雨输入的不确定性是HSPF模型模拟结果不确定性的重要来源,改善HSPF模拟效果需要考虑降雨时间序列随机性和极值点因素的影响.本研究可为量化降雨输入对HSPF模型模拟的影响以及HSPF模拟的降雨情景优选提供借鉴.     

等维灰数递补MGM(1,n)模型在商品住宅价格趋势预测中的应用

主要探讨了在商品住宅价格趋势预测中更为适用、精确的一种方法--等维灰数递补MGM(1,n)模型即基于多变量灰色模型的等维灰数递补动态模型.针对该模型选取XX市历年商品住宅均价及相关指标数据作为样本,对其进行了严格的验证,等维灰数递补动态模型的引入使得多变量灰色模型的预测精度得到了不断的提高,该方法在经济预测中具有很好的实用价值.     

基于相空间重构的LS-SVM股票价格预测

提出一种基于相空间重构的最小二乘支持向量机（LS-SVM）的股票价格预测方法。采用混沌时间序列对股票价格数据进行相空间重构,应用贝叶斯框架对最小二乘支持向量机的参数选优。预测结果表明,该模型具有误差小、拟合程度高等优点,可适用于股票价格预测。     

河流水质预测的灰色神经网络联合模型

针对灰色预测对波动较强的序列只能预测大致变化的缺陷,运用响应成分模型将水质浓度分解为具有确定性的趋势项和具有不确定性的随机项,建立灰色神经网络联合模型对水质的趋势项和随机项进行预测。将该模型应用于淮河河流水质预测,结果表明,该模型拟合误差小,预测精度高。     

基于板块效应的深度学习股价走势预测方法

股票价格预测作为金融预测领域中一项重要的研究方向,准确预测股票价格的涨跌可以帮助投资者盈利或及时止损. 经研究发现,某些因素(如政策、社会突发事件等)会对同板块下的多只股票价格产生影响,导致同板块的多只股票在某个时间段内出现相似的走势,即板块效应. 因此,同板块下多只股票的价格走势对于股票预测具有参考作用. 针对这一现象,提出了一种基于板块效应的深度学习股价走势预测方法. 首先,使用皮尔森(Pearson)相关系数和XGBoost算法对同板块下多只股票的收盘价进行分析,以筛选出与预测股票相关性高的多只股票,并使用自编码器对这些股票的收盘价进行降维,以提取股票的价格走势; 其次,构建了一个基于卷积神经网络(convolutional neural networks,CNN)与长短期记忆(long short-term memory,LSTM)网络的混合深度学习预测模型,使用一维卷积神经网络提取输入数据的特征,使用LSTM网络对股票价格进行预测. 该模型使用银行、医药、酒业、娱乐传媒4个板块的股票作为实验数据集. 为了提高模型的预测效果,通过随机搜索对LSTM网络的神经元个数进行简单的分析,以选择较优的神经元个数. 最后,通过实验分析,基于同板块数据集的深度学习预测模型具有良好的预测效果.     

沪深300股指期货与指数现货引导关系研究

通过采用平稳性检验(ADF)、误差修正模型(ECM)、脉冲响应函数分析和方差分解等金融计量学方法,对中国金融期货交易所上市交易的沪深300股指期货和A股指数之间的引导关系进行了实证研究.结果表明:沪深300股指期货与A股指数之间存在长期协整关系;从短期来看,股指期货市场对A股指数市场具有正向引导关系,并且这种引导作用有不断增强的趋势;期货价格对现货价格的发现处于主导地位,指数现货对指数期货引导作用较弱.