基于灰色-马尔可夫模型的上海房价走势实证研究

针对房地产营销过程中,价格变化随机性的特点,将灰色GM(1,1)预测与马尔可夫预测有机结合,构成灰色-马尔可夫预测模型,对未来某一时段的房价的灰色预测结果做马尔可夫评价。结果表明,该模型是切实有效的。因此,此模型可用于指导房地产政策的制定。     

基于GARCH与Markov转换模型度量房价波动风险

为了防范房地产价格快速上涨或下跌带来的不利影响,监测房价波动风险具有重要的意义。该文采用自回归条件异方差(GARCH)模型和Markov机制转换模型研究房价波动过程。首先依据4个中国城市的数据对2类模型分别进行回归,然后根据回归结果计算房价波动率和房价下行概率,以此衡量房价的波动风险。结果显示:Markov模型的样本内拟合程度略高于GARCH模型,但这一差别十分有限。在预测房价下行概率时,Markov模型给出的结果对房价在短期内的变化情况较为敏感,而GARCH模型的预测值较为保守。虽然依据2种模型测算的房价下行概率在数值上有差别,但其走势基本一致,可以为投资者提供参考。     

基于小波神经网络的期权定价模型

Black-Scholes模型所要求的假设条件在真实的市场条件下往往不能满足.提出了一种新的应用小波神经网络进行预测的欧式期权定价模型.将期权按钱性进行分类, 以一种新的加权的隐含波动率作为神经网络的输入变量,通过小波神经网络模型、BP网络模型和Black-Scholes模型来预测香港恒指买权的价格.实证结果表明,将一种加权的隐含波动率作为输入变量的小波神经网络模型优于Black-Scholes模型和其他神经网络模型.因此该模型可以更有效地预测欧式期权价格.     

基于联立方程的地价与房价波动关系

构建了我国城市房地价之间关系的联立方程模型,以全国重点城市为样本资料,根据二阶最小二乘法给出参数估计.研究结果发现:地价和房价之间存在联立性,相互影响.对地价影响最大的因素是常住人口总数,人均可支配收入、房地产开发投资额拉动了城市房价水平,而房屋销售面积拉低了城市房价水平.房价滞后期对房价有较大影响,价格的涨跌预期影响公众的投资情绪,导致房价的变动.     

基于改进小波神经网络的大气质量评价模型

为了缩短人工神经网络的训练时间、减少迭代次数和提高输出结果的准确率,将小波基函数应用于人工神经网络,并用专家评分后归一化处理的方法对输入层的权值初始值进行优化,建立了优化的小波神经网络模型。将该模型对井冈山区域2012年大气监测数据进行评价,实验结果表明:经过优化的小波神经网络模型的评价精度较高。最后与将该模型与其它评价方法相比,该模型还具有计算快速、评价客观、可靠性强、效率更高的特点。     

带白噪声的小波沌神经网络及其应用

为研究混沌神经网络抗噪声的能力,在小波混沌神经网络模型中引入了噪声函数,研究了带白噪声的小波混沌神经网络模型,给出了该混沌神经元的倒分岔图和Lyapunov指数图,分析了其动力学特性.基于该混沌神经元模型,构造了带白噪声的小波混沌神经网络,并将其应用于函数优化和旅行商问题(TSP),仿真结果表明,只要适当调节噪声系数,...     

郑州市房价变动合理性分析 ——基于房价收入比与住房租售比

从宏观及微观角度来对影响商品住宅价格波动的因素进行理论分析,引入房价收入比以和住房租售比来判断城市商品住宅价格的合理性,对郑州市区商品住宅市场实证研究,分析了2013-2017郑州市区年商品住宅价格变化情况,客观评价在此期间郑州市区房价是否合理并找出其原因,根据房价波动的因素提出郑州市房价上涨原因相应地提出对策建议。本研究的主要结论有:1)商品住宅价格波动的方向以及幅度是由经济面、政策导向以及社会价值观3个方面共同影响的结果; 2)通过计算房价收入比以及租售比发现2013-2017年期间郑州市区商品住宅价格水平仍然偏高,巿区商品住宅巿场上存在着商品住宅价格出现泡沫; 3)通过经济面、政策导向以及社会价值观3个方面分析出郑州市区商品住宅价格上涨的原因。     

基于灰色马尔可夫链模型的房价预测

由于商品房价格变化呈现随机性波动特征,分析房价变化与未来房价走势对于决策部门而言十分重要。本文将灰色系统预测模型与马尔可夫链有机结合,构成灰色马尔可夫链预测模型,对未来某一时段的房价进行预测,结果表明,灰色马尔可夫链模型能有效提高预测的精度和效果,符合实际要求。     

一种基于小波神经网络混合模型的说话人识别方法

提出一种混合模型,即将隐马尔可夫模型(HMM)和小波神经网络(WNN)相结合应用于说话人识别的模型.该方法利用HMM的时序建模能力以及小波神经网络较强的模式分类能力,进行与文本无关的说话人的识别.实验表明,采用这种混合模型可以提高系统的识别率,特别在噪声环境中具有一定的噪声鲁棒性,提高了识别性能.     

分位回归马尔可夫转换ARCH模型的贝叶斯分析

针对经济时间序列波动的复杂性和不确定性,不考虑残差项分布形式的情况下,本文提出了一类分位回归马尔可夫转换ARCH模型。在贝叶斯理论框架下,选择扩散先验分布和非对称Laplace分布似然函数,实现了对MS-ARCH模型的贝叶斯分析。仿真分析发现分位回归MSARCH模型可以有效地刻画条件异方差时间序列的变结构性。     

改进的小波神经网络及其Matlab仿真

针对小波神经网络存在的不足,对其结构进行改进：构造四层结构的小波网络,增加一层隐含层,并在这一层中将网络输入不同类型的参数进行分类综合.改进后的网络结构更具直观性和物理意义,且网络权值被大大精简,提高了网络的训练和收敛速度.     

对前馈型神经网络股价预测的一点改进

为减小预测误差，目前的方法是：选择对股价有显著影响的输入变量；调整网络结构及选择合适的参数；优化学习算法．这些方法都是以实际股价作为网络的预测．本文提出的方法是以相邻两天的股价差价作为网络的预测．本文在相同的数据上分别建立股价预测模型和股价的差价预测模型，并对它们的结果进行对比分析，结果表明差价预测模型的预测误差小，预测效果好．     

基于Elman网络的房地产周期识别

房地产市场的发展有着明显的周期性，对房地产周期的识别有助于政府及其他市场参与者进行科学的决策。本文先对1992—2003年的北京房地产市场周期发展各阶段进行编码，将编码结果作为训练的学习样本，再用ELman网络构建房地产周期识别模型。识别结果表明：2004年北京房地产市场处于收缩阶段，国家宏观政策对房地产市场的理性发展起到了积极的作用。     

基于小波神经网络的短时客流量预测研究

提出了基于小波神经网络的短时客流预测方法。对具有动态性,受多种因素影响的城轨的客流量进行短时的预测。通过建立小波神经网络对于城轨进行每隔15 min客流量预测。示例结果表明,所建立的小波神经网络的预测模型比其他的典型的预测模型预测精度高,误差小。     

基于主成分分析与BP网络的房地产投资风险预测

房地产投资具有投资金额大,回收期长,投资风险受多种因素影响等特点,通过主成分分析法将众多指标进行综合,消除样本间的信息重叠,降低BP网络的输入维数。针对房地产投资风险系统的非线性特征,运用BP网络的高度非线性映射能力,对房地产投资风险进行预测,并且与直接用BP网络方法作了对比分析,结果表明：基于主成分分析与BP网络预测结果更精确。     

基于遗传神经网络的产品价格预测方法

应用遗传神经网络方法，建立了工业产品预测的神经网络预测模型，并运用遗传算法对建立的神经网络模型的结构和推理参数进行优化，使预测结果更加准确，为工业项目的投资评估提供了一种更为合理的预测方法．     

基于小波降噪与贝叶斯神经网络联合模型的短时交通流量预测

在短时间内准确、稳定地预测出交通流量,是实现智能交通控制系统的重要环节,对于交叉口信号控制方案的实时调整具有重要意义。鉴于此,提出一种 联合模型的预测方式,引入 和 作为模型评价指标,从精度和稳定性两个方面对模型进行评价。结果表明,在 、 、 等不同的时间预测尺度下, 联合模型的 和 均小于小波网络、贝叶斯网络、 网络等方法,短时交通流量预测结果的精度和稳定性得到了不同程度的提高。     

语音识别中HMM与自组织神经网络结合的混合模型

基于隐马尔可夫模型和自组织神经网络模型提出了一种用于语音识别的混合模型,给出了训练调整权向量的算法,实验结果表明其在语音识别中具有很好的性能·     

基于小波分析和神经网络的胎儿心电提取

通过小波分析方法和自适应线性神经网络相结合,对围产期母体腹壁混合心电信号进行处理,采用两种方案进行仿真并分析对比。分别采用小波变换和小波包分解技术对心电信号消噪处理,探索一种提取出胎儿清晰心电信号的方法,为下一步胎儿心电信号特征提取和健康状况的诊断奠定基础。实验结果表明,先提取胎儿心电信号,再进行消噪处理效果较好。