基于小波分解的差分灰色神经网络-AR模型及其在地铁隧道沉降预测中应用研究

提出了一种基于小波分解的差分灰色神经网络-AR模型。该方法利用小波分解,将监测数据中稳定性较好的低频序列利用差分灰色神经网络进行预测,消除了由于灰色预测残差不平稳而导致的预测误差;对呈现平稳序列的高频数据采用自相关强的AR时间序列模型进行预测,并对上述结果进行小波重构得到最终的预测结果。结合某地铁隧道的实测沉降数据,与灰色模型GM(1,1)、差分灰色神经网络模型进行对比,结果表明:本文提出的基于小波分解的差分灰色神经网络-AR模型精度更高,能够对隧道沉降监测作出更加准确的模拟和预报。

时间序列分析在债券交易价格波动中的应用

债券投资可以获取固定的利息收入,也可以在市场买卖中赚差价。随着利率的升降,投资者如果能适时地买进卖出,就可获取较大收益。债券交易价格波动富含许多经济信息,对于价格的数据进行处理以获取经济信息是经济理论的常用的手段和正确风险评价的基础,也是预测和预防各种债券风险危机的前提。本文依据提供的几种债券交易价格历年的价格数据,主要介绍三种基于债券交易数据来获取描述其变化规律的数学模型,Holt-Winters无季节模型,AR(p)模型,以及GARCH模型。根据所建立的三种数学模型,综合利用Eviews与spss等统计软件对于债券价格的大量数据进行定量分析,评价和分析三种模型对于国债、地方政府债、企业债的有效性,最终结果为GARCH模型分析得到的误差最小,效果最佳,预测值较接近于债券交易价格的真实值,适宜用于金融行业中债券交易价格波动情况。最后,本文对于美债危机和欧债危机也作了简要分析。