结合GMDH算法与AC算法建模的汇率预测

合集下载

基于人工神经网络和随机游走模型的汇率预测

基于人工神经网络和随机游走模型的汇率预测洪嘉灏李雄英王斌会摘要由于金融数据具有随机性特征，使得建模和预测变得极其困难.提出一种组合预测方法，即假定任何金融时序数据由线性和非线性两部分组成，将其中线性部分的数据通过随机游走（RW）模型进行模拟，剩余的非线性残差部分由前馈神经网络（FANN）和诶尔曼神经网络（EANN）协同处理.从实证结果可知，该组合方法相比单独使用RW、FANN或EANN模型有更高的预测精度.关键词诶尔曼神经网络；人工神经网络；随机游走模型；组合预测；金融时间序列中图分类号 F224 A1 引言金融时间序列与经济环境及商业环境有关，如股市，汇率，物价指数，国民收入和净出口等.选择一个合适的金融数据模型，需要正确地识别金融市场与整体经济之间的内在关系[1].在实践中非常困难.因为一个金融时序数据的动态变化受到多个经济变量的影响，包括经济增长，利率，通货膨胀，通货紧缩，政治决策和心理因素等多个复杂的经济变量[1].这些年来，关于金融时间序列的分布特征、模型模拟及预测等已经有了大量的研究工作[2，3].线性统计模型，如指数平滑法[4]和ARIMA[5]模型等，已经大量应用于金融数据的预测.ARIMA模型的一个分支，即随机游走模型（Random Walk model）[1，6]，已经成为这个领域的主流统计技术.在一个简单的随机游走模型中，每一期的预测值被认为是最近一期的观测值和随机误差项的总和.目前，简单随机游走模型是金融时间序列分析中最主要的线性模型（尤其是汇率数据）[7].对随机游走模型的改进，如带漂移项的随机游走模型和误差修正，也有了很多相关的研究[1].尽管随机游走模型具有简单性和显著的预测精度，但是其主要缺点是内在的线性形式.随机游走模型未能捕获存在于金融时间序列中的非线性特征[2，7].非线性是金融时间序列的缺省特征，因此，通过一个随机游走模型近似它是不充分的.在这种情况下，人工神经网络是一种不错的选择.由于其非线性，非参数，自适应和噪声耐受性，人工神经网络在金融时间序列预测领域获得了广泛的关注[2，3].这些显著的特征使得人工神经网络模型能够有效地识别解释变量之间导致金融时序图产生不规则波峰和波谷的内在机理.与其他非线性统计模型不同的是，人工神经网络能够在不了解底层数据计算过程的情况下进行非线性模拟[8].不少研究者对比了人工神经网络和随机游走模型预测金融数据时的表现，也研究出了许多有益的结果：如Dunis and William发现神经网络相对于一般的统计模型可以提供更高的预测精度；Sun[1]发现在预测汇率时，人工神经网络表现出比随机游走模型更差的预测精度等等.但是，对于预测金融数据，一个金融时间序列一般包含了线性部分和非线性部分，单独使用人工神经网络模型或随机游走模型并不合适.上述研究无法确定人工神经网络模型和随机游走模型中哪一个更适应于预测这类金融数据.从而激励着去寻找一种组合机制去预测汇率.对于金融数据模型的预测，zhang[7]首次将随机游走模型和神经网络模型结合起来，国内学者熊志斌也做了ARIMA融合神经网络的人民币汇率预测模型研究[9].本文假设任何金融时间序列由线性部分和非线性自相关部分组成，且可以从时间序列中剥离、单独建模.将随机游走模型和神经网络模型结合起来对金融数据进行预测.主要步骤如下：首先，随机游走模型用于拟合金融时间序列的线性部分，由观察值和随机游走模型拟合值之间的差计算样本内残差.根据假设，这些残差只包含非线性关系；第二，FANN和EANN 将用于分别拟合这些残差值，并由2个模型产生的预测值的平均值得到想要的残差估计；第三步，由随机游走模型预测时间序列的线性部分；最后，将线性部分和非线性部分所得到的预测值加总，获得期望的最终预测.2 随机游走模型随机游走模型是金融时序分析最流行和有效的统计模型，也被广大的研究生所研究和使用，这个模型假设最近的观察值是对下一期预测值的最佳指南.在数学上，一个简单的RW模型被表示如下：其中，和yt是时间序列中的观察值，εt是一个白噪声并且εt～N（0，σ2）.从式（1）中可以看出，一个随机游走模型表明所有与未来相关的信息已经包含在可用的数据里，这个模型因为被使用较多，所以非常容易理解和实现.根据有效市场的假说，随机游走模型是外汇汇率预测中最主要的线性模型，而且大量研究指出许多基于线性结构的预测技术并没有比简单的随机游走模型更有效.一个随机游走模型的成功很大程度上取决于随机误差项，按照定义，随机误差项是独立同分布的.在本文中将生成独立同分布的伪随机正态变量εt～N（0，σ2），其中σ2是样本内数据集的方差.3 人工神经网络（ANN）模型3.1 前馈神经网络（FANN）在所有可用的仿生预测方法中，人工神经网络无疑是最流行且最成功的.人工神经网络最初起源于对人脑结构的模仿，渐渐地，神经网络技术在众多领域起到了极为重要的作用，如分类、识别和预测.人工神经网络通过若干互相连接的分布在不同层的神经元来学习数据的内在关系.多层感知器（MLP）是最被认可的人工神经网络的结构，用于时间序列预测问题.一个MLP基本上是一个输入层，一个或多个隐藏层和一个输出层的前馈结构.在每层中有许多个处理结点，其通过不可逆的链接连接到下一层.单层次的隐藏节点已经足以解决许多最实际的问题.图1描述了一个典型的MLP结构（p个输入结点，h个隐藏结点和一个输出结点）.在没有任何限制条件的情况下，简单的多层感应器模型或前馈神经网络模型能以任何给定的精度去近似逼近任何非线性函数.考虑到计算的要求，简单的神经网络往往是更合适的.选择合适的网络结构很重要，但并不是一个简单的工作.网络结构的选择主要包括确定输入节点、隐藏节点和输出节点的个数，以及隐藏层的层数.在不同文献中有着不同的参数优化选择方法，但这些方法并不简单，而且都是针对着具体的问题.endprint广泛应用的神经网络选择方法包括了赤池信息准则（AIC），贝叶斯信息准则（BIC），施瓦茨的贝叶斯准则（SBC）和偏差校正的赤池信息准则（AICC-）.这4种准则基于对增加神经网络中参数个数的惩罚.在本文中，使用BIC准则作为神经网络的选择标准，因为它比其他3种准则更严重地惩罚了额外的参数.对于一个的FANN模型，BIC的数学表达式由式（5）给出：3.2 诶尔曼人工神经网络（EANN）类似于常见的前馈型神经网络（FANNs），时间递归神经网络在金融时间序列预测领域也相当流行.诶尔曼人工神经网络是一种简单的时间递归神经网络，除了3种常见的层次，还有额外的上下文层和反馈连接.在每一个计算步骤中，隐藏层的输出被再次反馈到上下文层，如图2所示.这种递归使得神经网络动态化，从而能够实现对处理结点非线性时间依赖的映射.EANN模型通常比相同结构的FANN提供了更好的预测性能.然而，EANNs比FANNs需要更多数量的网络连接和记忆单元.使用相同的网络结构的FANN和EANN模型，不同之处在于EANN模型隐藏层的神经元是对应FANN模型中神经元的5倍.4 组合方法的建模在本文中，决定同时利用随机网络模型和神经网路模型来预测金融数据.虽然这些模型有着广泛的应用，但是他们之中没有一个模型能够在所有预测情况之下都最好.例如，RW模型不适合于识别非线性模式，类似地，使用人工神经网络处理线性问题时产生的结果也好坏参半.因此，更科学的做法是找一种组合方法去结合这两种模型的长处，而不是单独地去应用它们.假设，一个金融时间序列由从线性和非线性两部分构成，能从时间序列中分离出来并单独地建模.从数学上讲：这种组合方法的显著特点如下：①任何金融时间序列都由线性部分和非线性部分组成，通过随机游走模型拟合线性部分，神经网络模型拟合非线性残差部分，提高了总体的预测精度；②类似的组合方法最早由Zhang推出，在他们的方法中，时间序列的线性部分由ARIMA模型来拟合而剩余的非线性残差部分由FANN来拟合.然而，该组合方法同时结合了FANN模型和EANN模型两种模型的优势，能更好地识别非线性自回归结构；③这种组合机制是基于一种简单而有效的想法，相当容易实施和解释.④值得注意的是，如果金融时间序列中的线性和非线性部分存在着适当比例的自相关结构，那所提出的组合方法将能显着改善预测精度.如果这2个部分自相关程度较弱，那该方法可能并不合适.5 实验结果与讨论为了验证所提出的组合方法的有效性，本文用到了三组数据：①港币兑换美元汇率，包括了从1994年8月到2015年6月港币兑换人民币的每月汇率；②美元兑换人民币汇率，包含从2005年5月到2015年6月美元兑换人民币的每月汇率；③人民币兑换港币汇率，包括了从1995年1月到2015年6月人民币兑换港币的每月汇率.（数据来源：汇率数据取自国泰安数据库）（见表1）从图3中可以清楚地看到3个时间序列中不规则非平稳的变化.图4和5中，画出了3种时间序列的实际曲线和通过组合模型所描绘的预测值曲线.在每个图中，实线和虚线分别表示实际和预测序列.港币美元汇率与人民币港币汇率数据的预测误差较小，预测值与原始值的走势趋于一致.预测人民币港币汇率的预测效果没有港币美元汇率与人民币港币汇率好，预测值的总体走势与原始值一致.三组汇率数据的原始值和他们的预测值之间的接近程度是显而易见的.6 总结众所周知，设计一个合适的模型来预测金融数据是时间序列研究领域的一个重大挑战，也是极其不易之事.这主要是因为金融时间序列中的不规则运动及突然的转折点使得实际中很难去理解和预测.基于金融数据独特的随机性特征，本文构建了人工神经网络和随机游走模型对中国的汇率数据进行预测.本文构建的新模型结合了随机游走模型，FANN模型和EANN模型3种模型的优势去预测金融数据.并且从实证结果表明，预测值与原始值的走势趋于一致，港币与人民币之间的预测误差不大，但是对于相对于人民币汇率的预测，美元汇率的预测效果更好.从预测误差看，均比每个单独的模型效果要好.从三组真实的金融时间序列的实证结果清楚地表明，本文新构建的组合方法极大地提高了整体的预测精度.因此，我们的新模型在汇率预测方面上有更高的准确性和适用性.参考文献[1] Y SUN. Exchange rate forecasting with an artificial neural network model：can we beat a random walk model？ [D] New Zealand：Christchurch，Lincoln University， 2005.[2] A HUSSAIN， A KNOWLES， P LISBOA，et al. Financial time series prediction using polynomial pipelined neural networks[J]. Expert Systems with Applications， 2008， 35（3）： 1186-1199.[3] M SEWELL. The application of intelligent systems to financial time series analysis[D].London：Department of Computer Science， UCL，2010.[4] C LEMKE，B GABRYS. metalearning for time series forecasting and forecast combination[J]. Neurocomputing， 2010， 73（10）： 2006-2016.[5] G BOX， G JENKINS， G REINSEL. Time series analysis： forecasting and control[M].London John Wiley & Sons， 2011. 734[6] E TYREE， J LONG. Forecasting currency exchange rates： neural networks and the random walk model[J]. Citeseer， 1995（1）：981-996.[7] G ZHANG. Time series forecasting using a hybrid ARIMA and neural network model[J]. Neurocomputing， 2003， 50： 159-175.[8] G ZHANG. A neural network ensemble method with jittered training data for time series forecasting[J]. Information Sciences， 2007， 177（23）： 5329-5346.[9] 熊志斌.ARIMA融合神经网络的人民币汇率预测模型研究[J].数量经济技术经济研究：2011（6）：64-76.endprint-全文完-。

大数据环境下的人民币汇率预测模型研究

大数据环境下的人民币汇率预测模型研究随着经济全球化的进程和金融市场的不断发展，人民币汇率的波动对国内外企业和个人产生了重要影响。

因此，准确而有效地预测人民币汇率变动成为了金融从业者和决策者的迫切需求。

在大数据时代的背景下，借助相关技术和工具，构建人民币汇率预测模型成为可能。

一、人民币汇率预测模型的重要性人民币汇率的波动会对外贸出口、国内经济政策、国际投资等产生深远的影响。

因此，通过建立准确的人民币汇率预测模型，可以为政府制定政策、企业制定战略、投资者进行风险管理等提供重要参考依据。

在大数据环境下，可以利用海量的数据和强大的计算能力，提高预测模型的准确度和稳定性。

二、大数据在人民币汇率预测中的应用1. 数据源的扩大：大数据时代的到来，使我们能够获取更多的数据源，包括经济指标、市场数据、新闻媒体、社交媒体等。

这些多源数据能够提供更全面、及时和准确的信息，有助于提高预测模型的精度和可靠性。

2. 数据解读的创新：大数据技术可以帮助识别和挖掘数据中的有用信息和规律。

例如，通过文本挖掘和情感分析技术，可以分析新闻媒体和社交媒体上对人民币汇率的讨论和预期，从而提取有关人民币汇率的市场情绪，作为预测模型的输入变量。

3. 模型的改进：利用大数据进行人民币汇率预测模型的研究，可以采用更复杂、更深入的模型。

例如，可以结合机器学习算法和神经网络模型，利用大规模样本训练模型，提高预测精度。

此外，还可以采用时间序列分析和异方差模型等方法，更好地捕捉人民币汇率的变动特征。

三、人民币汇率预测模型的构建1. 数据准备：首先需要收集和整理与人民币汇率相关的数据，包括经济指标（如GDP、CPI、汇率、利率）、市场数据（如股票指数、商品价格）以及新闻媒体和社交媒体上的舆情数据等。

同时，还需要考虑数据的质量、完整性和时效性。

2. 变量选择：通过相关性分析等方法，筛选出对人民币汇率影响较大的变量作为模型的输入。

这些变量可以包括经济指标、市场数据、舆情数据等。

基于算法交易的人民币汇率预测研究

基于算法交易的人民币汇率预测研究随着中国经济的不断发展，人民币汇率对全球的影响也越来越大。

汇率的涨跌，往往直接影响经济体的通货膨胀率、外贸竞争力、国际借贷市场等方面。

因此，对人民币汇率的预测研究是极具价值和必要的。

众所周知，汇率波动的原因不仅有市场供求因素，还有宏观经济因素、政策因素等。

因此，人民币汇率预测是一个极为复杂的问题。

但是，随着人工智能技术的不断发展，基于算法交易的人民币汇率预测研究正逐渐变得可行起来。

首先，我们可以使用机器学习算法来预测汇率的走势。

机器学习算法能够自动分析历史数据，寻找其中的规律和趋势。

通过样本数据的训练和模型的不断优化，机器可以完成准确的预测。

目前，常用的机器学习算法包括支持向量机、随机森林、神经网络等。

这些算法可以对大量历史数据进行学习和推断，从而预测未来汇率的波动。

同时，随着数据量的不断累积，机器学习算法可以通过不断优化和迭代，提高预测的准确性和稳定性。

其次，我们可以通过深度学习算法来预测汇率的走势。

深度学习算法是一种人工智能领域的前沿技术，可以处理高维度的数据，具有对非线性问题非常有效的处理能力。

通过构建深度神经网络模型，可以将历史汇率数据作为输入，自动学习并提取其中的相关特征，从而预测未来汇率的走势。

深度学习算法在处理非线性问题上的能力非常出色，因此在中长期汇率预测领域具有很高的应用价值。

最后，我们可以通过强化学习算法来预测汇率的走势。

强化学习是一种通过试错学习来提高决策能力的人工智能算法。

通过模拟不同的决策和收益情况，强化学习算法可以找到一种最优的策略，从而提高预测的准确性和稳定性。

在汇率预测领域，强化学习算法可以模拟各种市场情况和政策变化，不断优化预测策略，从而提高预测的精度和可信度。

综上所述，基于算法交易的人民币汇率预测研究具有很高的价值和实用意义。

通过机器学习、深度学习、强化学习等方法，可以对历史数据进行学习和推断，预测未来汇率的波动。

同时，随着数据量的不断扩大和算法的不断优化，预测的准确性和稳定性也会不断提高。

基于GMDH—GM(1,N)的模型对工业增加值预测

结语
测效果。其预测方法对政府部门和企业的发展，都有着重要的意义。２基予ＧＨＧ１Ｎ的模型对工业增加位琢舅ＭＤ－Ｍ（，）
２１模型的建立．
通过比较，我们可以得出，对于小样本事件的预测，利用Ｇ — Ｇ（，肋ＨＨ１Ｎ组合模型进行的预测效果明显比单一的预测模型Ｇ和Ｇ（，））仰ＨＭ１Ｎ的误差小，说明在进行经济预测时，需要同时考虑多种影响因素，根据模型的特点，结合宏观经济环境等多个方面进行综合判断。该模型为企业、政府提供合理有效的预测结果，为其决策提供引导作用。
Ｎ模型预测的结果与ＧＤ－Ｇ（，）合模型的预测结果和误差做如下的比）ＭＨＭ１Ｎ组
较。见表１：
为评价预测的性能，本文使用均方误差（ＭＥ、平均绝对百分比误差ＲＳ）（ＡＥＭＲ）作为模型的评价准则。显然，ＭＥＭＰ越小，则预测精度越高，误ＲＳ、ＡＥ差越小。各种预测的精度对比结果见表２。结果分析：从表１以看出。利用Ｇ）可ＩＨ自回归进行预测误差最大为４￣．
４％７，最小误差是２６％．３。利用灰色系统Ｇ１Ｎ进行预测最大误差为５３％Ｍ（，）．５，
最小误差为２３％．１。组合预测模型最大误差为３７％．９，最小误差为０３％．７。从表２以看出，无论是从ＲＳ角度还是从ＭＰ角度，本文提出的基于ＧＤ－可ＭＥＡＥＭＨ灰Ｇ（，）Ｍ１Ｎ组合预测模型的预测精度与单一预测模型方法比较有较大的改进。

组合预测模型在四川省工业经济效益预测中的应用(一)

组合预测模型在四川省工业经济效益预测中的应用(一)摘要：针对季度工业经济效益综合指数具有增长性和波动性的二重趋势，首先对该指标建立GMDH自回归模型和AC模型，然后用基于误差平方和最小的多元回归方法对各单一模型的预测值进行组合，得到最优模型。

同时将组合预测结果与工业经济效益综合指数实际值以及GMDH、AC单一模型的预测结果相比较。

进一步显现出组合预测模型在工业经济效益预测中的优势。

从而为工业经济效益的预测提供了一种行之有效的方法。

关键词：工业经济效益综合指数；AC模型；GMDH自回归模型；组合预测1GMDH自回归模型原理GMDH是由乌克兰科学院A.G.Ivakhnenko院士于1967年首次提出，并在AdolfMueller等德国科学家的协作下得以不断发展，如今已成为一个有效而实用的数据挖掘工具。

自组织建模的过程实质上是寻求并确定系统最优复杂度模型的过程。

它处理的对象为若干输入变量，一个或多个输出变量构成的变量间关系待定的一个封闭系统。

通过各输入变量相互结合产生众多候选模型集，利用外准则选出若干项最优模型，再将其结合，由此得到再下一代。

如此不断重复直到新产生的模型不比上一代更加优秀为止，则倒数第二代中的最优模型就是我们寻找的最优复杂度模型。

GMDH是基于神经网络和计算机科学的迅速发展而产生和发展起来的。

类似于生物神经网络，自组织建模方法将黑箱思想、生物神经元方法、归纳法、概率论、Godel数理逻辑等方法有机地结合起来，实现了自动控制与模式识别理论的统一。

2AC模型原理2.1待选模式的产生对于一个给定的具有N个观察值的实值m维序列∧∧N)，一个模式定义为从第i行开始的含有k行的表格，这里k称为模式长度（i=1,2,∧,N-k+1）。

将所有可能的待选模式∧,l,∧,N-k+1)与参照模式相对比，希望找出与参照模式相似的模式来研究系统的行为。

根据任务的不同，参照模式可以是任何特定的模式。

由于AC算法将相似模式的延拓组合起来作为参照模式的发展状态，因而该方法进行预测时，应该使预测区间恰好是参照模式的延拓。

GMDH神经网络算法在变形预测中的应用

第28卷第3期2008年6月大地测量与地球动力学JOURNAL OF GEODESY AND GEODY NAM I CSVol .28No .3　June,2008 文章编号:167125942(2008)0320054205G MD H 神经网络算法在变形预测中的应用3潘国荣1,2)　谷　川1)1)同济大学测量与国土信息工程系,上海　2000922)现代工程测量国家测绘局重点实验室,上海　200092摘　要　针对G MDH 神经网络存在的不足,分别从网络初始变量预选个数的确定、部分表达式构成、中间变量选择准则、终止法则等方面进行改进,并且用Matlab 语言编程实现之。

将改进之后的G MDH 神经网络应用于非线性变形数据预测之中,并且将短期以及长期预测结果与BP 神经网络以及G MDH 神经网络得到的预测结果进行比较,得出结论:改进的G MDH 神经网络有较好的实用性,并且预测精度有较大提高。

关键词　G MDH 神经网络算法;初始变量预选;中间变量;终止法则;变形预测中图分类法:T D137 文献标识码:AG MD H NN AL GO R I TH M AN D I TS APPL I CAT I O NIN D EFO R M AT I O N FO RECAST INGPan Guor ong1,2)and Gu Chuan1)1)D epa rt m ent of Surveying and Geo 2Infor m atics,Tongji U niversity,Shangha i 2000922)Key L abora tory of M odern Engineering S urveying of SB SM ,Shanghai 200092Abstract A i m ing at several defects of G MDH NN (neural net w ork ),this paper has done s ome i m p r ove mentson the as pects of p reselecti on of initial variables nu mber,constitute of partial exp ressi on,choice criteri on of m iddle variables,st opp ing p rinci p le,and realized it with Matlab language .App lying the i m p r oved G MDH NN in non 2line 2ar def or mati on data forecasting,and comparing the short 2ter m and l ong 2ter m f orecasting result with those obtained with BP NN and G MDH NN,in this paper,it is concluded that i m p r oved G MDH NN has p referable p racticality and its f orecasting p recisi on has enhanced .Key words:G MDH neural net w ork algorithm;p reselecti on of initial variables;m iddle variable;st opp ing criteri on;defor mati on forecasting1　概述G MDH 全称Gr oup Method of Data Handling,是前苏联乌克兰科学院的A G I vaknenko 于1968年运用多层神经网络原理、品种改良假说,提出的一种复杂非线性系统的启发式自组织建模方法———数据处理组合方法,是一种以K 2G (Kol m ogor ov 2Gabor )多项式为基础通过不断筛选组合来辨识非线性系统的模型,它对于高阶非线性系统的辨识有效[1]。

结合GMDH算法与AC算法建模的汇率预测

摘要：汇率波动预测是金融市场的一个重要课题，本文结合ＧＭＤＨ算法（分组数据处理算法）和ＡＣ算法（相似体合成算法）建立
模型用于预测汇率市场的波动。首先用相似体合成算法选择与当前时期有相同特征的相似体，再用分组数据处理算法将相似体进行加权组合，选择最优模式，用于预测当前时期的发展趋势。实证结果表明，此组合模型的预测效果较好。
ｃｏｍｂｉｎｅｄｍｅｔｈｏｄＣａｌｌｗｅｌｌｆｏｒｅｃａｓｔｅｘｃｈａｎｇｅｒａｔｅ．
关键词：自组织建模；相似体合成算法；分组数据处理；预测
Ｋｅｙｗｏｒｄｓ：ｓｅｌｆ－ｏｒｇａｎｉｓｉｎｇｍｏｄｅｌｌｉｎｇ；ａｎａｌｏｇｃｏｍｐｌｅｘｉｎｇ；ＧＭＤＨ；ｆｏｒｅｃａｓｔｉｎｇ
李秋敏ＬＩＱｉｕ — ａｒｉｎ
（电子科技大学经济与管理学院，成都６１００５４；电子科技大学成都学院，成都６１１７３１）
（ＳｃｈｏｏｌｏｆＭａｎａｇｅｍｅｎｔａｎｄＥｃｏｎｏｍｉｃｓ，ＵｎｉｖｅｒｓｉｔｙｏｆＥｌｅｃｔｒｏｎｉｃＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙｏｆＣｈｉｎａ，Ｃｈｅｎｇｄｕ６１００５４，Ｃｈｉｎａ
・

AC算法的EMD分解GMDH组合的预测模型及应用

AC算法的EMD分解GMDH组合的预测模型及应用
李成刚;田益祥;何继锐
【期刊名称】《系统管理学报》
【年(卷),期】2012(21)1
【摘要】引入EMD把含有多个震荡模式的数据分解为满足一定条件的多个单一震荡模式分量的线性叠加,对震荡模式分量应用非参数的AC算法,通过历史上相似时期的已知延拓进行预测,利用GMDH客观确定权重构建组合预测模型,并运用该模型结合原油期货数据进行实证。

结果表明:用EMD方法改进AC预测模型提高了预测的准确性,在此基础上,GMDH的智能化权重的组合预测模型进行预测,结果显示,AC算法的EMD分解GMDH智能化权重组合预测精度更高。

【总页数】6页(P105-110)
【关键词】自组织相似体合成;数据分组处理方法;经验模式分解
【作者】李成刚;田益祥;何继锐
【作者单位】电子科技大学经济与管理学院
【正文语种】中文
【中图分类】TP9
【相关文献】
1.基于EMD分解法的大坝变形预测模型及应用 [J], 金盛杰;包腾飞;陈迪辉;钱秋培
2.GMDH调和算法预测模型及应用 [J], 田益祥;章军祥;李红松
3.基于GMDH的组合预测模型应用研究 [J], 何跃;杨剑;徐玖平
4.基于GMDH和BP的组合预测模型在工业产品销售收入中的应用 [J], 王洪涛;何跃
5.基于集合经验模态分解和套索算法的短期风速组合变权预测模型研究 [J], 杨磊; 黄元生; 张向荣; 董玉琳; 高冲
因版权原因，仅展示原文概要，查看原文内容请购买。

snt1443食品安全体系系列标准教程

基于相似合成算法的聚类方法可以解决以上2 个问题。
3.1 基于相似合成算法的聚类方法简介
由Lorence 提出的相似体合成算法（ Analog Complexing，以下简称AC）[1]是对模糊对象的预测、聚类和分类的一种序列模式识别方法，最先提出AC算法是为了解决对模糊经济对象的预测问题。应用AC算法进行预测时，一般需要待研究的过程满足以下假设：
1.数据样本，2、3.数据划分为A、B2部分，4、5.分别在A、B上产生的层次聚类树，计算聚类平衡准则BL=(k-△k)/k→min，其中k表示类的个数，△k表示相同类的个数
HACCP是一种确保食品安全的系统方法，是一种识别、预防、控制或减少食品安全危害的有效手段。
关键控制点（CCP）是能进行有效控制危害的加工点、步骤或程序。判定关键控制点就是针对已辨明的危害，在本步骤或随后的步骤中有相应的预防措施，而且能在此步将显著危害发生的可能性消除或降低到可接受水平。
最后，GMDH算法的停止法则由最优复杂度原理给出：当模型的复杂度逐渐增加时，模型的外准则值有一个先减小再增大的过程，外准则的最小值对应了最优复杂度模型；如果在一个筛选阶段不能再改善外准则值，最优复杂度模型找到了，算法过程就结束。最优复杂度原理保证了最终模型的唯一性。
将AC与GMDH结合，可以实现基于AC算法的聚类方法，其工作原理如图1所示。
GMDH使用在建立中间模型过程中未用到的数据( 测试集上的数据) ——新鲜信息（fresh information）——计算外准则值来评价、选择中间待选模型。
GMDH要求将样本集W 分为训练集A、测试集B, W = A∪B。在训练集A 上的误差体现了模型模拟真实系统的能力, 在测试集B (也是已知数据，但在

人民币兑美元汇率MS-ARCH模型的MCMC估计和分析

然科学基金项目“ 随机利率建模下的寿险风险管理” 项目编号：Ｒ００Ｌ１）（Ｚ２１Ｇ０４的阶段性成果。［作者简介］赵霞（９２一）女，１７，山东临沂人，山东财经大学保险学院教授、理学博士、经济学博士后。主要研究方向：风险管理与精算、金融统计。
类。
一
果发现ＭＳ—ＡＲ模型比一般线性时间序列模型具
有更强的灵活性，能更好地拟合具有机制转换的非
线性时间序列。另一类是基于方差项建立Ｍａｋｖ机制转换模ｒｏ
类是基于均值项建立Ｍａｋｖ制转换模型。ｒｏ机
经济、融数据呈现出随机性、金时变性和持续性的特点，不同时间段可能呈现出不同的波动状态。在
为了更好的拟合这种变化规律，ａｌｎ１８）Ｈｍｉｏ（９９首ｔ
值都具有高度的持续性。王建军（０６利用Ｍ２０）Ｓ
（００利用Ｍａｋｖ模型研究黄金价格波动特征，２１）ｒｏ结
用到经济、金融分析的各个领域，显示出许多优于并传统的非线性时间序列模型的特性。目前关于Ｍｒｏ制转换模型的应用研究大致可以分成两ａｋｖ机
［中图分类号］８０９Ｆ３．［文献标识码］Ａ［文章编号］０５— ４０２１）５—０９０２９３１（０２００２— ５
一
、

时间序列模型的人民币汇率行为描述与预测

时间序列模型的人民币汇率行为描述与预测人民币汇率是国际金融市场上的重要指标之一，其变动对中国经济和全球经济都有重要影响。

时间序列模型可以用来描述和预测人民币汇率的行为。

人民币汇率受到许多因素的影响，包括国际金融市场的波动，经济基本面的变化，政府干预等。

时间序列模型主要基于历史汇率数据来建立模型，通过分析过去汇率的走势和规律，来预测未来的汇率变动。

在时间序列模型中，常用的模型包括自回归移动平均模型（ARMA）、自回归积分移动平均模型（ARIMA）、指数平滑模型等。

这些模型可以分析人民币汇率的趋势、季节性和周期性。

人民币汇率的趋势可以用ARIMA模型来描述和预测。

该模型基于时间序列的自相关和移动平均性质，可以捕捉到长期趋势的变化。

通过对汇率时间序列数据进行差分，可以得到平稳序列，然后通过自相关和偏自相关函数来确定ARIMA模型的阶数。

最后，可以利用估计的参数来预测未来的汇率变动。

人民币汇率的季节性和周期性可以通过指数平滑模型来描述和预测。

该模型基于历史数据的加权平均值，可以捕捉到季节性和周期性的变化。

通过对汇率时间序列数据进行加权平均，可以得到预测值，并根据历史数据的权重来调整预测值，以提高预测的准确性。

除了以上两种模型，还可以使用更复杂的模型，如GARCH模型，来描述和预测人民币汇率的波动性。

GARCH模型基于汇率的波动性的自相关和移动平均性质，可以捕捉到波动性的变化。

通过对波动性时间序列数据进行估计，可以得到未来波动性的预测。

总之，时间序列模型可以用来描述和预测人民币汇率的行为。

通过对汇率时间序列数据进行分析和建模，可以得到对未来汇率变动的预测，为决策者和投资者提供参考。

然而，需要注意的是，时间序列模型仅基于历史数据来进行预测，不考虑其他因素的影响，因此预测结果可能存在一定的误差。

时间序列模型是一种基于历史数据的分析方法，用于描述和预测数据随时间推移的特征和趋势。

在人民币汇率行为的描述与预测中，时间序列模型可以帮助我们理解人民币汇率的变动规律，并提供一定程度的预测能力。

基于GMDH的成都市宏观经济主要指标预测模型构建

基于ＧＭＤＨ的成都市宏观经济主要指标预测模型构建本文利用自组织数据挖掘算法，探索使用Knowledge Miner 软件对成都市宏观经济主要指标建立预测模型，比较分析各模型的优劣，并结合成都市经济数据深入分析。

标签：自组织数据挖掘算法知识挖掘主要指标一、引言经过长期的发展, 宏观经济预测研究在建立与使用定量预测模型和定性预测模型等诸多方面取得了长足的进步。

由乌克兰科学院A.G.Ivakhnenko首次提出的GMDH算法，兼具定性定量的研究特点，较好的剔除了个人主观因素对指标的干扰，结合Knowledge Miner软件能够建立较优的经济预测模型，成都市的经济总量占全省的32%，人均年GDP名列中国西部省会第一，采用成都市的指标作为对象具有很强的说服力。

二、GMDH自回归模型介绍数据分组处理方法（简称GMDH）是一种基于遗传进化的演化方法，它依据给定的准则从一系列候选模型集合中挑选较优模型。

GMDH算法通过遗传变异和筛选，产生很多具有不断增长复杂度的候选模型，直至模型在观测样本数据上产生过拟合为止。

该方法需要一定量的初始模型，这些初始模型(或称神经元)可以通过微分或差分方程组，或者是它们的解来描述。

GMDH自回归模型基于黑箱方法，从输入输出数据的样本来分析系统，并通过基本函数网络来描述复杂函数，因此很适合对周期性比较强的数据进行预测，预测效果较好。

三、模型构建与比较分析假设：X1—GDP，X2—财政收入，X3—财政支出，X4—社会消费品零售总额，X5—城市居民就业人口为了增强可比性，均采用數据长度29，其中检验集为1978年～2000年23年的原始数据，相关模型输入变量个数34，训练集为2001年～2006年的数据，最大时滞均为6，由Knowledge Miner软件分别建立预测模型对比结果如表。

数据来源于成都市2007年统计年鉴。

可见，以GDP（X1）为因变量的预测模型筛选出输入变量财政收入（X2），社会消费品零售总额（X4），城市居民就业人口（X5），说明，财政收入、社会消费品零售总额、城市居民就业人口在某种程度上影响着GDP，而社会消费品零售总额、城市居民就业人口因为存在一定的线性关系导致X4、X5的系数为负。

基于GM(1,1)模型的人民币汇率走势预测

基于GM(1,1)模型的人民币汇率走势预测
李琳;潘福臣;王朝波
【期刊名称】《当代经济》
【年(卷),期】2018(000)021
【摘要】汇率调整将会改变一国对外贸易的能力,影响一国经济发展水平.汇率波动将导致世界经济发生变化,造成重大影响.本文采用灰色灾变模型(GM)进行人民币汇率趋势预测分析,预测结果表明该模型的有效性.
【总页数】2页(P40-41)
【作者】李琳;潘福臣;王朝波
【作者单位】大连广播电视大学理工学院,辽宁大连116021;大连海洋大学理学院,辽宁大连116023;大连海事大学理学院,辽宁大连116026
【正文语种】中文
【相关文献】
1.基于GM(1,1)模型与灰色马尔可夫GM(1,1)模型的核动力装置趋势预测方法研究[J], 刘永阔;谢春丽;于竹君;凌霜寒
2.基于GARCH模型与灰色预测模型GM(1,1)的人民币汇率收益率分析 [J], 郭菊喜
3.基于GARCH模型与灰色预测模型GM（1,1）的人民币汇率收益率分析 [J], 郭菊喜;
4.基于GM（1,1）和DGM（1,1）模型的变形监测数据处理与分析 [J], 郭亚荣
5.福建省2030年碳达峰前二氧化碳排放趋势研究——基于GM(1,1)、GM(2,1)与GM(1,1)邓聚龙灰色预测模型 [J], 柳尧云;林润玮;阎虎勤
因版权原因，仅展示原文概要，查看原文内容请购买。

EMD和GARCH模型应用于股票价格预测

ＥＭＤ（经验模式分解）模型是Ｈｕａｎｇ[1鄄2]提出的一种全新的多分辨率信号分析方法 . 通过对信号进行平稳化处理，将信号逐级分解成具有不同特征尺度的本征模式函数，可以更准确地反映系统原有的物理特性，自ＥＭＤ方法提出以来，其广泛运用于经济等领域[3鄄5] . 目前，对ＥＭＤ方法的研究主要集中在数据分解、与其他模型结合探究数据特性并拓展分析：史美景[6]将ＥＭＤ方法应用于探究我国通货膨胀率及股票实际收益率的不同频率的波动关系和长期变动趋势 . 阮连法[7]在房价分析中运用ＥＭＤ方法，证明分解后的预测效果更佳 . 王立民[8]利用ＥＭＤ方法精确地研究了套期保值期限与最优套期保值比率和套期保值绩效之间的关系 . 王怡文[9]将ＥＭＤ引入Ｃｏｐｕｌａ函数的相关性分析，较好地拟合了数据的厚尾特性 . 李成刚[10] 运用ＥＭＤ改进ＡＣ算法，结合ＧＭＤＨ智能化权重的组合预测模型预测精度更高 . 刘勤贤[11]证明ＥＭＤ与遗传神经网络结合模型对数据拟合效果较好 .
100
200
300
400
500
600
700
100
200
300
400
500
600
700
100
200
300
400
500
600
700
100
200
300
400
500
600
700
100
200
300
400
500
600
700
100
200
300
400
500
600
700
100
200
300
400

结合GMDH算法与AC算法建模的汇率预测

结合GMDH算法与AC算法建模的汇率预测作者：李秋敏来源：《价值工程》2013年第23期摘要：汇率波动预测是金融市场的一个重要课题，本文结合GMDH算法（分组数据处理算法）和AC算法（相似体合成算法）建立模型用于预测汇率市场的波动。

首先用相似体合成算法选择与当前时期有相同特征的相似体，再用分组数据处理算法将相似体进行加权组合，选择最优模式，用于预测当前时期的发展趋势。

实证结果表明，此组合模型的预测效果较好。

Abstract： Exchange rate forecasting is an important subject in financial market. This article applies both parametric （group method of data handling， GMDH） and nonparametric （analog complexing， AC） self-organising modelling methods for exchange rate forecasting. The AC method used the data themselves to identify patterns with similar characteristics. The GMDH algorithm is used to combine the analog patterns and identify an optimum ensemble which has similar characteristics with the modelling object. The empirical results show that the combined method can well forecast exchange rate.关键词：自组织建模；相似体合成算法；分组数据处理；预测Key words： self-organising modelling；analog complexing；GMDH；forecasting中图分类号：F830.91 文献标识码：A 文章编号：1006-4311（2013）23-0148-020 引言20世纪70年代布雷顿森林体系解体后，国际货币体制发生了根本改变，浮动汇率制取代固定汇率制成为了世界上主要的汇率制度，汇率变化显现出了复杂化和动态化的特征。

基于改进GMDH和AC聚类算法的竞争力模型研究——钢铁行业竞争力分析

雨后春笋［。对竞争力的研究可分为如下几类：第一类，建立指标体系，人为或利用ＡＰ１】Ｈ确定权重，如邵一明对造船业竞争力进行的评价，这些文献主要出现在研究初期；第二类，利用波特的钻石模型进行分析，蒋和平、庄惠明、俞海峰等人进行了有益的探索；第三类，基于模糊评价、灰色模型、神经网络等的竞争力分析，如卞志昕、董沛武等人在这方面有较为深入的研究。总之，这些文献丰富了对核心竞争力的研究，但是也有很多地方需要进一步探讨，比如如何提高指标体系的客观性与科学性，如何更为准确的确定指标权重，如何克服神经网络等模型的过拟合现象等。针对以上问题，提出了基于ＧＤＭＨ技术，自动筛选竞争力评价因子以及确定其权重，这样建立的指标体系更为客观、科学：运用Ａ聚类算ｃ法，比较某一行业不同主体的核心竞争力水平，从而确定研究主体所处的发展阶段，最终为其制定发展
战略提供有效的参照主体。河北省是钢铁大省，国大型钢铁企业有６全０家，北省就占有１，成为全国钢铁生产的集聚地，河４家同时钢铁产业也是我省的支柱产业，其产值占到全省工业产值的三分之一。利用ＧＤＭＨ技术和Ａｃ聚类算
＋ …（ …… １）
这样的多项式随着次数和变量个数的增加，其项数也急剧增加，然而下面这种方法很好地解决了这一问题，其原理就是为了得到最终的完全实现式（），可先分层考虑一系列的 “ １部分实现 ”【５】。所谓部分实

基于GMDH模型和MonteCa_省略_拟的商业银行个人住房贷款风险度量_陈雯

一、引言随着 1998 年我国福利分房的制度的逐步取消，房地产市场逐步走向市场化。在鼓励城镇住房建设和住房消费的政策指引下，各大商业银行纷纷开展了个人住房抵押贷款业务，以支持居民住房消费，实现居民购房安居。然而，近年来我国房地产市场出现爆发式增长，尤其是在 2007 年金融危机后的经济政策刺激下，我国房地产业迅速膨胀，房价高速上涨。在此期间商业银行个人住房抵押贷款规模也出现了高速增长。统计数据显示，2013 年全国商业银行个人住房贷款余额达到 9 万亿元，是 1997 年底的 473 倍，而在此期间商业银行的贷款总量仅增加了 7 倍。11 家上市商业银行的数据显示，个人住房抵押贷款占到了银行贷款总额的 21% 。商业银行个人住房抵押贷款业务的迅速发展，在给商业银行带来了丰厚利润回报的同时，也集聚
［关键词］个人住房贷款风险； GMDH 模型； Monte Carlo 模拟； VaＲ；国际经验警戒区间［中图分类号］F224． 0 〔文献标识码〕A 〔文章编号〕1005 － 3492（ 2014） 05 － 0153 － 05 ［收稿日期］ 2014 － 02 － 11 ［作者简介］陈雯，女，湖南长沙人，中南大学商学院博士生，主要研究方向为计量经济理论；胡振华，男，湖南邵阳人，中南大学商学院博士生导师，主要研究方向为计量经济学。［基金项目］湖南省博士研究生科研创新项目（项目编号： CX2012B108）；中南大学研究生自主探索创新项目（项目编号： 2014zzts129）。
ห้องสมุดไป่ตู้
彼此不同。同时在训练集 A 上估计 yk 的参数。 5．第一层中间模型筛选。根据外准则，在检测集
B 上对第一层中间模型进行筛选，选出的中间模型 wk （ k = 2，3，6，7，9）将作为网络第二层的输入变量。