参数自适应的长期IFTS预测算法

针对模糊时间序列预测理论多局限于短期时间范围预测以及对不确定数据集模糊变化趋势描述和论域区间划分研究不足的问题,构建了参数自适应的长期直觉模糊时间序列预测模型。新模型通过引入滑动窗口机制和参数自适应的直觉模糊C均值聚类算法优化论域区间划分,利用矢量预测技术解决时间序列长期范围预测误差积累的问题,有效地提高了复杂环境下时间序列长期趋势预测的精度,扩展了直觉模糊时间序列预测理论的应用范围。最后,通过典型实例验证了该方法的有效性和优越性。     

基于直觉模糊推理的直觉模糊时间序列模型

由于受到模糊集理论的限制,模糊时间序列预测理论在不确定数据集的描述上有失客观,针对这种局限性,提出一种直觉模糊时间序列预测模型。应用模糊聚类算法实现论域的非等分划分;针对直觉模糊时间序列的数据特性,提出一种更具客观性的隶属度和非隶属度函数的确定方法;提出一种基于直觉模糊近似推理的模型预测规则。在Alabama大学入学人数和中国社会消费品零售总额数据集两组数据集上分别与典型方法进行对比实验,结果表明该模型有效提高了预测精度,证明了模型的有效性和优越性。     

基于集成预测的均值-方差-熵的模糊投资组合选择

通过基于集成预测的方法构建模糊投资组合, 代表性地选择了遗传神经网络模型、 多因素SVM回归模型和ARIMA时间序列模型作为组合预测中的单一模型, 并将单一模型预测结果作为模糊变量进行投资组合优化, 实证结果表明基于集成预测的均值 -方差-熵的投资组合相比其他组合收益率更高, 相对风险更低. 该方法可以用于投资基金管理、 金融风险管理等实际工作中,以便提高决策的科学性.     

基于小波和多维泰勒网动力学模型的金融时间序列预测

提出建立多维泰勒网动力学模型及参数辨识方法, 和基于小波多维泰勒网模型的金融时间序列预测方法. 利用Mallat算法将金融时间序列分解成一个低频信号和若干个高频信号; 对不同频率的时间序列建立多维泰勒网动力学模型; 通过共轭梯度法训练模型参数, 并进行预测; 将各模型的预测结果进行叠加, 得到原始序列的预测值. 实验结果表明, 这种金融时间序列预测方法具有较高的预测精度和预测方向正确率.     

混沌时间序列的混合预测方法

提出了一种基于小波变换、粒子群优化的最小二乘支持向量机(PSO-LSSVM)和广义自回归条件异方差模型(GARCH)的混沌时间序列的混合预测方法.首先利用小波变换将混沌时间序列分解和重构成概貌时间序列和细节时间序列; 然后利用PSO-LSSVM模型预测概貌时间序列的未来值,采用GARCH模型预测细节时间序列的未来值;最后将概貌时间序列和细节时间序列的未来值求和作为最终的预测结果.采用该方法对Mackey-Glass和变参数Logistic混沌时间序列进行预测. 结果表明该方法能精确地预测混沌时间序列,验证了文中所提方法的有效性.     

基于小波分解的月径流预测校正模型研究

根据小波分析理论,建立了月径流序列的小波分解预测校正模型。该模型通过小波分解方法将月径流非平稳时间序列分解为多个细节信号序列和一个逼近信号序列,然后运用平稳时间序列的ARMA模型对各信号序列分别进行预测,最后再对各序列预测结果的和进行校正。以长江的宜昌站和寸滩站的月径流资料为例,分别采用ARMA模型、季节性ARIMA模型、BP神经网络模型以及所建立的小波分解预测校正模型进行模拟预测,并讨论了小波分解尺度数对小波分解预测校正模型的影响。结果表明,所建立的小波分解预测校正模型较其它模型具有更高的预测精度,并且尺度数对月径流序列模拟预测的效果没有显著的影响。     

用于时间序列数据建模的多模态模糊认知图

针对单一模型难以准确反映时间序列多种变化模态的问题,提出了一种基于模糊认知图的时间序列数据多模态建模方法.该方法使用随机自助法选取多个子序列,以包含各种变化模态.在各个子序列上分别建立子模糊认知图模型.使用粒计算方法对子模型进行有效融合;并分析了不同权重策略融合的性能.所建立的模型不仅可以对时间序列数据进行数值及区间预...     

事件影响下的时间序列多尺度集成预测

针对时间序列的非线性、非平稳和多尺度特征,考虑到事件对序列结构产生的影响,提出事件影响下的时间序列多尺度集成预测策略。首先,基于经验模态分解将原始序列分解成若干分量,从多个尺度展现序列的基本构成;随后,基于迭代累积平方和实现分量序列的变点检验,从多个尺度判别和获取事件对序列产生的结构性影响;然后,基于干预分析构建事件对不同分量序列的影响模型,据此剔除事件影响,获取净化序列;最后,运用基于粒子群优化的支持向量回归,建立单一尺度的序列预测模型,进而实现事件影响下的时间序列多尺度集成预测。实证分析表明:该策略能够精细辨识事件对序列的多尺度影响,有效建立序列总体及分量的预测模型,与传统方法相比,具有更强的事件辨识能力、自适应建模能力和更高的预测精度。     

基于RBF网络的混沌时间序列的建模与多步预测

提出将RBF神经网络应用于混沌时间序列的建模与预测中 ,设计了一个三层RBF网络结构 ,说明了RBF网络用于混沌时间序列建模和预测时的基本性质。仿真结果表明 ,RBF网络模型对混沌时间序列有比较强的拟合能力和比较高的一步及多步预测精度。采用RBF网络进行混沌时间序列的建模和预测能够取得比其它方法好得多的效果。     

基于主趋势辨识和智能残差修正的股指时间序列预测

针对股指时间序列存在信噪比低、干扰因素多、随机波动强的特点,提出一种基于主趋势辨识和智能残差补偿的股指序列预测方法。一方面利用奇异谱分析方法对股指时间序列重构,提取股指时间序列的主要趋势,采用自回归方法实现对主趋势的辨识;另一方面将主趋势模型与实际股指时间序列的残差,采用GA-SVM算法对残差进行学习,所得结果对自回归模型进行修正。实证分析结果表明,采用本文算法能够有效的将预测精度控制在7%以内,同时与灰色预测算法以及神经网络算法相比,在RMSE、MAPE和F三项指标,占有一定的优势,从而提供了一种新的分析股指时间序列的有效途径。     

股指与股指期货价格发现过程研究

使用脉冲响应和一般因子分解模型检验了标准普尔500指数、道琼斯工业平均指数、香港恒生指数、日经指数和金融时报100指数现货市场和期货市场之间的价格发现过程.结果发现,期货市场在价格发现过程中占主导地位,并且随着期货市场的发展,期货市场在价格形成过程中的作用越来越大,起到了信息(定价)中心的作用.     

基于模糊神经网络和R/S分析的股票市场多步预测

将输入空间划分为若干个相互重叠的模糊子空间 ,并在子空间内 ,利用线性模型对非线性系统进行局部建模 ,最后内插局部模型的输出 ,得到非线性系统的全局模糊建模 .基于 Sugeno模糊推理模型的模糊神经网络 (自适应网络模糊推理系统 ANFIS)正是上述模糊建模思想的神经网络实现的一种形式 .R/ S分析表明 ,上海股票市场的价格波动具有长期记忆性 ,因而可以预测 .基于此 ,利用 ANFIS对上证综合指数进行多步预测 ,得到比较好的预测结果.     

A High-Moment Trapezoidal Fuzzy Random Portfolio Model with Background Risk

In most exiting portfolio selection models, security returns are assumed to have random or fuzzy distributions. However, uncertainties exist in actual financial markets. Markets are associated not only with inherent risk, but also with background risk that results from the differences among individual investors. This paper investigated the compliance of stock yields to the fuzzy-natured high-order moments of random numbers in order to develop a high-moment trapezoidal fuzzy random portfolio risk model based on variance, skewness, and kurtosis. Data obtained from the Shanghai Stock Exchange and Shenzhen Stock Exchange was used to assess the influence on the proposed model of both background risk and the maximum level of satisfaction of the portfolio. The empirical results demonstrated that the differences between the maximum and minimum variance, skewness, and kurtosis values of the portfolio were positively correlated with the variance of the background risk.     

运用SAS软件对上证指数月线数据的综合预测分析

运用SAS软件系统中的一些一元和多元时间序列分析方法对我国上少证券交易所的上证综指、上证A股及B股指数的月收盘指数作了预测分析，得到了较高的预测精度，为预测股票市场的中期走势提供了一种方便实用的方法。     

Exploring the Linear and Nonlinear Causality Between Internet Big Data and Stock Markets

In the era of big data, stock markets are closely connected with Internet big data from diverse sources. This paper makes the first attempt to compare the linkage between stock markets and various Internet big data collected from search engines, public media and social media. To achieve this purpose, a big data-based causality testing framework is proposed with three steps, i.e., data crawling,data mining and causality testing. Taking the Shanghai Stock Exchange and Shenzhen Stock Exchange as targets for stock markets, web search data, news, and microblogs as samples of Internet big data, some interesting findings can be obtained. 1) There is a strong bi-directional, linear and nonlinear Granger causality between stock markets and investors' web search behaviors due to some similar trends and uncertain factors. 2) News sentiments from public media have Granger causality with stock markets in a bi-directional linear way, while microblog sentiments from social media have Granger causality with stock markets in a unidirectional linear way, running from stock markets to microblog sentiments.3) News sentiments can explain the changes in stock markets better than microblog sentiments due to their authority. The results of this paper might provide some valuable information for both stock market investors and modelers.     

中国A股市场流动性统计特性与变化趋势

构造了一个综合深度和宽度的指标来度量上海、深圳 A股市场的流动性 ,在这个指标的基础上 ,研究了上海、深圳 A股市场 1 0年来流动性的变化趋势 ,同时 ,对上海和深圳市场 A股市场流动性做了对比 .     

Analysis of the Relation between Interest Rate Policy and the Stock Market in China

1　IntroductionThegrowthofsocialeconomyisbasedontheflowofcapitalsfromtheinvestorstotheen-terprises,fromtheloweffectivedepartmentstothehighereffectivedepartments,fromtheconservativedepartmentstotheinnovativedepartments.Inordertoensurethenormalflowofth...     

中国股市指数与投资者情绪指数的相互关系

选取"新开交易账户数"作为投资者情绪的代理变量,应用ARMA-GARCH类模型研究了投资者情绪与股市收益率之间的相互关系.结果显示ARMA-GARCH类模型能有效拟合投资者情绪变化率和上证综合指数收益率的自相关性和异方差性.Granger因果检验表明上证综合指数收益率是投资者情绪变化率的一个显著影响因子,而并没有发现投资者情绪的变化率对上证综合指数的收益率Granger因果显著.根据市场表现的不同特征, 投资者利用这一信息调整情绪.当市场处于上升阶段时, 投资者情绪会更为乐观,有更多新的投资者进入股市; 当市场处于下降阶段时,投资者就会转变为较为悲观, 场外的投资者就会处于观望状态,不急于进入股市, 这样反映在股市上就是"新开交易账户数"减少.     

上海股票市场流动性的度量与影响因素实证分析

首先分析了市场流动性的定义,给出了流动性指标的一种新的度量方法,然后,首次描绘了上海市场弹性和影响力的日走势图和分时特征图.最后,研究了交易量、股票价格、波动性和流通盘的大小与各项流动性指标的影响,通过对上海证券交易所的交易数据进行实证,表明上海证券市场,交易量、股票价格、波动性和流通盘的大小对流动性各项指标都有显著的解释能力;上海交易所存在“股本小的股票价格较高”的现象.     

封闭式集合竞价交易策略模型及对沪市的实证检验

从订单分布假设出发,构建了一个庄家和散户这两类交易者在封闭式集合竞价中的交易意愿和订单策略模型.该模型表明,散户不愿意参加封闭式集合竞价交易,或者需要较高的风险补偿;由于散户的不愿意交易或有较高风险补偿要求,庄家难以在集合竞价时实现自己正常的获益策略,因此,趋向于采取集合竞价价格操纵策略.文章应用上海证券交易所的分笔订单和交易数据实证检验了理论分析的结果,并提出了改进我国沪深市场开盘集合竞价的政策建议.