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。     

基于等维动态马尔科夫SCGM(1,1)C模型的黄金价格预测

为了提高黄金价格预测精度,提出等维动态马尔可夫SCGM(1,1)C预测模型,引入取新去旧的数据处理方法,使用等维动态实现数据优化。等维动态马尔可夫SCGM(1,1)C预测模型是将等维动态SCGM(1,1)C模型与马尔可夫链结合起来,在等维动态SCGM(1,1)C模型的预测结果上再进行状态划分与转移,重新得到预测值。选取2018年1月～2019年4月共16组黄金价格数据,将动态等维的维数定为13,数据处理时选用2018年1月～2019年1月的13个黄金价格数据,预测2019年2月的黄金价格,再依次预测2019年3月和4月的黄金价格。以2019年2～4月的3个黄金价格预测数据作为拟合,预测2019年5月的黄金价格。通过比较灰色SCGM(1,1)C预测模型、等维动态SCGM(1,1)C模型与等维动态马尔可夫SCGM(1,1)C预测模型的精度,可知等维动态SCGM(1,1)C预测模型的精度较SCGM(1,1)C模型有所提高,等维动态马尔可夫SCGM(1,1)C模型的拟合精度最高,达到一级,相对误差平均值为0.85%,符合预测要求,应用该模型预测的2019年5月的黄金价格为1 314.78美元/盎司,实际黄金价格为1 295.55美元/盎司,价格较为接近。     

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。     

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。     

黄金价格与通货膨胀相关性的实证分析

在考察1996-2007年中国通货膨胀和黄金价格波动情况的基础上,应用扩展菲利普斯曲线方程和最小二乘估计法对黄金价格与中国通货膨胀的相关性进行了实证分析。分析结果表明,黄金价格对未来CPI具有一定的预测作用,即可以用黄金价格作为一种参考指标,判断未来的经济走势和通货膨胀变化趋势。同时,黄金凭借其商品和货币的双重属性具有抵抗通货膨胀的特性,据此提出了中国应适时、适度增加黄金储备,发展黄金市场,完善金融体系的建议。     

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。     

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。     

钢铁企业价格预测决策模型体系研究

通过对钢铁企业现行价格管理体系的分析 ,建立了钢铁企业价格预测决策模型体系。充分利用大量的定性、定量信息 ,并把趋势预测和因果预测技术相结合 ,采用组合预测模型对价格进行预测 ,最后对预测出来的多方案进行模糊综合评价 ,给出推荐方案顺序。实际应用表明 ,模型体系是有效的。     

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。     

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。     

黄金价格走势与理财策略

通过对黄金价格走势的历史回顾,分析了影响黄金价格的主要因素,并预测了未来黄金价格走势情况,阐述了黄金理财准备以及黄金投资品种及特点,从而提出了黄金理财投资的策略和建议,以期对黄金投资者起到帮助作用。