多元线性回归与时间序列模型在股票预测中的应用

根据上证00001股股票的日线数据,建立多元线性回归和时间序列的预测模型,在对未来数据未知的情况下,利用R语言分析软件预测得出多元线性回归模型和时间序列模型中的回归参数,并评估模型精度。计算结果显示,模型的拟合精度较高,可以较好地拟合该股票数据。     

基于非线性时间序列的门限自回归模型建立

目前门限自回归模型是最受大家关注的预测模型。本文以太阳黑子非线性时间序列为研究对象,建立门限自回归预测模型。通过一些相关分析技术来确定预测模型中的门限区间个数和门限值的寻优范围,然后优化门限值和TAR模型的自回归系数。通过实验结果分析表明,门限自回归预测模型能够对非线性时间序列进行精确预测。     

基于时间序列线性拟合方法的时间序列层次聚类

本文利用一种有效的时间序列线性拟合方法。算法所选出的关键点是对时间序列的形态变化影响较大的点,将这些点依次连接实现时间序列的线性拟合。这种线性拟合算法在剔除了噪声的同时,能更精确的定位时间序列中的关键点。实验结果表明,该方法能更好的近似表示原时间序列。和已有的方法相比,该方法拟合后的时间序列和原时间序列之间的拟合误差更小。并且在该方法的基础上运用动态弯曲距离进行层次聚类得到了较好的结果。     

线性回归在需求预测问题中的应用

线性回归是重要的统计方法。文章从一元线性回归模型入手,结合实例对模型进行了应用;在此基础上结合人才需求预测这个实际背景重点对多元线性回归模型进行了应用。对改进后的模型分别结合实例进行了验证,取得了较好的效,果,可为需求预测问题的求解提供一种新的思路。     

多元线性回归分析及其应用

本文研究了多元线性回归理论及应用,探讨了多元线性回归模型中未知参数的估计及其参数的检验问题,以实例进行了验证.     

我国石油需求的多元线性回归预测模型研究

通过关联度系数的分析选择模型的自变量,各变量序列的单位根检验表明序列非平稳,为消除可能的虚假回归,利用协整关系来建立多元线性回归模型。对模型进行逐步完善并进行系数、残差和稳定性检验。通过对预测精度的评价,表明所建立的模型有较好的预测效果,并对我国2006年—2020年的石油需求进行了预测。     

一种新的模糊时间序列预测模型

利用模糊系数实变量的线性方程组建立了一种新的模糊时间序列预测模型。模型的求解被转化为一种二次规划问题,它可广泛地应用于不确定环境中的各种预测。     

函数系数自回归时间序列的异常值估计

本文介绍了函数系数自回归时间序列的异常值的一些相关背景研究及理论,并着重介绍了函数系数自回归模型(FAR);第二部分从理论上进行分析在函数系数自回归模型基础上的异常值鉴别、估计;第三部分进行了模拟实验;最后一个部分对全文作了总结,指出了方法的缺陷以及对后续研究的展望。     

利用Excel的线性回归进行财务预测与筹资决策

在Excel中利用企业多期的财务数据,进行回归分析,揭示报表中各项目的数据与销售额间的数量关系,建立财务预测模型。通过模型动态地反映销售额变化所引起的各报表项目数据的变化,并结合企业的财务政策,计算外部资金需要量,并进行相应的筹资决策。     

浅谈时间序列的分析预测

时间序列理论是研究计量经济的基础，时间序列分析预测方法是定量分析的主流方法，本文阐连了时间序列的基本特征，并介绍了时间序列的有效分析预测模型：由于已有模型的固有缺陷，这将促使我们进一步探究先进的方法理论。     

时序列特征与预测模型选择

本文证明了时序列的基本特征与相关预测模型的关系，给出了依据时序列特征选择预测模型的方法。     

经济预测中的积分回归模型

本文给出积分回归的分析方法，利用积分回归建立经济的预测模型，分析自变量在不同时段对因变量的影响，并给以实例说明。     

基于时间序列模型的传染病分析

本文选取了从2005年1月到2011年9月间丙类传染病的月发病数,在考虑长期趋势与季节因素的基础上,选择ARIMA模型来对我国丙类传染病每月的爆发数量进行拟合,同时对未来1年的发病情况进行预测.     

基于多参数动态时序的技术预测方法与实证研究

技术预测是国家制定科技政策和选择优先发展领域的重要依据,对实施创新驱动战略,发挥科技创新支撑具有十分重要的作用。本文在分析文献与技术发展变化关系的基础上,提出了利用技术主题词频差值来反映一定时间区间内技术发展变化特征的多参数动态时序技术预测方法。以VOCs处理技术领域为例进行实证研究,结果表明,多参数动态时序技术预测方法能够有效识别技术主题的发展变化趋势。     

时序回归GM-SVM模型研究

针对单一预测模型都存在各自优缺点的问题,本文提出时序回归GM-SVM模型,以达到最优的变形预测效果。首先对灰色模型中的灰参数导致的时间序列残差进行研究,形成时间序列模型,根据时间序列模型对其残差进行最优化设计,获取时间序列估计模型,并将该模型与支持向量机进行无缝融合以建立新的预测模型,然后根据该预测模型对观测的大坝变形影响因子进行训练和预测,并将预测结果与实际的变形值进行对比分析,经过实例分析确定该模型的预测结果更加接近实际观测值,说明该模型更加适用于基于大坝变形影响因子的变形分析。     

金融时间序列的混沌识别

将非线性和混沌的理论和方法应用在金融时间序列的研究中,识别金融时间序列是否为混沌时间序列是研究者面临的一个首要的问题,各个学科领域根据所研究的具体对象发展出了不同的算法,这些算法对金融hen序列的研究有借鉴作用。然而,金融时间序列的小数据量与混合噪声的特征使得混沌识别更加困难．目前广为应用的金融时间序列的混沌识别方法是Gencay-Dechert法,替代数据法等,这些算法仍然处于发展完善中。     

基于多元线性回归模型的专利技术产业化评价研究

为了使专利技术产业化综合评价工作更为科学、规范,在已建立的专利技术产业化影响因素体系的基础上,结合多元线性回归方法提出基于多元线性回归模型的专利技术产业化的综合评价方法。通过对样本数据的分析,筛选出具有线性关系的因变量,构建模型,并进行残差分析,使模型更加有效、可靠,进而为政府制定相关政策以及企业采取有效策略提高专利技术产业化水平提供依据。     

基于模糊自适应变权重的经济时间序列组合预测模型研究

组合方法首先选取支持向量机预测算法和一阶指数平滑法对经济时间序列分别进行预测,来建立模糊自适应变权重组合预测模型。为对比模糊自适应变权重的经济时间序列组合预测模型的预测效果,选取了两种定值加权组合预测模型:平均加权模型、误差平方和最小组合预测模型。通过实验比较分析:模糊自适应变权重组合预测可以综合利用各单项预测方法的优点,比单一模型预测结果精度有了很大提高,且优于定值加权组合预测,在经济时间序列的预测方面有较高的应用价值。     

时间序列的非平稳度分析

时间序列非平稳度不仅是系统特性的反映,还与研究者感兴趣的时间尺度有关,目前相关的研究集中在统计学,非线性科学和时频分析领域。本文介绍三种有代表性的定义方法,并通过实例分析,比较了后两种方法的联系与区别。最后对非平稳度研究的现状做了简单的评价。