基于在线大数据及文本挖掘技术的CPI预测研究

物价在宏观调控中具有重要地位,通过新技术、新手段不断优化CPI预测,对于有效开展宏观调控具有重要意义。本文创新性的将网络数据“清数-iCPI”和文本挖掘信息引入CPI预测,并通过混频数据构建了神经网络预测模型。首先将BERT模型应用于CPI预测关键词的扩展,其次引入“清数-iCPI”这一网络价格信息,最后将高频时间引入解释维度构建混频数据的人工神经网络模型。结果显示,利用文本挖掘和“清数-iCPI”构建的混频数据预测CPI结果稳定,文本挖掘信息对预测精度有明显提升,预测模型在拐点捕捉方面表现优秀,可提前一个月左右实现对CPI的预测。

试析大数据时代的数量经济模型——以BP神经网络的中国CPI预测为例

信息技术的快速发展使得大数据成为数量经济学研究的重要工具。本文以BP神经网络的中国CPI预测为例,针对数据来源与模型构建流程进行了梳理,并依托预测结果进行了分析与精度比对,最终从重视货币政策影响、确保物价稳定、强化市场监管以及做好舆论引导等方面提出了未来市场经济发展的政策建议,使大数据技术为宏观经济预测和分析工作做出更加卓越的贡献。

中国近年通胀原因与2013年CPI预测分析

顺差过多是引起我国通胀的主要原因,人民币适度升值是减少顺差、缓减通胀的有效措施。运用ARMA-EGARCH模型探寻CPI发展变化规律,并对2013年的CPI走势进行预测分析。

基于最小一乘准则GM(1,1)模型的CPI预测

文章采用最小一乘准则建立了CPI经济预测GM(1,1)模型,利用1-AGO序列给出参数估计的LIN-GO算法程序和模型检测方法。最后,利用该模型采用我国2010年9月-2011年3月CPI月度指数对未来几个月的CPI走势进行预测,结果表明模型普适有效。

基于季节ARIMA模型的安徽省CPI预测

以安徽省CPI月度数据为样本数据,利用Eviews6.0软件,建立乘积季节预测模型,并用该模型预测安徽省未来三个月的CPI指数,结果比较真实、能准确地反映安徽省CPI变化趋势。

遗传神经网络模型在CPI预测中的实证检验

文章针对神经网络预测存在的缺陷,提出了GA-BP神经网络经济预测模型,将遗传算法用于优化BP网络的初始权值和阀值,在此基础上对BP神经网络进行训练,对CPI历史数据进行检验分析,实例证明该模型在预测的精度和收敛速度上都高于纯BP神经网络模型,具有良好的应用前景。

基于BP神经网络的CPI预测研究

CPI(居民消费价格指数)是反映一定时期内城乡居民所购买的生活消费品价格和服务项目价格变动趋势和程度的相对数。本文将BP神经网络模型引入到CPI预测领域,针对2002年1月至2007年9月国家统计局数据,通过Clementine建立CPI预测的神经网络模型。计算结果表明,BP神经网络模型应用于CPI预测具有较高的精度和良好的泛化能力。

基于小波时间序列模型的CPI预测

经典时间序列模型是CPI预测较为常用的方法,该方法建模前未对数据进行预处理,导致模型预测精度不高。为此提出一种小波时间序列模型方法:首先通过小波分解与重构消除时间序列的白噪声;然后将重构的近似分量和细节分量,分别建立时间序列模型;最后对两个分量的预测结果进行重构,得到序列的最终预测结果。实验以2000年1月至2015年12月期间的安徽省月度CPI序列作为实证分析对象,分别构建经典时间序列模型和小波时间序列模型,通过比较两种模型的预测精度,发现小波序列模型明显优于经典时间序列模型。

基于最优非负可变加权系数组合预测法的CPI预测研究

准确的物价预测是稳定物价的前提之一,及时根据预测结果制定有针对性的宏观经济措施,对维持经济系统的有效运行、保证居民的生活稳定有着重要的意义。文章分别采用回归预测法、ARMA时间序列预测法、VAR模型预测法和BP神经网络预测法四种单项预测方法和最优非负可变加权系数组合预测法对我国物价走势进行预测,并将预测值进行对比分析,得出最优非负可变加权系数组合预测方法能够综合各单项预测方法的信息,有效提高预测精度,该模型可以用作我国物价走势预测的模型的结论。

基于卷积长短时记忆网络的CPI预测

针对消费价格指数(CPI)的预测值滞后于真实值的现象,提出一种基于卷积神经网络-长短期记忆(CNNLSTM)深度网络的CPI预测模型,预测结果相较于传统方法有较小的均方根误差和平均绝对百分比误差,且预测结果的定向精度和Pearson相关系数显著高于传统方法。用卷积神经网络-长短期记忆深度网络学习期货数据的空间特征和时间特征,动态定量预测每日CPI的变化情况。为有效提高深度网络训练的样本数量,对月度CPI数据进行数据增强。通过滑动时间窗口动态训练模型,预测2019年1月至2020年5月CPI变化情况。模型预测CPI取得了较高的准确率,在基于日级别数据进行CPI预测时具有明显优势。

大数据背景下CPI预测问题的文本挖掘技术设计与应用

本文创新地将半监督交互式关键词提取算法词频-逆向文件频率(Term FrequencyInverse Document Frequency,TF-IDF)与基于Transformer的双向编码表征(Bidirectional Encoder Representation from Transformers,BERT)模型相结合,设计出一种扩展CPI预测种子关键词的文本挖掘技术。采用交互式TF-IDF算法,对原始CPI预测种子关键词汇广度上进行扩展,在此基础上通过BERT"两段式"检索过滤模型深入挖掘文本信息并匹配关键词,实现CPI预测关键词深度上的扩展,从而构建了CPI预测的关键词库。在此基础上,本文进一步对文本挖掘技术特征扩展前后的关键词建立预测模型进行对比分析。研究表明,相比于传统的关键词提取算法,交互式TF-IDF算法不仅无需借助语料库,而且还允许种子词的输入。同时,BERT模型通过迁移学习的方式对基础模型进行微调,学习特定领域知识,在CPI预测问题中很好地实现了语言表征、语义拓展与人机交互。相对于传统文本挖掘技术,本文设计的文本挖掘技术具有较强的泛化表征能力,在84个CPI预测关键种子词的基础上,扩充后的关键词对CPI具有更高的预测准确度和更充分的解释性。本文针对CPI预测问题设计的文本挖掘技术,也为建立其他宏观经济指标关键词词库提供新的研究思路与参考价值。

细分行业用电的CPI预测方法

针对目前预测居民消费价格指数(CPI)所依赖的数据源单一,并且大多与CPI无本质关联的问题,提出了基于细分行业用电数据预测CPI的方法。该方法认为电力数据在一定程度上体现了社会生产的状况,因此利用电力数据预测CPI理论上能够提升模型预测精度。首先对所使用的时间序列数据进行了平稳性调整,将非平稳数据调整为平稳的数据。然后采用Pearson时延系数、带时延的KL-Divergence对不同行业用电数据对CPI的影响是否存在不同时延进行判断,其次用赤池信息量对不同行业时延进行最终选择。最后利用岭回归模型构建CPI预测模型,即利用计算而得的不同行业的最优延时,并采用岭回归限制模型维度,预测了未来的CPI。用某省真实的细分行业用电数据和CPI数据对模型效果进行了验证,相比目前最好的自回归积分移动平均(ARIMA)模型,该模型预测误差率下降50. 8%,模型稳定性提升62. 3%。通过挖掘用电量数据与CPI之间更细粒度的关系,该方法成功提高了预测结果的精确度和稳定性,能够更好地预测CPI,也进一步说明了用电信息是预测经济指标的一个重要依据。

中国短期CPI预测的最优模型研究——基于几种时间序列模型的选择与优化

CPI(居民消费价格指数)关系国计民生,对此进行稳妥和较为准确地预测并以此调整相关政策有利于国民经济平稳运行或朝着利好的方向发展。文章将中国1990年至2021年月度CPI数据进行时间序列建模分析,试图寻找能拟合该序列的最优模型,并通过最优模型对2021年中国CPI进行预测,提供相关建议。通过对相关数据进行分析,找出最优模型是ARIMA(1,1,1)(1,0,1)[12]-ARCH(0,1),并对比2021年最后几个月CPI实际数值,发现该模型对近期CPI月度数值进行预测有较好效果。

一种改进的深度置信网络模型在CPI预测中的应用

居民消费价格指数(Consumer Price Index,CPI)是一种具有非线性、复杂性和滞后性的时间序列数据,利用传统的时间序列方法和浅层神经网络很难建立有效的CPI预测模型,针对现有的时间序列预测方法不能解决非线性、复杂性和滞后性的时间序列数据预测问题。本文提出了一种基于改进的深度置信网络模型(GBDBN-ESN)CPI预测方法。该方法是利用高斯伯努利波尔兹曼机来处理输入特征向量,通过改进传统的梯度计算方法,建立一个梯度修正模型来提高网络的预测精度,并在网络的顶层连接一个回声状态网络作为回归层以实现对CPI的预测。实验结果表明,网络的预测精度得到了较好的改善。

基于网络新闻的CPI预测混合模型构建研究

本文建立在基于计量经济学的模型——ARIMA模型的基础上,通过提取经济相关的信息对CPI波动的影响因素,对SARIMA模型无法解释的误差使用神经网络BPNN进行建模,用网络新闻信息来拟合时间序列得到残差,以修正CPI的拟合效果。考虑网络新闻中包含的主观信息与客观信息并对其进行情感分析与文本分析,建立TS-SARIMA混合模型用以预测CPI值。

基于SARIMA-GARCH模型的海南省月度CPI预测

稳定物价是政府市场调控的一个重要目标,因此把握CPI的宏观趋势具有一定的现实意义。本文依据海南省2000年1月至2015年12月月度CPI值,运用ARIMA季节模型进行拟合,考虑残差可能的ARCH效应,并对2016年1月至10月的CPI进行了预测。实证表明,ARIMA(2,1,2)(1,0,1)[12]模型能对海南省月度CPI起到较好的预测效果,对于政府政策制定调控市场具有一定的参考价值。

我国城市年度CPI预测模型研究——以广东省为例

居民消费价格指数(CPI)是反映国民经济和百姓生活的重要指标,是国内外学者研究的热点。本文拟根据我国城市年度CPI的数据,分析年度CPI的变化规律,利用计量经济学软件Eviews建立年度CPI的预测模型。由于年度CPI数据涉及的时间跨度大而我国市场经济发展的时间短,有关它的研究得不到大量有效的数据支持,因而这方面的学术研究比较少,本文在此作一个初步的偿试。

基于百度搜索指数的CPI预测研究

在数字经济时代的背景下,高效地从大数据中提取有用信息用于预测,具有重要的理论意义和现实意义。基于高维宏观经济数据和百度搜索指数构建监督因子模型,分别利用缩放主成分分析(s-PCA)和偏最小二乘(PLS)提取因子预测我国的CPI。在此基础上,进一步利用LASSO筛选变量,对因子估计施加“双重监督”,考察“双重监督”因子模型的信息提取效率。实证结果表明:相比于无监督因子模型,监督因子模型对CPI及其“拐点”具有更强的预测能力;采用LASSO筛选变量的“双重监督”因子模型具有更高的信息提取效率,变量筛选能有效提升监督因子的预测能力;百度搜索指数对CPI具有显著的预测能力,可作为信息补充源为CPI预测提供额外的信息。

基于VAR模型的CPI影响因素分析及预测

2009年末的宏观经济分析明确要求做好通胀预期管理。我国是否会经历新的一轮CPI的大幅上涨又成为了各界关注的焦点。本文运用VAR模型,分析各因素对CPI的影响,得出CPI对自身反应较为敏感,原料、燃料和动力购进价格指数对CPI的影响较弱,工业产品出厂价格指数以及货币供给增长率对CPI的影响也较弱,但有3个月的时滞。对未来36个月的CPI进行定量预测,得出未来两年我国不会出现大规模通货膨胀。对此,应理顺价格关系,严控非理性投资,加强对通胀预期的管理。

加入网络搜索行为能提升CPI的预测效果吗

传统的CPI预测模型利用的数据主要来源于政府统计局,由于政府统计数据规范、噪音小等特点,使得这样的预测模型在CPI变化不大的时期预测效果较好,但是在CPI变化趋势出现拐点的时期,预测效果往往较差;网络搜索数据作为一种新兴的数据结构类型,被运用到经济社会问题的预测当中,其实时可得的特点,能够提前预测到趋势变化的拐点。因此将网络搜索数据加入到传统的CPI预测模型中,分析增加网络搜索行为能不能提升CPI的预测效果,尤其是在CPI出现拐点的时期。分析结果显示,当CPI趋势出现拐点的时期,在传统预测模型中加入网络搜索数据,的确可以提升模型的预测效果。