基于政策干預和誤差校正的非線性經(jīng)濟時間序列預測研究.pdf

1、經(jīng)濟預測作為統(tǒng)計預測的一種，以經(jīng)濟現(xiàn)象作為預測的對象，直接或間接地為宏觀和微觀的市場預測、管理決策、政策制定等提供信息，以對未來的發(fā)展前景做出的測定和科學預見。預測的目的在于為制定計劃和進行決策時提供客觀依據(jù)，不僅僅是工程領域，社會經(jīng)濟領域更離不開預測。經(jīng)濟時間序列的預測對于政府經(jīng)濟政策的頒布、企業(yè)和個體的投資活動具有至關重要的指導意義，但是復雜的內(nèi)部規(guī)律和龐大的數(shù)據(jù)處理使得傳統(tǒng)的預測方法效果不佳，因此新預測技術的提出和改進一直是時間序

2、列研究的重要方向之一。社會經(jīng)濟日新月異的變化絕大多數(shù)以數(shù)據(jù)的形式呈現(xiàn)在人們面前，數(shù)據(jù)庫技術的成熟和計算機的應用普及帶來了人們積累數(shù)據(jù)量以指數(shù)速度增長，如何在紛繁復雜的數(shù)據(jù)中尋求某些現(xiàn)象的發(fā)展規(guī)律，提取需要的信息并進行預測成為決策者把握未來的根本途徑之一。
　　在對實際問題進行預測的時候，由于建模機制的不同，通常對于同種模型也有不同建模的方法。通常情況下，單一預測模型由于預測原理、操作規(guī)則的局限很難有效反映預測變量的變化規(guī)律，因此組

3、合預測方法成為預測方法發(fā)展的必然趨勢。本文從經(jīng)濟預測的兩種窘境——“預測誤差的處理”和“政策事件的影響”兩方面出發(fā)，分析其產(chǎn)生的原因，并提出了解決思路。本研究的主要內(nèi)容有：
　　1．在現(xiàn)有支持向量機(SVM)方法的基礎上提出對預測誤差進行同步預測的雙重預測方法，利用預測到的誤差對初步預測值進行校正以提高預測精度．針對誤差序列非線性、非平穩(wěn)以及系統(tǒng)動力信息不足的特點，將經(jīng)驗模態(tài)分解(EMD)和支持向量機(SVM)方法結(jié)合引入誤差序列

4、的預測中。對誤差序列的預測分別運用初步訓練誤差和測試誤差對預測集合的誤差進行預測，將所得到的誤差序列分解為若干固有模態(tài)分量(IMF)，根據(jù)各個IMF不同尺度的特點，選擇不同的參數(shù)對其進行預測，最終合成原始序列的誤差預測值，將所預測到的誤差與初步原始序列預測值結(jié)合，得到最終的預測值．仿真結(jié)果表明該方法能夠很好地解決預測滯后性和拐點誤差大的缺點，相對于普通的SVM預測方法具有更好的預測精度。
　　2．針對STSA方法在金融時間序列分析

5、中的缺陷提出了運用EMD與STSA結(jié)合的改進方法。以上證指數(shù)、深證成指、建筑指數(shù)、金融指數(shù)、地產(chǎn)指數(shù)、上證商業(yè)6種指數(shù)的收益數(shù)據(jù)作為研究樣本，利用EMD方法分解提取出一系列反映原始序列不同時間尺度信息的分量，通過對各分量進行STSA分析后發(fā)現(xiàn)導致原始序列多變化模式的原因。在此基礎上提出了通過單一變化模式分量對原始序列變化趨勢進行估計的條件和限定范圍，實驗結(jié)果表明，該方法在提取和分析時間序列變化模式方面具有獨特的優(yōu)勢，具有較高的預測精度和

6、實用性。
　　3．針對一種新型智能進化算法——布谷鳥搜索算法提出了基于多群體并行搜索和自適應步長的改進方法。將改進后的方法引入支持向量機參數(shù)優(yōu)化中，提出了基于改進后布谷鳥搜索算法優(yōu)化支持向量機模型參數(shù)的方法.仿真結(jié)果發(fā)現(xiàn)：改進的布谷鳥搜索算法用于優(yōu)化支持向量機參數(shù)不僅有效提高了參數(shù)優(yōu)化效率，而且較之改進之前的布谷鳥搜索算法、遺傳算法和粒子群算法具有更快的收斂速度和穩(wěn)定性。
　　4．用通過Hilbert-Huang變換的方法將

7、地產(chǎn)指數(shù)價格分解成幾個本征模函數(shù)的疊加，通過t檢驗、Hilbert-Huang頻譜和功率譜分析將其歸類重組，最終形成了地產(chǎn)指數(shù)的三個基本分量。在此基礎上對2002年5月9日至2011年2月9日期間頒布的142條房地產(chǎn)宏觀調(diào)控政策進行作用力檢驗，并通過模擬政策作用力探究其對地產(chǎn)指數(shù)價格分量的影響，最終找到53條影響市場波動價格和54條影響重大事件價格的政策，基于此探究了政策時間對時間序列的影響作用機制。
　　5．綜合經(jīng)濟計量模型與智