前移回归新方法的实际运用与改进

前移回归分析方法克服了以往时间序列预测只是自身拓展而不考虑多项因素(变量)的不足,也弥补了回归分析预测法必须已知同时期各个自变量值才能预测的缺陷。近两年应用前移回归分析方法对湖北、云南、福建等省多项经济指标进行的预测,效果令人满意。本文分析了此方法在上述省份应用的效果,进行了新的预测,并提出了改进方向。     

基于贝叶斯网络的上市公司财务困境预测研究

公司财务困境预测一直是国内外公司管理领域重要的研究问题。文章通过分析国内外以往公司财务困境预测研究成果与经验的基础上,选取研究样本,基于相关分析方法筛选出预测指标变量。将预测变量离散化进而学习网络参数,构建了用以预测公司财务困境状况的朴素贝叶斯网络分析模型。实证研究结果表明：作为分类和预测工具,贝叶斯网络模型在财务困境预测研究中具有良好的预测能力与应用前景。     

时间序列神经网络预测模型

本文讨论神经网络用于非线性动态系统建模与预测的问题和方法，主要考虑了如下几个问题：（１）相关变量的选择；（２）观测数据的可预测性与模型的有效性检验；（３）运用改进遗传算法学习神经网络连接权值。本文预测建模方法已用于一个决策支持系统中，并取得了较好的效果     

几种组合预测方法对股票市场的预测效果研究

为了研究几种组合预测方法的预测效果,文章首先利用GM(1,1)、BP神经网络、支持向量机(SVM)三种单一预测方法对2008年的上证工业股指数、上证商业股指数、上证地产股指数、上证公共事业股指数作了预测,然后分别利用最优权重线性组合预测模型、基于SVM和基于BP神经网络的非线性组合预测模型对上述股指作了预测.通过对各种预测方法的预测效果进行对比分析,发现:在进行组合预测时,选择其中预测效果最好的一种方法作为二次组合预测的模型可以大大提高组合预测的效果.     

企业财务状况预测的神经网络模型

在竞争激烈的市场经济舞台,总有一些企业因失误而陷入危机,但任何危机都有一个逐步显现、不断恶化的过程,也最终都会通过财务指标数据反映出来。管理人员希望能从企业的财务预测中预先了解企业所面临财务危机的原因,发现企业财务运营体系隐藏的问题,以提早做好防范措施并提出相应的排警对策的财务分析系统。本文拟用现金流量表数据建立神经网络模型来预测企业财务状况。     

递归预测器神经网络在中国金融市场的实证研究

金融时间序列预测是金融理论领域的研究热点之一。以金融市场中普遍存在的弱混沌为基础,对递归预测器神经网络在中国金融市场的预测应用进行实证研究。在网络训练上,提出用遗传算法优化网络的阈值、权值以及激发函数的幅值和斜率。对国内股票、期货和黄金市场中几个有代表性的品种进行实证检验,计算了预测均方根误差（RMSE）和预测精度（PA）,并和两种典型的神经网络预测模型——BP神经网络、径向基函数神经网络做了比较,结果表明该模型有较好的预测效果。     

改进粒子群算法优化灰色神经网络预测模型及其应用

文章针对神经网络存在局部最优、收敛速度慢以及大样本等缺点,将改进的粒子群算法、灰色模型和神经网络模型有机结合,构建了改进粒子群优化灰色神经网络预测模型(IPSO-GMNN).并与其他预测模型进行比较,实证结果表明:IPSO-GMNN预测模型能够克服神经网络预测模型的不足,更好地识别时间序列的非线性和突变性特征.在对我国专利授权数量的预测应用中,新模型对非线性时间数据预测表现出更好的预测精度和稳定性.     

双回归（AR—R）预测模型之新探——及其在中国人口中短期预测上的应用

构造一种称为双回归的时间序列预测新方法。本文作者利用与因变量自身相关性紧密的因变量前几期取值,综合前一次的自变量构建了双回归(时间序列自回归-多元线性回归)预测组合模型。这种方法克服了以往时间序列预测只是自身拓展而不考虑多项因素(变量)的不足,也弥补了回归分析预测法必须已知同时期各个自变量值才能预测的缺陷。并用这种新方法对中国的人口总量进行预测,预测效果比较理想。     

非线性经济预测中的神经网络模型与应用

文章讨论了神经网络用于非线性经济系统建模与预测的问题和方法.主要探讨了如下几个问题:(1)相关变量的选择;(2)运用改进遗传算法学习神经网络连接权值;(3)模型阶数确定准则;(4)观测数据的可预测性与模型的有效性检验;(5)缺损值的处理.     

基于遗传神经网络的企业人力资源结构预测

以企业人力资源结构为研究对象,将企业人员分为管理人员、科技人员和普通员工,根据这三类人员的影响因素,利用遗传算法的全局寻优能力,构造了预测人力资源结构的遗传神经网络模型(GANN),并以ZC集团公司为实例,对其人力资源结构进行了预测。结果表明,该文建立的遗传神经网络模型对描述管理人员、科技人员分别占总职工比重与其影响因素的非线性关系方面具有较高的精度和应用价值。     

基于小波神经网络的经济预测研究

本文通过小波变换和神经网络的结合,建立了相应的小波神经网络经济预测模型.该模型克服了传统时间序列预测模型只能进行线性预测,避免了一些BP神经网络的固有缺陷.     

改进粒子群优化算法及其在CVaR模型中的应用

文章基于CVaR模型进行投资组合优化,并利用粒子群算法对其进行求解.在具体应用过程中,为克服粒子群算法易陷入局部极值的缺陷,对算法进行了改进,并与标准粒子群算法(PSO)和遗传算法(GA)进行了比较,结果表明,改进后的算法应用于CVaR模型是行之有效的,且优于标准粒子群算法和遗传算法.     

AGA参数优选的SVR模型及其在经济系统预测中的应用

支持向量机已经被成功应用于解决非线性回归和时间级数等问题。文章运用自适应遗传算法对支持向量回归进行最优参数设置,得到一种新的预测模型——AGASVR模型,并且将该模型应用于经济系统的和预测。实验结果表明,提出的模型相对神经网络模型、小波神经网络模型和灰色系统模型而言,运算精度高,是一种有效的经济系统预测方法。     

基于遗传算法优化的LS-SVM模型的应用研究

文章介绍了最小二乘支持向量机及遗传算法的原理,利用遗传算法优化参数后的最小二乘支持向量机建立四川省天然气消费量的时间序列预测模型.并利用两个性能指标将其与BP神经网络模型进行了对比,结果表明,在样本有限保证一定精度的情况下,遗传算法优化参数后的最小二乘支持向量机模型的范化能力较强,能够利用该模型对四川省天然气消费量进行预测,并在最后利用该模型预测2007～2009年四川省天然气消费量.     

我国上市公司财务困境预测新探

本文采用主成分分析方法确定模型变量,建立多元判别分析(MDA)、Logistic回归和改进型BP神经网络模型进行财务困境预测。结果表明,神经网络模型的预测准确率明显优于多元判别分析和Logistic回归模型,而后两者的判别效果接近,神经网络模型更适合于财务困境预测。但三种模型的长期预警能力不够理想,提出建立以定量模型为主、定性分析为辅的上市公司财务困境预测新方法。     

基于差值灰色RBF网络模型股票指数预测

针对RBF神经网络的预测精度受样本数据随机性影响较大,而灰色理论能弱化数据随机性的特点,文章提出了差值结合法将灰色GM(1,1)模型和RBF神经网络模型有效地结合起来,构建了差值灰色RBF网络预测模型。将该预测模型运用于股票指数预测,实证结果表明:该模型预测精度高,平均预测误差为0.52%,与BP神经网络和RBF神经网络相比具有更好的泛化能力和更高的预测精度,在股票预测中具有一定的使用价值。     

基于粗糙集理论与支持向量回归的预测模型

文章将粗糙集与支持向量回归有机结合起来,建立了一种基于粗糙集数据预处理的支持向量回归模型,有效地克服了支持向量回归对样本属性重要性不加区分以及处理大量数据时运算速度慢等缺陷,并将该模型成功地应用到我国粮食产量的预测中,取得了较好的预测效果。     

基于组合决策树的急诊等待时间预测

文章选择华西医院急诊科为研究对象,使用CHAID、C&RT、REPTree三种决策树算法预测急诊等待时间,并通过BP神经网络对上述模型进行组合,得到组合模型.通过比较分析以上四种模型后,发现影响等待时间的关键因素主要是科室、挂号时间段、队列人数、月份,并且组合模型的预测效果最优.     

互联网企业广告收入预测研究——基于低频数据的神经网络和时间序列组合模型

神经网络模型对大样本时间序列的拟合效果优于传统时间序列模型,但对于年度、月度、日度等低频时间序列的预测则难以发挥其优势。鉴于此,本文应用传统时间序列模型和神经网络模型,建立Holtwinters-BP组合模型,利用Holtwinters模型分别拟合各解释变量序列,利用BP模型拟合解释变量和自变量的非线性关系,基于某社交新闻类APP的日广告收入数据进行互联网企业广告收入预测研究。通过与循环神经网络(RNN)模型、长短期记忆神经网络(LSTM)模型等预测结果的对比发现:Holtwinters-BP组合模型的预测精度和稳定性更高;证明多维变量对于广告收入的显著影响,多变量模型的预测准确性高于单变量模型;构建的Holtwinters-BP组合模型对于低频数据预测有较好的有效性和适用性。     

基于EWMA组合模型的人民币汇率的动态预测

文章提出指数加权移动平均(EWMA)组合模型克服了传统组合方法没有考虑时序数据间时隔远近而相互影响不同的动态关联缺陷.对汇改后人民币汇率实证分析,结果发现EWMA组合模型比被组合的广义自回归条件异方差(GARCH)模型和均值回复(Mean Reversion)模型有更好的预测精度,能够更加逼真把握金融时序的未来走势.