小波分析和考虑外生变量的广义自回归条件异方差模型在电价预测中的应用

电力市场中的电价序列存在很大的随机波动和价格尖峰。文章提出根据电价序列的变化特点,通过小波变换将其分解为概貌序列和细节序列,从而在不同尺度上反映电价的变化规律。通过概貌分量找出电价的主要波动规律,并由此对电价进行预测,剔除细节分量所反映的电价的随机波动影响。建立考虑异方差的广义自回归条件异方差模型(generalized autoregressive conditional heteroscedasticity,GARCH)对概貌序列建模,并在GARCH模型中加入外生变量形成GARCHX模型,以弥补传统时间序列模型忽略外界影响的缺陷。对美国PJM电力市场的实例研究表明,所建立的W-GARCHX模型比传统时间序列模型的预测精度有明显提高。

基于平均移动自回归理论的中国进出口贸易实证研究

文章通过对中国国际贸易进口和出口的数据分析,应用自回归滑动平均模型和条件异方差理论,对国际贸易进口的差分数据构建了6月份及8月份的自回归平均移动模型和,并应用进口增长率自回归平均移动-条件异方差模型对国际贸易出口增长率进行了波动率和变化率的拟合估计。根据所拟合的模型,发现在8月份拟合的自回归平均移动-条件异方差模型下的国际贸易进口差分数据更接近实际的国际贸易差分数据,并且国际贸易进口增长率差分对出口增长率差分的波动率具有正向的作用。中国国际贸易进口具有滞后的时间效应,并且中国国际贸易进口差分波动率对出口差分有正向的溢出效应。

基于小波分解和ARIMA-GARCH-GRU组合模型的制造业PMI预测

制造业采购经理人指数(PMI)是反映国家经济运行情况的重要指标,而传统预测模型对该类时序数据预测精度不高。针对制造业PMI指数的非线性、波动性和数据量少的特点,提出一种基于一维离散小波变换进行数据预处理的组合模型。时序数据经过小波变换,由整合移动平均自回归–广义自回归条件异方差模型(ARIMA-GARCH)处理稳态低频数据,门控循环单元(GRU)处理波动性强的高频数据,将各频段预测结果进行融合得到最终预测结果。为验证模型有效性,选取一定数据量的PMI指数进行实验。结果表明,与其他常见模型对比,本文构建的组合模型具有较好的预测精度与性能,平均绝对误差(MAE)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)分别达到0.00329、0.004162、0.65%。

基于WPD-ARIMA-GARCH组合模型的酱卤肉制品安全风险区间预测

针对传统确定性预测不能提供不确定性信息的难题,本研究提出了一种点估计和区间估计组合预测模型,并将其创新性地应用在食品安全风险预警领域。在点估计部分,使用小波包分解(wavelet packet decomposition,WPD)对周风险等级序列分解后,应用差分自回归移动平均(autoregressive integrated moving average,ARIMA)模型进行预测;在区间估计部分,使用广义自回归条件异方差(generalized autoregressive conditional heteroskedast,GARCH)模型对残差进行预测。本实验将建立的WPD-ARIMA-GARCH组合模型运用于某地区酱卤肉制品的风险预测,结果表明2019年的3月底和7月底该地区的酱卤肉制品安全风险较高,与实际情况相符;同时,该模型在10个不同地区的酱卤肉制品风险预测中,均方误差、平均绝对误差和平均绝对百分比误差分别为1.626、0.806和20.824;其90%置信区间的预测区间平均宽度和覆盖宽度标准值均为0.024,可以覆盖所有真实值。该模型具有较高的预测精度和较低的误差,能对酱卤肉制品质量安全起到风险防控作用,可为日常食品安全监管提供相应的技术支持。

考虑异方差效应的风电不确定性建模及其在调度中的应用

随着风电在电力系统中渗透率的不断提升,其不确定性为电网的安全经济运行带来了重大挑战。为获得精准的风电不确定性模型,帮助运行人员实现系统的安全经济运行,文中提出了考虑异方差效应的风电预测误差条件概率分布建模方法。首先,分析了风电预测误差与各类因素的相依性水平,并基于分析结果与动态Copula理论,建立了风电波动性与风电预测误差的动态相依性模型;之后,针对边缘分布所显示出的时域特征,结合差分整合移动平均自回归(ARIMA)模型与广义自回归条件异方差(GARCH)模型,考虑异方差效应,建立了时变边缘分布模型;最后,将两模型相结合,给出了不同波动水平下的风电条件预测误差分布情况,并在不确定性机组组合模型中进行验证,证明了模型的有效性。

基于ARIMA-GARCH模型的生育率随机预测

文章针对传统确定性预测方法的局限性,提出了一种基于随机理论和时间序列分析的生育率随机预测ARIMA-GARCH建模与仿真方法,通过模拟时间序列随机波动特征来估计生育率的未来值和预测区间。以中国总和生育率为例,应用ARIMA-GARCH模型对生育率序列随机过程进行预测,分析残差项之间的自相关性和异方差效应,以避免单一模型拟合导致的重要细节信息损失。提出了应对中国长期持续低生育率的相关对策建议,以期为生育政策的调整和完善提供决策依据和实践参考。

基于PCA的ARFIMA-GARCH油价预测模型

在考察前人油价预测模型研究情况后,文章一方面,从油价序列长记忆性和异方差性着手,将ARFIMA模型和GARCH模型进行结合,构建ARFIMA-GARCH模型;另一方面,还对油价模型构建中的一大难题——影响因素的筛选进行适当探索,尝试结合主成分分析,提取若干主成分,加入ARFIMA-GARCH模型中,形成基于PCA的ARFIMA-GARCH模型。在与其他模型进行比较好,发现基于PCA的ARFIMA-GARCH模型要好于其他模型,文章的研究和改进是有效的和成功的。

时间序列模型预测大气臭氧浓度

为了给大气污染防治预警预报提供参考,利用时间序列模型对大气臭氧浓度进行预测;以2020年1月1日至2020年12月31日期间366个烟台市区大气臭氧日均质量浓度作为研究数据,建立自回归移动平均模型,引入广义自回归条件异方差模型消除时间序列自回归条件异方差效应,最终构建自回归移动平均-广义自回归条件异方差时间序列模型,并对2021年1月烟台市区的大气臭氧日均浓度进行预测。结果表明,所构建的时间序列模型对大气臭氧浓度的短期预测值与实测值基本一致,但随着预测期数的增加,预测值与实测值的相对误差逐渐增大。

时间序列分析方法及ARMA,GARCH两种常用模型

证券市场具有数据单一性(大量不需要经过特殊处理的数据)、分析手段多样性和隐蔽性的特点,且与其飞速发展不相称的是证券分析技术进展的缓慢。股市系统中时间序列的预测问题具有重要的理论及实际意义,时间序列的获取是通过对数据库中数据进行分类汇总分析而获得。获取时间序列数据以后可以对它进行预测分析,从而较准确地预见系统的演进。文中介绍了时间序列的基本知识,同时比较了ARMA和GARCH两种常用模型,得出对于中国股市,GARCH模型性能优于ARCH模型。

基于EGARCH过程的电磁频谱占用状态波动特性分析

针对传统频谱占用度自回归移动平均(ARMA)模型由于未考虑序列的条件二阶矩,导致无法准确描述频谱占用状态的非线性时变特性问题,该文提出一种基于指数广义自回归条件异方差(EGARCH)过程的频谱占用状态时间序列建模方法。首先通过对ARMA模型的剩余残差进行条件异方差性检验,表明频谱占用时间序列存在明显的时域"波动集聚"性;其次基于EGARCH过程构建频谱占用度时间序列模型以及对实测数据的分析,表明该模型相较ARMA模型对频谱占用度的拟合与预测精度更高;最后由EGARCH模型参数存在"杠杆效应"系数,表明频谱占用状态变化对电磁环境波动的影响具有非对称性。研究结果表明EGARCH模型能够量化反映频谱占用状态的复杂非线性时变过程。

中国股票市场的非线性分析

大多数时间序列往往具有变方差的非线性特性,即某些时期的波动特别剧烈,而另一时期的波动又相对平 稳。对中国股票市场的非线性现象进行分析,发现上证综合指数和深证成分指数分布显示中国股票市场非线性现 象十分明显。在分析数据的基础上,建立了上证综合指数和深证成分指数的广义自回归条件异方差(GARCH)和 自回归移动平均(ARMA)预测模型,并分析了中国股票市场的几个非线性特征。

国内波动率预测的知识图谱研究

本文以核心期刊中2000年~2019年273篇波动率预测的论文为研究对象,基于关键词的聚类分析、关键词的演化路径分析、关键词的中心度排序分析,以及关键词的突现分析,对国内波动率预测的研究现状进行了综述。研究结果显示:(1)目前国内波动率预测研究主要形成了波动率预测模型基础、波动率预测模型和波动率预测模型应用三类知识群组;(2)波动率的演化路径就是两类,一类是已实现波动率和历史波动率的预测研究,一类是隐含的波动率的预测研究;(3)“风险管理”和“杠杆效应”成为当前波动率预测研究的前沿。

期货市场动态保证金模型实证研究及应用启示

以期货保证金设定方式为研究对象,基于EWMA、GARCH方法和VAR风险价值法,依据对收益序列分布假设的不同,全面构建了两大类9种动态保证金模型,并对3家商品交易所的4个上市品种进行了实证研究。依据风险覆盖率和平均保证金水平两项评价标准,甄选出了表现最优的模型。

2008-2015年宁波市流感样病例预测模型分析

目的：建立宁波市流感样病例（ILI）的预测模型，并对所建模型预测效果进行验证和评价。方法收集2008年1月至2015年6月宁波市流感监测哨点医院 ILI 监测资料，对数据进行统计分析，建立ARIMA模型及ARIMA-GARCH模型对流感发病情况进行预测和评价。结果2008—2014年宁波市ILI累计报告101056例，发病率大致呈逐年下降趋势。针对ILI发病率的ARIMA模型构建中ARIMA（2，1，1）（1，1，1）12为最佳模型（BIC=6.250），白噪声残差分析得到Ljung-Box统计量Q值为6.027（P〉0.05）。ARIMA-GARCH组合模型的预测效果较单一ARIMA模型理想，平均绝对误差分别为11.049和12.757。结论 ARIMA-GARCH模型可以模拟宁波地区流感的流行趋势，为流感防控策略的制定提供理论依据。

投资者情绪影响香港股票市场吗?

本文选取香港股票市场的封闭式基金折价率,initial public offering(IPO)首日收益率,IPO数量,市场成交量和换手率等五个原始情绪指标,利用主成分分析法构造了综合投资者情绪指数,然后应用autoregressive moving average-generalized autoregressive conditional heteroskedasticity(ARMA-GARCH)族模型分别剔除了综合投资者情绪指数与香港恒生指数中的趋势因素和季节因素等外在影响,对ARMA-GARCH模型的残差作相关性分析和Granger因果关系检验.研究表明,ARMA-GARCH族模型能有效处理投资者情绪指数和香港恒生指数的自相关性和异方差性.Granger因果检验发现在短期内恒生指数收益率是投资者情绪的Granger原因,即当香港股市处于上升阶段时,投资者情绪会更加乐观,而当股市处于下降阶段时,投资者情绪则会变的更加悲观.