基于ARFIMA-LSTM组合模型的光伏发电功率预测

光伏发电作为一种绿色清洁能源,与“双碳”目标的实现紧密相连。预测光伏发电功率可以帮助优化电力系统的调度和运行,提高能源利用效率。为此,学界和工业界从时间序列、人工智能等多方面对光伏功率预测进行了研究。引入自回归分数移动平均(autoregressive fractionally integrated moving average,ARFIMA)模型和长短期记忆(long shortˉterm memory,LSTM)模型进行建模和预测,并基于最小二乘法赋权,构建出组合模型。实验结果表明,该组合模型在中长期光伏发电功率预测中取得了较好的效果,与ARFIMA模型相比其均方误差降低了48.7%,而与LSTM模型相比其均方误差降低了21.5%,可作为一种有效的光伏功率预测模型在实际中应用。

基于分数阶差分的ARFIMA模型及预测效果研究

采用MRS分析法对香港恒生指数周数据序列的长期记忆性进行研究,并建立ARFIMA模型,推导了分数阶差分的计算过程。对分数阶差分的ARFIMA模型与一阶差分的ARFIMA模型进行了比较,发现应进行分数阶差分的序列,简化成一阶差分后,就有可能丢失许多有价值的信息,导致建模误差增大。进一步使用ARFIMA模型预测公式进行预测,结果显示ARFIMA模型预测效果不理想。在对香港恒生指数周数据进行预测时,ARFIMA模型几乎是失效的,并从两个不同的角度论证了这一结果出现的必然性。

我国入境旅游预测:基于ARFIMA模型的研究

旅游需求预测是旅游规划、开发与管理的基础和前提。将分整自回归移动平均模型(ARFI-MA)应用在旅游需求预测中,采用我国月度入境旅游人数建立ARFIMA模型,并依据RMSE,MAE和MAPE三个标准,将ARFIMA与AR IMA,SAR IMA模型的预测精度进行比较。结果表明ARFIMA模型的精度最高,在旅游需求预测中有较强的实用性。

石油价格的ARFIMA模型预测研究

经检验,石油价格波动具有长记忆性,而通常用于定量预测的 ARMA 模型是不考虑长记忆性的．应用考虑长记忆性的 ARFIMA 模型对石油价格进行了预测研究,预测结果表明,ARFIMA 模型的预测结果要好于不考虑长记忆性的 ARMA 模型．

中国股市收益及波动的ARFIMA-FIGARCH模型研究

与现有研究方法不同,本文通过考察Akaike、Schwarz、Shibata、Hannan-Quinn四个信息准则,建立了描述深圳股票市场收益过程和波动过程双长记忆性特征的ARFIMA-FIGARCH模型。实证分析说明采用ARFIMA(0,m,1)-FIGARCH(1,d,0)模型拟合最好。研究结果表明:深圳成分指数日收益序列无长记忆,但波动序列具有较强的长记忆特征。

ARFIMA-EGARCH-M模型在汇率收益率波动分析中的应用

为了解决汇率收益率波动中的"尖峰厚尾"、中期记忆和非对称特征,提出了利用ARFIMA-EGARCH-M模型建立汇率收益率波动模型。以人民币/欧元的日汇率数据为例,在误差分布分别为正态分布、T分布、GED分布与SKT分布的前提下分别进行模型拟合分析,得出基于GED分布的ARFIMA(1,d,1)-EGARCH(2,2)-M模型拟合人民币/欧元汇率收益率效果最好,能较好地解决"尖峰厚尾"、中期记忆和非对称现象。

向量ARFIMA模型基于独立成分分析的协整研究(英文)

定义了向量 ARFRIM(VARFIMA)模型的一般形式及这种定义上协整的概念并给出了 VARFIMA的线性组合具有 ARMA 表达式的一个充分必要条件.接着基于独立成分分析的方法讨论了协整的存在性,给出了 VARFIMA 模型存在协整的充分必要条件,并考虑了几种特殊情形.最后讨论了协整向量及协整向量空间的结构.

基于ARFIMA-WRBV-VaR的中国股市风险研究

采用日内高频数据,以上证综指和深证成指反映中国股市整体情况,建立了ARFIMA-WRBV-VaR模型,对中国股市进行了VaR风险预测研究.实证结果表明:用WRBV来估计2种指数的波动率,能有效解决2种指数收益率序列的跳跃点情况和消除股市的日历效应.预测得到的VaR序列能通过kupiec似然比失败率检验,且预测结果的准确度较高.通过对VaR预测序列进行R/S检验,发现VaR预测序列具有长期记忆性,即ARFIMA-WRBV-VaR模型能较准确地预测中国股市的VaR风险值.

基于R/S检验、ARFIMA模型和小波方差的人民币汇率长记忆性检验

分别应用R/S检验、ARFIMA模型和小波方差对人民币兑美元名义汇率收益率序列的长记忆性进行检验。根据R/S统计量计算出Hurst指数为0.573 745 1,采用ARFIMA(2,d,1)模型对人民币汇率收益率序列进行拟合的效果比较好,其分数差分参数为0.145 7,利用Haar小波对人民币汇率波动绝对值收益率序列进行最大重复离散小波变换,得出其长记忆性参数为0.393 1。3种方法的研究结果均表明人民币兑美元名义汇率收益率序列存在长记忆性。

基于SKT-ARFIMA-HYGARCH模型的开放式基金投资风格漂移收益及其波动分形研究

以往大量文献研究表明基金经常发生风格漂移现象,但资本市场呈分形特征违背了有效市场假说,对传统的实证研究方法提出了巨大挑战。以2005年上半年成立的5只开放式基金为研究样本,利用3个信息准则确定ARFIMA(1,d1,1)-HYGARCH(1,d2,0)为最优模型,引入SKT分布结合该模型来探索研究基金投资风格漂移所带来的收益及波动过程的分形特征。实证结果表明:该模型能够较好刻画投资风格漂移日收益序列的双长记忆性分形特征,其波动过程均存在显著的长记忆性,但收益过程存在长、短记忆性不统一现象,这进一步说明基金投资风格经常发生无序漂移现象,也折射出其背后存在着巨大的漂移风险隐患。最后,Person吻合度检验证实了SKT分布能较好地拟合基金投资风格漂移日收益序列的分布。

基于ARFIMA模型的内蒙古农林牧渔业总产值研究

根据1947~2011年内蒙古农林牧渔业总产值的数据，运用时间序列分析对数据进行定量分析。以分数阶差分方法代替传统的整数阶差分方法，最大程度地保留了序列的原始信息；通过分数阶差分使数据平稳，经白噪声检验后，用 ARFIMA模型进行模型拟合；根据拟合模型对内蒙古农林牧渔业总产值进行预测，结果显示，模型的拟合结果较准确，误差在可控范围之内。

时间序列ARFIMA模型的贝叶斯预测分析

ARFIMA模型是时间序列分析理论体系中的一个新领域,其模型结构比较复杂。本文系统地研究了时间序列ARFIMA(p,d,q)模型的贝叶斯预测问题,给出了模型的似然函数形式,构造了模型参数的先验分布;根据贝叶斯定理严密地推断了参数的后验边缘分布密度函数,建立了贝叶斯ARFIMA模型预测的基本程序,并且进行了实证研究分析。

乙型、丙型流感病毒的长记忆ARFIMA模型

用时间序列模型来分析乙型、丙型这两种流感病毒,对乙流、丙流病毒DNA序列提供了一种新的时间序列模型,即CGR弧度序列。利用CGR坐标将乙流、丙流病毒DNA序列转换成CGR弧度序列,且引入长记忆ARFIMA模型去拟合这两类序列。发现随机找来的10条乙流序列,10条丙流序列都具有长相关性且拟合很好,并且还发现这两种病毒序列可以尝试用不同的ARFIMA模型ARFIMA(0,d,4)模型,ARFIMA(1,d,1)模型去识别。

存在缺失值的ARFIMA模型的最大似然估计

利用状态空间模型中的Kalman滤波可以很好地解决时间序列模型的缺失数据问题。本文通过修改Kalman滤波递推公式解决了长记忆ARFIMA模型的缺失数据问题,得到存在缺失值的ARFIMA模型的最大似然估计。

中国通货膨胀率的非线性动态行为研究——来自MS-ARFIMA模型的新证据

使用允许长记忆参数d服从区制转换的MS-ARFIMA模型对中国月度通货膨胀路径的动态行为进行新的实证研究,结果显示:中国通货膨胀不仅均值水平和不确定性存在着"低通胀"区制和"高通胀"区制,而且更为重要的是,通货膨胀序列的平稳性也表现出显著的区制转换动态。"低通胀"区制下,长记忆参数d1=0.361,说明通货膨胀是协方差平稳序列,"高通胀"区制下,长记忆参数d2=1.145,说明通货膨胀是非平稳序列。这一新的研究结论意味着中国通货膨胀冲击的持久性效应也存在相应的区制转移变化。这要求央行在管控通货膨胀过程中,既要考虑均值和不确定性的区制变化,又要兼顾平稳性和持久性的区制变化。

时间序列ARFIMA模型的参数估计

ARFIMA模型是时间序列分析领域中应用最为广泛的一类模型。本文采取两阶段方法估计ARFIMA(p,d,q)模型的参数。第一阶段采取R/S分析法估计出该模型的分形差分参数d,进而将ARFIMA模型转化为ARMA模型,第二阶段针对于ARMA模型利用基于Gibbs抽样的Markov Chain Monte Carlo贝叶斯方法估计模型的其他参数。最后对我们采取的两阶段方法进行模拟仿真,实验表明:我们采取的方法可以精确的估计ARFIMA模型的参数。

金融高频数据波动率度量比较——基于ARFIMA模型的VaR视角

本文针对已实现波动率、己实现极差、双幂变差己实现波动率、截断双幂变差己实现波动率以及两尺度己实现波动率5种主要高频数据波动率度量,比较研究它们在VaR预测中的差异。运用ARFIMA模型描述波动率动态变化,偏学生分布、正念逆高斯分布和广义双曲分布刻画标准化收益率,建立VaR度量预测模型。利用上证综合指数高频数据进行实证分析,VaR回测检验表明,基于高频数据波动率度量ARFIMA模型,比基于低频数据GARCH类模型预测VaR效果更好,已实现极差比其他波动率度量VaR预测准确。

长记忆ARFIMA-GARCH模型的状态空间模型估计(英文)

本文考虑了ARFIMA-GARCH类模型的状态空间表示.ARFIMA-GARCH这类模型结合了长记忆时间序列和条件异方差过程.虽然ARFIMA-GARCH模型的状态空间表示是无穷维的,但是基于这种表示法的精确极大似然估计可以在样本长度的迭代计算中得到.本文提出了基于模型的截断的自回归展开式的似然函数近似估计,进而得到了模型参数的拟似然估计.利用状态空间表示的便利,本文的估计方法被应用到了缺失数据的情形.最后,我们还将本文的方法应用于模拟计算(缺失数据和非缺失数据)和实际数据分析.

基于ARFIMA-GARCH模型的混成检验

本文研究了ARFIMA-GARCH模型的混成检验问题.基于拟极大指数似然估计,给出了平方残差自相关函数的渐近性,进而建立了基于平方残差自相关函数的混成检验统计量.通过实例分析,表明可利用基于平方残差自相关函数的混成检验统计量来诊断检验由拟极大指数似然估计方法拟合的ARFIMA-GARCH模型.

中国通胀水平及其不确定性双长记忆统计特征研究——基于ARFIMA-HYGARCH-t模型

基于ARFIMA-HYGARCH-t模型对1985年1月至2015年12月间中国月度通货膨胀的均值过程和波动过程进行统计检验,发现通货膨胀水平及其不确定性表现出"双长记忆"行为。在此行为下,利用VAR模型、ARFIMA-HYGARCH-M-t模型及ARFIMA-GJR-t模型检验通货膨胀水平与其不确定性之间的影响关系、影响方向与影响程度,结论支持Friedman-Ball假说;通货膨胀水平正向冲击引发的不确定性程度强于负向冲击引发的不确定性程度。经济政策操作时既要考虑维持通货膨胀的稳定性,也要考虑政策期限结构的长期性。