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。     

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。     

融合线性、非线性模型的黄金价格预测模型研究

单一的线性模型或单一的非线性模型都难以全面反映黄金价格波动性的全部信息,根据单整自回归移动平均（ARIMA）模型和神经网络（NN）模型的各自特点,以上海黄金交易所黄金现货市场的交易品种Au99.99为研究对象,建立了ARIMA模型融合神经网络的黄金价格时间序列预测模型。实证结果表明,融合模型ARIMA-NN的预测准确性明显比单一模型的准确性高。     

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。     

基于改进小波-TCN的高炉铁水钒含量预测系统

铁水钒含量作为冶炼钒钛磁铁矿高炉的重要经济指标,对其进行准确预测将对高炉后续提钒增效具有重要生产意义。利用小波-TCN组合时序模型对具有非线性、波动大等特点的高炉铁水钒含量进行预测。首先利用小波变换将原时间序列数据分解成多个噪声段和单个趋势段,然后选用TCN模型对小波变换后的噪声段和趋势段分别进行预测,最后将结果重构得到最终的预测结果。对于选取小波变换层数较复杂的问题,利用赫斯特系数能够表征数据可预测性的特点,提出小波变换后的平均赫斯特系数()用于降低模型建立过程中小波变换层数选取的复杂度,从而改进小波-TCN组合时序模型。结果表明,改进后的预测模型对单一变量预测高效且准确,相对非改进模型运算时间减少150%左右。对于赫斯特系数大于0.5的预测数据,利用改进小波-TCN组合时序模型对铁水钒含量进行预测,预测结果数据的R²达到0.967,均优于LSTM、LSTM with Attention和TCN单一预测模型的预测效果;对铁水硅、硫含量和铁水温度数据进行单变量预测,其R²分别为0.953、0.942和0.933。该预测模型可高效准确地对高炉铁...     

基于WA SVM模型的高炉铁水含硅量预测

基于小波在处理非线性、非平稳随机信号和支持向量机在解决非线性、高维数、小样本等问题的优点,提出了一种二者组合的预测模型。先用小波变换将铁水含硅量的时间序列分解成不同的高频和低频层次,对不同层次构建支持向量机模型进行预测,然后通过序列重构得到原始时间序列的预测结果。利用山东莱钢1号高炉在线采集的数据作为应用案例,WA SVM组合模型与工程常用的AR模型和单一的最小二乘支持向量机模型的预测结果比较,预测精度有明显提高。     

组合模型在农业用水量预测中的应用

在分析灰色模型与人工神经网络模型特点的基础上提出了灰色神经网络组合预测模型,并以最小二乘法确定了2个单一模型权重系数的分配.结果显示,灰色神经网络组合预测模型的最大、最小及平均误差均明显优于2个单一模型,有效提高了预测的精度.     

基于振荡序列的黄金价格动态建模及预测

对黄金价格预测时常采用大样本数据建模方法,该方法首先对数据进行统计分析,找到数据内在统计特征,再寻求符合该特征的模型;但该方法在数据统计分析时受到统计手段和方法的约束,数据本身的内在特征往往不能充分反映,因此模型的选择受到限制。针对黄金价格数据不具有趋势性变化的特征,利用灰色GM(1,1)系统建模理论、数据驱动建模原理及振荡序列的数据处理方法,建立了基于振荡序列的黄金价格动态预测模型。该模型不仅对黄金价格数据自身存在的振荡性进行了处理,避免了数据大波动,同时利用动态数据驱动方法不断更新数据,提高了预测精度。     

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．     

黄金价格的小波分解与单支重构求和预测

针对差分法会造成时间序列信息损失的缺陷,首先对2000年1月至2013年4月黄金价格(月度)序列进行了小波分解和单支重构,其次对重构的近似分量和细节分量分别建立非参数自回归模型和AR模型,最后对每个分支进行了14步外推预测,将这些预测值求和得到了原始黄金价格序列自2013年5月至2014年6月的预测值。预测结果表明:2013年5—12月,黄金价格稳中有降,但降幅较小;进入2014年后,黄金价格则稳中上升,但上升幅度较小。     

基于灰色预测方法的中国黄金期货价格预测模型

由于黄金具有多重属性,而导致其价格的形成机制非常复杂。灰色预测法是一种通过原始数据的处理和灰色模型的建立,发现和掌握系统发展规律,对系统的未来状态作出科学的定量预测方法。根据中国黄金期货价格形成的灰因白果特点,在预测模型建立过程中,为了削弱期货价格的随机性,对数据采用了累加处理,运用灰色预测方法尝试建立了由有限数据构成样本量的中国黄金期货价格预测模型。从检验数据来看,模型拟合度较好,建立的模型能够较好地描述样本数据在连续时点上的变动情况,具有较好的预测效果,对中国黄金期货价格的短期变动趋势预测具有一定的指导和借鉴意义。     

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。     

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。