基于组合模型的上市公司高送转预测

本文基于中国市场3465家上市公司7年的数据,首先利用随机森林算法提取出43个因子,再利用Lasso方法进行特征选取,最后选出11个重要因子,然后分别采用logistic回归和决策树方法构建两种预测模型,最后基于损失函数确定权重将两种预测模型按权重进行线性组合建立组合模型.实证结果表明,基于组合模型的预测准确率相比单一模型提高了1.39%.

基于SARIMA-PSO-ELM组合模型的我国铁路货运量预测

我国铁路货运量易受天气、节日和市场需求等众多因素的影响,使得铁路货运量具有周期性和波动性,预测难度高。本文综合考虑铁路货运量序列线性和非线性特征,建立SARIMA-PSO-ELM组合模型以提升预测的精度。首先使用SARIMA模型对我国铁路货运量序列进行预测,其次对SARIMA模型预测的残差建立PSO(粒子群优化)算法优化的ELM(极限学习机)预测模型,最后将两模型的预测值相加得到SARIMA-PSO-ELM组合模型的预测结果。组合模型预测的平均绝对误差(MAE)和平均绝对百分比误差(MAPE)分别是0.0129、0.35%,相较于SARIMA和PSO-ELM两种模型其预测精度更高。