统计与预测论文汇总十篇

时间:2023-03-20 16:10:26

统计与预测论文

统计与预测论文篇(1)

一、股票收益波动率预测模型研究现状

如何对股票收益波动率进行准确的描述与预测?这一直以来都是金融学领域探讨的热点问题之一。把握股票收益波动率的特征及趋势,对投资者测度、规避和管理股市风险具有极其重要的理论和实际意义。因此,长期以来许多学者运用各类预测模型对股票收益率波动性进行实证分析和预测,希望能够从中得到有益的启示和可以遵循的规律。目前,从国内外的相关文献来看,尽管对股票收益波动率进行预测的模型有很多种,但依据其建模理论不同,可将模型划分为两个大类:一类是以统计原理为基础的传统型的波动率预测模型,目前较为流行且具有代表性的模型包括ARCH类模型和SV类模型;另一类是以神经网络(ANN)、灰色理论(GM)、支持向量机(SVM)等为基础的创新型预测模型。国外学者运用GARCH和SV模型进行预测,其预测效果好于国内的同类预测。Campbll,Hetschel,Engle,Ng,Pagan,Schwert等证实GARCH能够提供较理想的数据模拟与预测效果。Jun、Yu利用基本SV模型对新西兰股市进行了预测分析,发现基本SV模型具有很好的预测能力。G..B.Durham利用SV-mix 模型对标准普尔500指数做了预测,认为预测效果较好。国内学者如魏巍贤、张永东、钱浩韵、张世英等分别运用GARCH和SV对我国股市进行预测,效果不是十分理想。而利用创新型预测模型(ANN,GM,SVM)对股市进行预测,国内外文献显示预测效果都比较理想。Hill等将神经网络与六种传统的统计预测方法作了对比,他们用了111个时间序列进行预测,结论是:采用短期(月度、季度)数据预测时,神经网络明显优于传统的统计模型;采用长期(年度)数据时,预测结果相差不多。李敏强、吴微、胡静等许多学者实证研究结果表明:人工神经网络应用于我国股票市场的预测是可行和有效的。陈海明、段进东、施久玉、胡程鹏、覃思乾应用灰色GM(1,1)模型对股票价格进行短期预测,效果很好。W.Huang等用支持向量机预测股票市场运动方向。P.Pai等将ARIMA(autoregresssive integrated moving average)模型和SMV模型结合起来,提出一种组合模型来进行股票价格预测,得出该组合模型优于单个ARIMA或SVM的结论。国内的杨一文、杨朝军利用SMV对上海证券综合指数序列趋势做较准确的多步预测。李立辉等将SMV应用到我国上证180指数预测中。周万隆、姚艳、赵金晶等实验结果表明,SVM预测精度很高。

总之,比较国内外学者的研究状况,至少可以得出以下两个结论:一是国外学者采用美国或其他西方国家股市的相关数据带入GARCH类或SV类模型进行数据拟合或预测,其效果普遍要好于国内学者采用国内股市相关数据进行的同类研究;二是我国学者运用创新型预测模型进行股市方面预测的文献多于传统的统计模型,而且从预测效果上看,创新型预测模型的预测精确度要高于传统型统计类预测模型。

二、基于统计原理的预测模型与创新型预测模型的比较分析

1.建模的理论基础不同。传统的基于统计原理的股票收益波动率预测模型是建立在统计分析理论基础之上的。而处理基于概率统计的随机过程,是要求样本量越大越好,原始数据越完整、越明确越好。但事实上,在实际中,即使有了大样本量,也不一定找到规律,即使有了统计规律也不一定是典型的。创新型预测模型则是完全脱离统计理论的基础,以一种创新型的建模思维,来建立预测模型。例如灰色模型是建立在灰色理论基础之上的,依据广义能量变化规律,将历史资料做累加处理,使其呈现出指数变化规律,然后建模。而人工神经网络模型是建立在神经网络理论基础之上的,它通过模仿人脑神经系统的结构及信息处理和检索等功能,建立神经网络模型进行预测。支持向量机则依据的是统计学习的机器学习理论,通过凸优化,使得局部解一定是最优解,克服了神经网络收敛速度慢和局部极小点等缺陷。

2.对数据的要求与处理不同。基于统计原理的预测模型要求样本量大并有很好的分布规律,无论是GARCH类还是SV类模型,只有在样本量足够大,且分布较好的情况下,其预测效果才会比较理想。例如,运用GARCH模型对美国股指进行预测要比对国内股指进行预测效果理想,原因是我国股市发展的时间相对较短,期间由于宏观调控和股改等原因,造成股指大起大落,导致数据分布规律性不强,因此我国运用这类模型存在一定局限。而创新型预测模型对样本量的要求和分布程度的要求均较低。例如灰色模型,只要拥有7、8个数据就可对下一个数据进行预测。在处理技术上,灰色模型要对原始数据进行累加处理,使表面杂乱无章的数据呈现出明显的指数规律,建模计算之后,再进行累减还原。神经网络模型则采用数据驱动,黑箱建模,无需先验信息,能够在信息资源不完整、不准确等复杂的数据环境下,通过自身结构的调整,提取数据特征,并对未来进行有效预测。

3.模型结构的稳定性与适应性不同。基于统计原理的预测模型一经建立,其模型结构具有较强的稳定性,模型变量之间存在一个稳定的内在关系。无论是GARCH模型还是SV模型,模型结构都相对稳定、简单,而且都是单因素模型。但在实际中,预测环境是复杂多变的,一旦系统变量之间出现新的关系,该类模型则无法调整和适应。创新型预测模型则是一种或者多因素、或者可以变结构的模型,其计算相对复杂,但其适应能力要好于基于统计原理的预测模型。例如灰色模型,除了有基本的GM(1,1)模型,对于高阶系统,灰色理论通过GM(1,n)模型群解决,并且可以综合考虑多种因素的影响。而神经网络和支持向量机都是变结构模型,通过网络对新样本的学习,调整其内部结构,从而适应系统变量的变化。对于非线性高维、高阶问题神经网络和支持向量机会发挥得更好。

4.预测精准度与外推性强弱不同。相比较而言,基于统计原理的预测模型误差较大,外推性差。因为基于统计原理的预测模型对数据样本没有再处理或学习的过程,因此对样本的拟合性较低,由此导致其外推性也较差。而创新型预测模型相对而言精确度较高,外推性强。原因是创新型预测模型对数据具有再处理或学习的过程。灰色模型是对数据进行了累加处理;而神经网络模型和支持向量机是对数据进行了学习,然后进行推理、优化。因此,创新型预测模型的拟合度和外推能力都要高于统计类模型。

5.预测难度与预测时间长度不同。基于统计原理的预测模型技术比较成熟,预测过程相对简单。无论是GARCH类还是SV类预测模型,其建立模型依据的理论基础坚实,模型构造相对简单,计算难度相对较低。由于这类模型采用的数据是较长时间的历史数据,因此可以对未来进行较长时间的预测。而创新型预测模型预测技术还有改进的余地,且预测难度较大。如利用神经网络进行股票收益波动率预测,其过程相对较难,因为神经网络需要设定隐层,权重;其隐层和权重设置合理与否,直接导致预测结果的合理与准确。用支持向量机方法进行预测,涉及到核函数的确定。核函数的确定难度较大。由于创新型预测模型对数据要求度不高,一般是小样本量预测,因此,适用于对预测对象进行短期预测。

三、我国股票收益波动率预测模型发展方向

1.创新型的智能化预测模型将成为我国股票收益率预测的一个发展方向。首先,创新型预测模型能够克服我国股市数据不完整、波动大、分布不合理等缺点,采用小样本数据对股市进行短期预测,预测的精准度相对高于传统的统计类预测模型。其次,创新类模型中的智能化模型能够模仿或部分模仿人工智能,对影响股市的多种因素进行复杂的非线性变结构处理,既能克服单因素模型包含信息不充分的缺点,也能克服固定结构模型无法处理突发性事件的缺点,能尽量充分地反映影响股市的多种信息和复杂变化,从而增加预测的准确度。

2.组合预测模型将成为我国股票收益率预测模型发展的另一个发展方向。组合预测是将不同预测模型的预测结果依据一定的原则赋予不同的权重,然后进行加权平均,得出最终的预测结果。这种预测方法可以克服单一预测模型信息量不充分的缺点,充分发挥不同预测模型的优势,最大限度获取不同角度的信息量,提高股票收益率预测水平。

3.包含各种非量化信息的预测模型将成为我国股票收益率预测模型的一个重要发展方向。目前股票收益率预测模型都属于数量化预测模型,非量化的因素无法融入到模型之中,这就导致预测中丢失了大量的非量化信息,预测的精准度受到很大影响。如何能将各种影响股市的非定量化信息进行技术处理后转变成量化信息,使之能够被加入到股票收益率预测的模型当中,从而充分反映政策因素、心理因素、突发事件等非量化因素对股票收益率的影响,提高预测的精确度,是股票收益率预测模型的一个重要发展方向。

参考文献:

统计与预测论文篇(2)

引言

在 文献 中,介绍了1990年诺贝尔 经济 学奖的三位得主harry markowitz,william sharpe和merton miller在证券投资方面的主要工作,很有 参考 价值。markowitz获奖是因为他提出了投资组合选择(portfilio selection)理论。markowitz把投资组合的价格视为随机变量,用它的均值为衡量收益,用它的方差来衡量风险(因此markowitz的理论又称为均值——方差分析理论),该理论后来被誉为“华尔街的第一次革命”。

证券的价格忽高忽低似乎难以捉摸,但在 政治 经济形势比较平稳的条件下,它的变化是由其基本因素的变化所决定的。由于证券投资的高效率,这些因素的变化会立即从证券的价格上反映出来。因素分析法是根据在一定时期、一定环境下,用影响证券价格变化的因素来预测证券价格走势的一种方法。技术分析法,是应用 历史 价格各种图象和曲线来预测证券价格。近些年来,技术分析法 发展 很快,特别是随着计算机的普及,各种分析方法法越来越多。总的来看,技术分析法可以分为图象分析法和统计分析法。图象分析法是以图、表为分析工具;统计分析法是对价格、交易量等市场指标进行统计处理。本文提出了两种证券投资预测方法——马氏链法和e-bayes法,不仅能预测证券的价格走势,而且还能进一步预测出证券的价格范围。

1、马氏链法

在考虑随机因素影响的动态系统中,常常遇到这种情况:系统在每个时期所处的状态是随机的。从这个时期到下一个时期的状态按照一定的概率进行转移,并且下一个时期的状态只取决于这个时期的状态和转移概率,与以前各时期状态无关。这种情况称为无后效性,或马尔可夫性,通俗地说就是:已知现在,将来与历史无关。具有无后效性的时间、状态均为离散的随机转移过程通常用马氏链(markov chain)模型描述。

马氏链模型在经济、社会、生态、遗传等许多领域中有着广泛的应用。本文我们用马氏链建立预测模型,并对证券投资进行预测,从而为证券投资预测提供一种技术分析方法。

马氏链法的最简单类型是预测下一期最可能出现的状态,可按以下几个步骤进行:

(1)划分预测对象所出现的状态——把数据进行分组。

从预测的目的出发,并考虑决策者的需要来划分所出现的状态,同时把数据进行分组。

(2)计算初始概率

论文关键词:运筹学;证券投资;预测模型;马氏链法;e-bayes法

论文摘要:本文提出了两种证券投资预测方法—马氏链法和e-bayes法。首先对数据进行分组,然后在此基础上应用马氏链法和e-bayes法的理论建立预测模型,最后结合实际问题进行了计算,两种方法的预测结果是一致的。

引言

在文献中,介绍了1990年诺贝尔经济学奖的三位得主harry markowitz,william sharpe和merton miller在证券投资方面的主要工作,很有参考价值。markowitz获奖是因为他提出了投资组合选择(portfilio selection)理论。markowitz把投资组合的价格视为随机变量,用它的均值为衡量收益,用它的方差来衡量风险(因此markowitz的理论又称为均值——方差分析理论),该理论后来被誉为“华尔街的第一次革命”。

证券的价格忽高忽低似乎难以捉摸,但在政治经济形势比较平稳的条件下,它的变化是由其基本因素的变化所决定的。由于证券投资的高效率,这些因素的变化会立即从证券的价格上反映出来。因素分析法是根据在一定时期、一定环境下,用影响证券价格变化的因素来预测证券价格走势的一种方法。技术分析法,是应用历史价格各种图象和曲线来预测证券价格。近些年来,技术分析法发展很快,特别是随着计算机的普及,各种分析方法法越来越多。总的来看,技术分析法可以分为图象分析法和统计分析法。图象分析法是以图、表为分析工具;统计分析法是对价格、交易量等市场指标进行统计处理。本文提出了两种证券投资预测方法——马氏链法和e-bayes法,不仅能预测证券的价格走势,而且还能进一步预测出证券的价格范围。

1、马氏链法

在考虑随机因素影响的动态系统中,常常遇到这种情况:系统在每个时期所处的状态是随机的。从这个时期到下一个时期的状态按照一定的概率进行转移,并且下一个时期的状态只取决于这个时期的状态和转移概率,与以前各时期状态无关。这种情况称为无后效性,或马尔可夫性,通俗地说就是:已知现在,将来与 历史 无关。具有无后效性的时间、状态均为离散的随机转移过程通常用马氏链(markov chain)模型描述。

马氏链模型在 经济 、社会、生态、遗传等许多领域中有着广泛的应用。本文我们用马氏链建立预测模型,并对证券投资进行预测,从而为证券投资预测提供一种技术分析方法。

马氏链法的最简单类型是预测下一期最可能出现的状态,可按以下几个步骤进行:

统计与预测论文篇(3)

[中图分类号]F59

[文献标识码]A

[文章编号]1002-5006(2010)08-0012-06

1 背景

旅游需求预测在国家旅游发展政策制定和战略规划、旅游市场资源优化配置、旅游企业战略计划和决策制定等方面有着极为重要的作用。西方学者对于旅游需求预测的研究始于20世纪60年代,在80年代迅速发展,研究文献主要侧重于旅游需求模型与实证分析。而我国作为世界旅游大国,旅游需求预测研究从20世纪末才开始,正处于起步阶段,现有的文献主要是建立在西方研究基础上的理论引介与探讨,实证研究较少。中西方研究差距与差异的对比对我国旅游需求预测研究的进一步推进有着积极的意义。

2 理论探讨

2.1 旅游需求影响因素

旅游需求影响因素的研究是旅游需求预测研究的核心内容之一。是国内外旅游需求预测研究中相对成熟的领域。国外在旅游需求影响因素研究方面主要运用定量方法构建模型来分析,并已有两种普遍较为认可的分类。

(1)在《应用旅游预测》(Practical TourismForecasting)一书中,作者将影响因素分为推动、拉动和阻力(如表1)。但这种分类在国内应用较少。

(2)国外在运用模型分析影响因素时,其研究对象主要是经济因素。如塞夫金(Sevgin)和穆尼奥斯(Munoz)在研究旅游需求时发现经济因素是影响旅游决策的一个重要方面。宋海岩等通过研究香港的16个主要客源国的旅游需求,发现最主要的影响因素是旅游产品价格、客源国的经济水平、竞争旅游目的地的旅游费用等。虽然国外对经济影响因素有较为一致的认可,但仍未有系统的归纳。本文以经济因素为着眼点,将国外旅游需求影响因素归纳为经济因素、非经济因素和特殊事件(如图1)。

再看国内,现在研究旅游需求影响因素的文献较多,研究也较为细化。如牛亚菲提出了客源地人口规模、收入水平、旅游资源质量水平、客源地与目的地间的距离等影响因素。刘富刚认为旅游需求的产生分为外部因素和内部因素。王艳平从旅游发生过程的系统观点出发,提出旅游需求因子层次模式。卞显红分析了旅游目的地选择过程中的花费与时间限制、旅游价格、消费者偏爱、旅游产品质量、信息与广告、旅游城市化及新旅游目的地的出现等影响因素。但除了可支配收入和可支配时间这两个普遍认可的影响因素外,国内学界对其他影响因素及分类说法不一,缺少系统性分析和归纳。本文在研究有关文献的基础上,根据不同侧重点,并结合我国国情,归纳了两种分类方法:

(1)按宏观和微观分为社会因素和个人因素(如图2)。

(2)按旅游流分为客源地因素、目的地因素、媒介因素(如图3)。

综观几种分类可以发现:国内外对于旅游需求影响因素的分析基本上是一致的。《应用旅游预测》(Practical Tourism Forecasting)一书中提出的推力是指能鼓励人们出去旅游的因素,基本可以划为客源地市场的影响因素;拉力是指吸引人们来某一目的地旅游的因素,可以划分为目的地的影响因素;阻力则包含了阻碍因子,等同于国内的旅游流分类方法。

由于西方国家影响旅游需求的最主要因素是经济因素,其他非经济因素的影响力相对较弱,所以按照经济因素分类有利于国外学者建立模型进行研究和预测。而影响我国旅游需求的主要因素除了经济因素外,家庭消费习惯、政治社会因素,以及日益改变的消费观念等都是较为主要的因素,因而只按经济因素的分类方法在我国不适用。

2.2 旅游需求预测及难点

至今,“旅游需求预测”仍未有统一的定义,本文按照市场预测的概念将旅游需求预测理解为:运用科学的方法,对影响旅游市场供求变化的诸因素进行调查研究,分析和预见其发展趋势,掌握旅游市场供求变化的规律,为经营决策提供可靠的依据。

旅游需求预测,从预测目标的确立到最后结果的评估,是个多环节的复杂过程,需要考虑的因素众多,正因为如此,旅游需求预测有几个难点。

(1)预测目标的选择

旅游需求预测对预测的前期环境分析、模型的选择、最后结果分析的要求和依据都不一样,这就需要按照具体的实际需要制定预测方案,而这种目标选择的多样性相当于增加了预测的难度。

(2)历史数据的收集

预测是在分析大量的历史数据的基础上才能得出结果。大部分预测方法要求至少有5年至10年的数据支撑,拥有数据的年限越长、越完善、数据越丰富,预测结果越准确。

(3)旅游需求的多变性

旅游者的旅游动机多种多样,且旅游需求量随着季节、环境的变化而变动性较大。旅游表现经常变动形式越多,越不利于数据采集、构建模型、拟合需求的发展趋势。加上旅游需求对无法预知的特殊事件的敏感性,更增加了预测的难度。

(4)预测方法的多样性

随着经济学和计量经济学的发展,及在旅游预测研究中的应用日益广泛,旅游需求预测的方法也日趋多样化。因变量和自变量的不同组合,不同预测模型的应用,所得到的结果也不尽相同;而且由于各种预测方法有不同的适用条件和性能,最优方法的选择要根据市场需要来确定。这在某种意义上来说,也限制了旅游需求预测研究的发展。

3 旅游需求预测方法与模型

3.1 旅游需求预测方法

中西方普遍将旅游需求预测方法分为定量和定性两大类,定量方法又分为计量经济模型和时间序列模型,再加上近20年间各学科的交叉发展,人工智能方法在预测领域中的应用也越来越普遍。但由于预测模型种类繁多,加上近年来组合模型的广泛应用,本文只初步对预测方法进行了整理(如表2)。

3.2 中西方运用模型对比

国内在定量方法的研究和应用方面与国外存在着很大的差距。国外在旅游预测研究中采用的定量方法种类繁多,所列举的各类模型在国外都有不同程度的应用;反观国内,使用频率较高的只有一些基础模型和灰色预测模型,国外常用且已证明预测精确度较高的模型,如误差修正模型、接近理想需求方法、向量自回归、遗传算法等,在国内的研究及应用则寥寥无几。本文分3种情况对上述现象做原因分析。

(1)国内外普遍运用的模型

这些模型包括一元回归、多元回归、线性回归等 基础计量经济/回归模型,天真法、移动平均预测模型、指数平滑预测模型等基础时间序列预测模型,ARIMA模型(自回归移动平均模型),BP(backpropogation)神经网络等。这些方法普遍运用的原因有以下几点:①基础模型数学计算简单,操作容易;②发展相对成熟,能对符合其条件的问题进行较准确的预测;③由于旅游业的相关数据搜集年限短、影响因素多、社会敏感性高等特点,这些模型对数据的要求相对传统的高级计量经济和时间序列模型较为宽松;④我国旅游业的发展现状及数据统计情况较适用于这些方法。因此,这些模型在国内外的旅游预测研究中都极为常用。

(2)国内常用而国外少用的模型

通过中西方文献研究发现,灰色系统理论(GST或GS)在我国预测领域是主要的研究方法,但在西方国家的应用却很少,少数有关灰色系统理论的外文文献基本上都是亚太地区的研究。原因有以下几点:

①灰色系统理论是我国著名学者邓聚龙教授在1982年创立的一门新兴横断学科,国内学者对此理论的掌握以及推广应用相比国外的预测理论及模型要容易很多。因此,灰色系统理论在国内众多领域得到大力发展,并引入旅游需求预测。

②灰色预测方法着重研究“小样本、贫信息、不确定”问题,方法简便,并具有较高准确性。由于我国统计制度的发展滞后,很多与旅游发展相关的统计数据无法获得,且旅游业受到众多因子的影响,具有显著的不稳定性和易波动性,这在灰色理论角度看来就是一个大的灰色系统。基于此,灰色模型在国内在旅游市场预测的中运用广泛。

(3)国外常用而国内少用的模型

由表2可看出,国外常用的很多模型在国内旅游研究中运用得不多,最为典型的是误差修正模型(ECM)和接近理想需求方法(AIDS)。误差修正模型和接近理想需求方法属于高级计量经济模型,理论及运算难度较大,在建立模型前需要大量的检验和计算工作,操作性要求高;另一方面,我国计量经济理论在20世纪末才开始发展,旅游业的不稳定性和旅游相关统计数据的缺乏,使得类似这两种在国外应用性较强的预测模型在我国未能得到广泛推广。

3.3 预测方法适用性比较

国外学者在定量方法的预测精确度方面做了大量研究,较为一致的观点是:在现有的预测方法中,并无最优的适用于所有情况的模型或方法,但在对旅游人数的预测上,时间序列法优于回归模型法;而由于诸多影响因素对旅游者开支的影响远大于对目的地抉择的影响,所以回归模型在预测旅游者开支时会最有效。国内方面,现有的研究基本上是在国外研究的基础上进行的,由于运用的预测模型类型较少、较简单,所进行的预测精确度对比研究只是针对基本和常用模型,很多国外常用的模型未有涉及。

定性方法方面,以德尔菲法为代表,虽然德尔菲法争议较大,但人们普遍承认,在不能使用其他方法的情况下,该方法在帮助旅游规划者和政策分析者预测可能的未来发展方向时颇有价值。

综上所述,在对一具体目的地进行需求预测时,应充分考虑到各种预测方法的特点、预测问题本身的特点以及时间、人员、费用、相关数据充分程度等制约因素,选择出最合适的方法(如表3)。

4 结论与讨论

4.1 全球旅游需求预测总体问题

(1)就全球旅游业来讲,欧洲、美洲和亚太地区呈“三足鼎立”发展局势,但目前主导着旅游需求预测研究领域的主要是西欧和北美的国家,而作为世界旅游业发展最快的亚太地区,旅游需求预测技术的研究和应用却比较少,发展速度与研究成果不协调。

(2)从实践角度来讲,综观目前旅游需求预测的文献,主要是预测方法角度的研究,而预测研究与旅游经营管理相独立,基本上没有涉及旅游预测在实践中的作用即如何为旅游管理和经营部门发展和规划旅游业起具体的指导作用少有涉及。

(3)从统计数据上讲,旅游需求数据统计开始的时间较晚,历史数据仍然较为缺乏,且很多影响因素难以量化,衡量标准难以确定。

(4)从预测尺度来讲,现有的研究文献主要着眼于大中尺度的预测,如国家或省市的出入境情况预测,而小尺度的预测(如某景区、国内某地区市场客源需求等)研究则寥寥无几,且所用方法也较为单一。

4.2 我国旅游需求预测发展面临的问题

(1)我国旅游需求预测研究落后于西方近30年,虽然借鉴了西方的研究成果,但由于我国国情及我国旅游业逆向发展的特殊性,无法直接套用西方国家的研究方法和研究成果,需要根据我国的实际情况对旅游需求进行分析预测。

(2)我国旅游需求预测正处于起步阶段,现有的研究仍不能构成完整的基础理论体系,加上我国旅游研究人员和旅游业界对旅游需求预测的重视程度不够,缺乏专业的旅游需求预测人员,因此在这方面的研究亟待深入。

统计与预测论文篇(4)

中图分类号:F59文献标志码:A文章编号:1673-291X(2010)15-0168-03

灰色系统理论[1]自1982 年诞生以来,在经济、管理和工程技术等众多领域得到广泛应用。灰色GM(1,1)预测模型是灰色系统理论的核心内容之一,其特点是所需的样本较少、计算简单,因而比传统的预测方法更具优越性。但是,传统的GM(1,1)模型在某些情况下也存在预测精度低的缺陷,为此许多学者从不同角度提出了对GM(1,1)模型的改进以提高其预测精度与适用范围。本文在GM(1,1)预测模型中引入优化因子,通过优化因子的选择使预测结果和原始数据的平均相对误差最小,以达到提高预测精度的目的。并将引入优化因子的GM(1,1)模型用于中国入境旅游客源的预测,将其预测结果与传统的GM(1,1)模型及已有文献中的改进的GM(1,1)模型预测结果比较,引入优化因子的GM(1,1)模型具有更高的预测精度。

一、传统的GM(1,1)模型

设非负平稳原始数据序列为:

X(0)=(X(0)1,X(0)2,…,X(0)n)

根据X(1)1=X(0)1,X(1)k=X(0)i(k=2,3,…,n)进行一次累加得到累加数据序列:

X(1 )=(X(1)1,X(1)2,…,X(1)n)

假定X(1 )具有指数变化规律,则白化方程为:

+aX (1)=u(1)

其中a,u为待定参数。传统的GM(1,1)模型采用最小二乘法求得:

au=(BTB)-1BTY (2)

这里:

B=-Z(1)2 1-Z(1)3 1••••••-Z(1)n1, Y=X(0)2X(0)3•••X(0)n,(3)

其中,Z(1 )=(Z(1)2,Z(1)3,…,Z(1)n)称为背景值,一般取紧邻均值,即Z(1)i=0.5(X(1)i-1+X(1)i),i=2,3,…,n。于是微分方程(1)满足以X(1)1=X(0)1为初始条件的解:

(1)k=(X(0)1-)e-a(k-1)+k=1,2,3,…n(4)

即为X(1 )的预测公式,由此可得x(0)的预测公式为:

(0)k=(1)k-(1) k-1k=2,3,4,…n(5)

当k≤n时得到原始数据的模拟值,当k>n时得到预测值。

二、引入优化因子的GM(1,1)模型

从GM(1,1)模型中公式(4)可知,模拟和预测精度取决于参数a和u, 而参数a和u的获得依赖于原始数据和背景值的构造。因此在众多改进GM(1,1)模型的文献中,许多文献从背景值的构造入手以提高模型的预测精度,如文献[2]采用:

[(k+1)X(1) i-1+(k-1)X(1)i]

来获得Z(1)i,其中需用试探法得到最佳的k或利用经验公式;文献[3]和[4]利用插值和求积公式得到计算背景值的新方法。但笔者通过大量数值试验发现,上述文献提出的方法尽管在一定程度上能提高预测的精度,但获得的参数a和u并没有达到最优,某些情况下甚至使预测精度降低,例如文献[2]的方法对非负单调呈指数递减序列的预测及文献[4]对非负单调呈指数递增序列的预测都会降低预测精度。为克服上述缺陷,本文在传统的GM(1,1)模型引入优化因子λ(-1≤λ≤1),将背景值的计算改为:

Z(1)i=0.5[(1-λ)X(1)i-1+(1+λ)X(1)i)],i=2,3,…,n。(6)

为了获得最佳的优化因子λ,使模拟值与原始数据的平均相对误差最小,达到提高预测精度的目的,利用MATLAB编写应用程序来搜索最佳的优化因子λ,具体过程为:

优化因子λ从λ=-1开始,由背景值公式(6)和公式(2)计算出参数a和u,从而得到相应的公式(4)和预测公式(5),利用预测公式(5)计算得到原始数据的模拟值 (0)及平均相对误差err=。接下来取步长h=0.001,λ=λ+h,重复上述过程得到相应的模拟值和平均相对误差,一直进行下去直到λ=1。比较不同的优化因子的平均相对误差,平均相对误差最小的即为最佳优化因子。

由最佳的优化因子λ得到相应的参数a,u并获得相应的预测公式(4)和(5),称之为引入优化因子的GM(1,1)模型。

三、引入优化因子的GM(1 ,1)模型用于旅游客源的预测

下面我们将引入优化因子的GM(1,1)模型用于旅游客源的预测,并与传统的GM(1,1)模型和文献[2],[4]给出的改进模型的结果进行比较。根据1999―2007年《中国统计年鉴》的数据,中国1998―2006年的入境旅游人数(见表1)。

根据计算,传统的GM(1,1)模型(记为方法1)中参数a=-0.141160,u=6.633047,相应的预测公式为:

(0)k=8.201626×e0.141160(k-2) k=2,3,4,…n (7)

文献[2]中的改进方法(记为方法2),经计算取k=3,于是背景值计算公式为Z(1)i=(4/6×X(1)i+2/6×X(1) i+1),参数a=-0.144297,u=6.806506,相应的预测公式为:

(0)k=8.425390×e0.144297(k-2)k=2,3,4,…n(8)

文献[4]中的改进方法(记为方法3),经计算比较,选用背景值计算公式为Z(1)i=(39/90×X(1)i+51/90×X(1) i+1)的方法,参数a=-0.139940,u=6.565948,相应的预测公式为:

(0)k=8.115175×e0.139940(k-2)k=2,3,4,…n(9)

本文引入优化因子的GM(1,1)模型(记为方法4)中最佳的优化因子为λ=-0.318,相应的参数a=-0.144150,u=6.7983425及预测公式为:

(0)k=8.414848×e0.144150(k-2)k=2,3,4,…n (10)

四种方法的计算结果(见表2)。

从表2可看出,四种方法的平均相对误差都较小,除2003年外(2003年因非典的原因造成数据极度异常)的模拟值的相对误差也较小,这说明GM(1,1)模型用于旅游客源的预测是较好的选择。同时也发现,在四种方法中本文提出的引入优化因子的GM(1,1)模型的平均相对误差最小,数据的模拟精度最高,因此用于预测应该具有更好的预测精度。

将四种方法用于预测未来三年的入境旅游人数,根据2008年《中国统计年鉴》的数据,2007年的实际入境旅游人数为26.1097百万,计算结果(见表3)。

从表3仍可看出,本文提出的引入优化因子的GM(1,1)模型的预测结果的相对误差最小,说明本文提出的引入优化因子的GM(1,1)模型能有效提高预测精度。

四、结论

本文在GM(1,1)模型中引入优化因子,通过最佳优化因子的选择获得平均相对误差最小的预测公式,使GM(1,1)模型的预测精度得到提高。该方法同时适用于非负单调递增序列和非负单调递减序列的模拟与预测,克服了已有文献中提出的改进方法的缺陷。应用实例也表明该方法具有更高的预测精度。

参考文献:

[1]邓聚龙.灰色控制系统[M].武汉:华中工学院出版社,1985.

[2]谭冠军.GM(1,1)模型的背景值构造方法和应用[J].系统工程理论与实践,2000,(4):98-103.

[3]李俊峰,戴文战.基于插值和Newton-Cotes公式的GM(1,1)模型的背景值构造新方法与应用[J].系统工程理论与实践,2004,

统计与预测论文篇(5)

中图分类号:F25文献标识码:Adoi:10.19311/ki.16723198.2016.19.014

现代物流作为近年来新兴的产业,受到了全社会的广泛关注。日益壮大的物流产业,为我国的经济发展注入了新的活力。现在物流中最重要的部分就是控制物流成本。然而如何控制物流成本则是一项极具研究性的问题。因为这不仅可以从宏观的角度认识我国物流发展水平,还能在一定程度上反映物流产业的现状,并能给企业在发展方向和相关政策上一定的指导。物流成本(Logistics Cost)是指产品成型、运输等一系列过程中,如流通加工、包装、运输、装卸、储存等各个环节中,所需支付的人力、物力和财力的总和。物流成本包括流通加工、包装、运输、装卸与搬运、仓储成本、物流管理等费用。而现代物流成本包括的内容更为丰富,串联了经营活动中每一项工作,包括从原材料供应开始一直到将商品送达到消费者手中所发生的全部物流费用。物流成本预测能为物流企业未来期间物流成本的变化趋势进行宏观掌控,为物流企业进行物流成本决策通过必要的科学依据,以避免决策中的主观性和盲目性。

以往学者对于物流成本预测方法主要有时间序列预测法、回归分析法和灰色模型等。其中,灰色系统理论是1982年我国著名学者邓聚龙教提出的,这种方法受到研究者的欢迎,因为这种方法不需要采集大量样本数据,同时也不需要计算统计特征量。因此,已经被应用到了很多方面,尤其是在存在不确定性和缺乏统计数据的领域得到了广泛的运用。陈森等应用灰色系统理论对我国的物流需求进行整体预测,同时验证了灰色模型的精度的准确性;Dang等提出以x(n)为初始条件的GM(1,1)模型;Hao等将灰色系统模型运用到喀斯特流域水文研究中,得到的分析结果具有较高精度。

灰色GM(1,1)预测模型是灰色系统理论的核心内容之一,但是基本GM(1,1)模型依然存在很多缺陷。原始数据列光滑性强弱,在一定程度上决定了传统的灰色预测模型是否具有预测精度高、模型可检验、参数估计方法简单等优点。经过长时间对GM(1,1)模型性质的研究、对模型参数估计和背景值的改进、新模型的相应发展等,大大提高了经典GM模型精度,拓宽了应用领域。

徐进军等基于灰色理论模型,梳理了如何正确建立含诸多因素灰色模型的改进方法;刘亮等对原始数列取自然对数以提高其光滑度,增加灰色模型的预测精度;Carmona等利用改进后的GM模型,对美国航空运输业的客流量长期变化趋势进行了预测,其结果较为理想。

本文在已研究成果基础上,对灰色预测模型进行改进,以达到提高预测精度的目的。将改进的灰色预测模型应用于物流成本预测中,与简均法、移动平均法和指数平滑法等方法预测精度进行比较。实践证明该预测模型可以有效提高预测精度,达到期望效果。

1传统灰色模型

灰色系统理论主要通过GM(m,n)模型进行预测,该模型是灰色系统理论的量化体现。首先,灰色模型是在原始数列是光滑离散函数基础上进行建模,而在实际中原始数列经常存在阶跃(突变)的现象,或者可能出现失效。出现此状况的原因是定解X(1)(1)=X(1)=X(0)条件决定的。因此,为得到比较满意的仿真效果,尤其是阶跃(突变)点,有必要改进一般灰色模型。现分析如下。

并用残差检验对预测误差进行检验。同时,为可以与其它预测方法的预测结果进行比较,检测预测的结果的理想性,在此基础上加入标准差的检验。

(6)通过比较,最终选取能够使预测误差最小的参数δ和m,建立最佳预测公式。

3实例计算与分析

由于物流成本方面的统计数据难以获取,本文将社会物流总成本由全国物流总费用来代替。选取样本数据为历年2009年~2013年全国物流总费用,如表1所示。

均方误差(%)4.2518.715.3628.592.27本文采用简均法、移动平均法和指数平滑法等预测方法进行物流成本的预测。通过计算机编程,对上述预测方法进行相应计算,得到模型计算值,社会物流总费用预测模型结果分析见表1。

原始序列与预测序列对比图比较表1中预测模型均方的均方误差,可以看出灰色模型经修正得到的结果远比其他模型计算得到的均方差要小,原始序列和预测序列所示,可从社会物流成本改进后模型计算值与实际值看出。由于选择修正后的灰色模型的误差明显小于其他的预测模型,因此,选择其预测社会物流成本效果更为理想。原因是移动平均法适用于平稳的变化序列,指数平滑法更适合平稳的线性序列;而灰色模型数据适合光滑序列。

由以上的计算与分析可得到:当t=2,δ=0,m=1时,改进后灰色预测模型的平均相对误差最小(e=486%);比其它预测方法相对误差小2.27%。因此经改进后灰色预测模型较好地反映出社会物流成本的变化趋势。其预测公式为

通过改善后的模型对社会物流成本的预测更加准确,接近实际值,为更好物流成本投入奠定了坚实的基础。

4结论

改进的灰色模型对于社会物流成本预测比较实用。本文对物流成本进行科学预测,有利于物流企业做出最合理的计划决策,这不仅节约了企业的经营成本,更节约了社会的资源。同时,从国家的宏观层面来看,可以使国家宏观调控物流产业的合理运行。最终引导现代物流健康快速的发展。改进的灰色预测模型适用于原始数据列近似单调的各种领域,将获得较高预测精度,预测结果具有决策和实用价值。

参考文献

[1]邓聚龙.灰色系统基本方法[M].武汉:华中理工大学出版社,1992.

[2]陈森.基于灰色系统理论的物流需求预测模型[J].决策参考,2006,(2):5960.

[3]Dang Yaoguo, Liu Sifeng.The GM models that be taken as initial value[J].Kybernetes: The International Journal of Systems & Cybernetics, 2004,33(2):247254.

[4]HaoYonghong, Zhao Jiaojuan., Li Huamin, et al.Karst hydrological processes and grey system model[J].Journal of the American Water Resources Association, 2012,48(4):656666.

统计与预测论文篇(6)

中图分类号:F241 文献标志码:A 文章编号:1673-291X(2012)09-0100-02

引言

改革开放以来,中国经济保持较高的增长率,而就业增长率却不断下降。近年来,随着中国产业结构的重大调整与升级,由产业结构变动所带来的中国就业人口变动的效果越来越明显,并逐渐成为政府和相关学者关注的焦点。

从产业结构的变动出发来预测就业人口,到目前为止尚属空白。本文首先建立产业结构变动与城镇就业人口的计量经济模型,然后运用灰色G(1,1)预测模型对产业结构的变动进行预测,通过计量经济模型,得到中国城镇就业人口在未来几年的预测值。与以往的研究方法相比,这种方法不仅可以预测中国城镇就业人口,而且可以从深层次分析产业结构变动如何影响就业人口的变化,为政府制定适宜的产业政策,以保持较高就业率提供了理论依据。

一、模型的构建和指标的选择[1]

产业结构的变动对就业具有双重影响。一方面,产业结构的优化升级会带来经济增长速度的加快和新兴行业的发展,从而导致对派生就业需求的上升,产生就业创造效应;另一方面,产业结构调整中伴随的各产业剧烈变动乃至部分产业的衰减会增加失业,产生就业破坏效应。中国正处在经济转型期,产业结构变动对就业的创造效应和破坏效应并存[2]。

本文将产业结构变动分解为产业结构变动方向和产业结构变动速度两个指标。产业结构变动方向用来衡量产业结构优化升级的程度,产业结构优化程度越高,结构性失业越弱。产业结构变动速度用来衡量各产业波动的剧烈程度,产业结构波动速度越快,结构性失业越严重。

由于产业结构变动与就业之间是非线性关系,所以本文采取以下非线性模型:

L=f(E,K)=aEαKβ

二、预测模型简介[3]

1.理论简介。灰色预测来源于灰色系统理论,所谓灰色系统即为部分信息已知,部分信息未知的系统。灰色系统预测理论的基本思路是将已经知道的数据序列按某种规则构成动态的或非动态的白色模块。再按某种变换、解法来求解未来的灰色模型,在灰色模块中,再按某种准则,逐步提高白度,直到未来的发展变化的规律基本明确为止。灰色预测可以分为数列预测、灾变预测、季节性灾变预测、拓扑预测和系统综合预测。我们这里进行的是数列预测,即对系统行为特征指针观测值所形成的序列的灰色预测。通过建立GM模型,对未来几年的变化趋势进行预测。

2.灰色预测的算法。灰色系统理论模型有GM(1,1)和GM(1,N)模型的预测分析,这里使用的是GM(1,1)模型进行预测。

三、实证分析

(一)模型的估计

本文采用的样本来源于《中国统计年鉴》[4]1989—2006年的年度资料。用Eviews3.0对公式进行估计,所得到的回归模型为:

lnL=-53.49+17.85lnE-4.05lnk

R2=0.981 S.E.=0.025 F=206.058 D.W=2.160

从统计学角度看,方程的拟合效果较好。回归结果显示,城镇就业人数与产业结构变动方向正相关,与产业结构变动速度负相关。即二、三产业越发达,城镇就业量越多;产业结构变动速度越快,就业量越低。从回归方程可见,城镇就业人数对产业结构变动方向的弹性是17.85,对产业结构变动速度的弹性是-4.05,即产业结构变动的就业创造效应大于就业破坏效应,所以产业结构变动的净效应是使城镇就业增加。

(二)指标的预测

1.预测模型的建立。为了预测2007—2010年的城镇就业人口,首先对这四年的三次产业总值分别进行预测。采用数据为1998—2006年的年度数据,应用的预测模型为GM(1,1),使用的统计软件为Matlab6.5。得到的预测模型分别是:

第一产业:X(1 )(k+1)=152 228.807e0.085k-137 411.177

第二产业:X(1 )(k+1)=239 268.215e0.141k-206 264.029

第三产业:X(1 )(k+1)=250 844.423e0.127k-220 263.053

2.预测模型的精度检验。用灰色理论建模一般采用三种检验,分别为残差检验、关联度检验和后验差检验。本文采用以上三种检验对模型进行精度检测。(1)残差检验。(2)关联度检验。(3)后验差检验。

3.预测结果。三次产业总值的预测结果及经计算得到的三次产业比重、产业结构变动方向(E)、产业结构变动速度(K)(见表1)。

将预测到的E、K带入公式。经计算,得到2007—2010年城镇就业人口预测值L(单位:万人):

L(2007)=28 827;L(2008)=29 549;L(2009)=30 262;

L(2010)=30 965

2005年中国城镇就业人口为27 331万,根据“十一五”规划,2010年的城镇就业人口目标值为31 831万人。而预测值为30 965万人,预测值小于期望值。所以仍需根据产业结构的现状及发展趋势,采取相应措施,增加城镇就业人口。

结论及建议

从产业结构变化对城镇就业的分析及预测可以看出,2010年城镇就业人口的预测值低于“十一五”规划预期的目标,说明目前的失业问题仍待进一步解决,为提高城镇就业水平,笔者提出以下建议:(1)中国在选择技术开发路径时,应符合中国的要素禀赋结构,兼顾劳动密集型、资本密集型和技术密集型的发展,尽可能地发挥经济增长的就业带动作用[8]。(2)加大现代化农业建设步伐,提高农业部门的现代化程度,提高第一产业的劳动效率,减少第一产业的从业人员。同时,提高第一产业的劳动力素质,多途径地解决剩余劳动力,这也是解决中国就业问题的根本途径。(3)加快第三产业的内部结构升级,大力发展现代服务业。第三产业已经成为中国经济增长和吸纳就业的主要力量,但在第三产业内部存在着发展不平衡的问题。一些传统行业的比重高,而新兴行业尤其是金融、信息咨询、房地产等现代服务业的就业比重偏低。今后应充分利用资源和比较优势,大力发展现代服务业,从而不断提升第三产业的就业结构升级。(4)大力发展职业教育和培训投资,提高劳动力的素质。目前中国面临的最大就业问题是由产业结构调整所带来结构性失业,并且技能人才短缺。因此,应当进一步重视职业技术教育的发展,为产业结构升级带动就业结构优化提供内在支持,创造有利条件。

参考文献:

[1] 蒲艳萍.转型期的产业结构变动与中国就业效应[J].统计与决策,2008,(7):113-115.

统计与预测论文篇(7)

中图分类号:C32 文献标识码:A 文章编号:1001-828X(2013)11-0-01

一、引言

投资项目后评价是项目生命周期中不可或缺的重要环节,是对项目的立项决策、建设目标、设计施工、竣工验收、生产经营全过程所进行的系统综合分析和对项目产生的财务、经济、社会和环境等方面的效益与影响及其持续性所进行的客观全面的再评价,通过分析和评价、吸取项目的经验和教训,为后续项目的建设提供参考。本文以某产能区块一次、二次加密及聚合物驱项目后评价为例,从工程项目后评价的内容着手,对其进行系统分析研究,对投资项目后评价中数据资料、预测资料、等级资料的统计方法的选择进行了分析,给出了投资项目后评价中各类统计资料的适用统计方法。

二、统计分析方法概述

统计类型根据数据类型,可分为计数资料、预测资料、等级资料三种统计类型,对于每种类型均有相应的统计方法。

(一)计数资料的统计方法

计数资料是将大量的定量指标进行统计归类,计数资料的统计方法主要针对四格表和R×C表进行归类分析,所谓R×C表可以分为双向无序,单向有序、双向有序属性相同和双向有序属性不同四类,不同类的行列表根据其研究目的,其选择方法也不一样。

(二)测资料的统计方法

分析预测资料的统计分析方法可分为参数检验法和非参数检验法。参数检验法主要为t检验和方差分析F检验等,非参数检验法主要包括秩和检验等。t检验主要是将已有的前段实际数据与预测数据进行直观对比,根据数据规律进行重新预测,得出更加准确的结论。F检验是将已有的前段实际数据与预测数据进行方差分析对比,矫正进行重新预测,得出更加准确的结论。

(三)等级资料的统计方法

等级资料是对性质和类别的等级进行分组,再清点每组观察单位个数所得到的资料。在临床医学资料中,常遇到一些定性指标,如临床疗效的评价、疾病的临床分期、病症严重程度的临床分级等,对这些指标常采用分成若干个等级然后分类计数的办法来解决它的量化问题,这样的资料统计上称为等级资料。

三、项目后评价中统计分析法应用分析

项目后评价资料丰富且错综复杂,要想做到合理选用统计分析方法并非易事。对于同一个资料,若选择不同的统计分析方法处理,有时其结论是截然不同的。项目后评价中正确选择统计方法的依据是:第一,根据研究目的,确定数据特征,正确判断统计资料所对应的类型(预测、计数和等级资料);第二,根据相应的数据类型,选择合适的统计方法进行数据分析;第三,还要根据专业知识与资料的实际情况,结合统计学原则,灵活地选择统计分析方法。

在某产能区块一次、二次加密及聚合物驱投资项目后评价中,有很多情况应采用计数资料的统计方法将大量的定量指标进行统计归类,从而发现其中的规律,为后评价得出正确的评价结果。包括如“项目主要目标实现情况评价表”、“储量变化情况表”、“ 开发方案设计指标评价表”、“地层压力情况统计表”、“ 钻井液参数设计数据表”、“ 各种石英砂性能指标”、“水、聚驱排量相当抽油机和螺杆泵经济评价统计表”、“新钻开发井投资变动情况表”等等。

对水、聚驱投产的205口油井的产液、产油、泵径、泵效、载荷利用率等计数资料进行统计分析,利用单向有序R×C表进行统计,统计如下:

根据R×C表的统计,聚驱区块抽油机井,预测平均单井初期产液74.54t/d,实际初期平均单井日产液80.68t,日产油6.33t,综合含水92.15%,平均泵效65.16%。载荷利用率为36.04%,扭矩利用率为51.83%;水驱区块抽油机井,预测平均单井初期产液22.3t/d,实际初期平均单井日产液27.52t,日产油4.24t,综合含水84.6%,载荷利用率为49.55%,扭矩利用率为58.18%,平均泵效47.15%;通过统计表很清楚地发现,所选抽油机型号可以满足生产要求,且为后期增产措施实施后可以达到的最高产量留有余地。

四、结论

(1)投资项目后评价数据纷繁复杂,首先应对这些数据资料归类整理,认清那些是计数数据、哪些是预测数据、哪些是等级数据,以便选择合适的统计分析方法。

(2)对于定量的实际数据一般应选择计数统计方法,预测性数据一般应用预测对比方法,等级类定性的数据一般应选择等级分类统计方法。

(3)对于不同数据类型,若选择不同的统计分析方法处理,有时其结论是截然不同的。

参考文献:

统计与预测论文篇(8)

一、引言

在对股票非预期收益的研究中,最早起始于Ball和Brown(1968)的研究,将股票非预期收益与公司非预期会计收益进行回归,用来检验会计收益的价值相关性。Chambers和Freeman(2005)提出了反映与非预期会计收益相关的风险度量模型。本文基于宿成建(2012a,b)提出的股票非预期收益定价模型框架来检验总风险、系统风险对会计收益反映系数及分析师盈余预测修正系数的风险效应。

二、实证检验

(一)会计收益反映系数的风险效应

在分析风险与ERC的关系中,模型的设置尤为重要。根据前面的理论和实证分析发现,宿成建(2012a,b)提出的三因素模型是一个可以精确解释股票非预期收益的正确模型,那么,是否可以参考Chambers等(2005)的框架,将总风险加入到因素模型中,来考察总风险对ERC的影响呢?也就是通过如下模型,来考察γ1+δ1总风险对ERC的影响,或者说高风险公司具有高的δ1值。即有如下回归方程:

由于γ1+δ1包含了ERC(γ1)和总风险(δ1)的总效应,用以上模型来刻画总风险对ERC的影响不能直接看出总风险对ERC的关系,并且,总风险还不能作为独立变量来解释股票非预期收益。表1所报告的结果显示,总风险变量为内生变量,因此将总风险变量作为控制变量加入多元回归方程来研究总风险与ERC的关系所得出的结论将不具备稳健性。此外,根据前文分析,由于TRUE和SRUE分别是非预期会计收益(UE)与总风险和系统风险的乘积,因而,UE与SRUE与TRUE就存在无法避免的多重共线性问题。本文采用宿成建(2012)提出的股票非预期收益定价模型框架来检验会计收益反应系数、分析师盈余预测修/正系数的风险效应。通过以上的分析,将检验如下假设:

假设1:ERC随着总风险增加而增加;假设2:高总风险公司对证券分析师预期的会计收益增长信息存在风险补偿效应;假设3:ERC随着系统风险增加而减少;假设4:高系统风险公司对证券分析师预期的会计收益增长信息存在风险补偿效应。

表2报告了使用标准Fama和French(1973)方法得出的时间序列横截面回归模型估计系数。PanelA和PanelB分别报告了市场风险溢价在3%和5%条件下的股票非预期收益的回归模型估计结果。被解释变量的样本区间是从2004年4月至2011年3月,作为解释变量的贝塔则起始于2002年1月。表6 PanelA所示,高总风险组合股票的ERC是2.217,T值8.154;低总风险组合的ERC是1.285,T值5.259。因此,高风险组合股票的ERC与低风险组合的ERC之差是0.932,说明股票高总风险越高具有更高的ERC,假设1得到验证。这个结果与Chambers等(2005)的预测一致。然而,无论是高风险组合股票还是低风险组合,反映证券分析师预期的会计收益增长信息的分析师盈余预测修正变量的估计系数却没有显著差异,说明股票价格对证券分析师预期的会计收益增长信息不存在总风险补偿效应。因而,假设2没有得到验证。

表2Panel B所示,高系统风险组合股票的ERC和REERC估计系数均分别显著大于低系统风险组合股票的ERC和REERC的估计系数,并且估计系数是经济意义和统计意义上是显著的,说明ERC随着系统风险增加而增加,并且,对于高系统风险公司,证券价格对证券分析师预期的会计收益增长信息存在系统风险补偿效应。假设3和假设4得到验证。假设3的结果与Cready,Hurtt,和Seida(2000)的预测一致,与Collins和Kothari(1989,p167)报告的ERC与贝塔呈负相关则相反。本模型的预测与现有金融理论相吻合,即高风险需要高收益进行补偿,意味着相对高的ERC(或REERC)反映系数效应。

三、结论

本文检验了总风险、系统风险对会计收益反映系数及分析师盈余预测修正系数的风险效应并发现:第一具有高总风险的股票具有更高的ERC;第二股票价格对证券分析师预期的会计收益增长信息不存在总风险补偿效应;第三ERC随着系统风险增加而增加,并且,对于高系统风险公司,证券价格对证券分析师预期的会计收益增长信息存在系统风险补偿效应。

参考文献

[1]宿成建.2012a:《非预期股票收益理论与实证研究―基于中国股票市场的检验》,2012CICF中国金融国际年会论文,《投资研究》,2014,33(7):126-143.

统计与预测论文篇(9)

[中图分类号] P258 [文献码] B [文章编号] 1000-405X(2013)-7-179-1

变形监测就是在时间域与空间域下进行的大地测量工作,其主要任务是确定在各种外力和荷载的作用下,变形体的形状、大小及其位置发生变化的空间状态与时间特征。建筑物沉降变形分析是通过对特定监测点进行定期监测,获得原始监测数据,并对这些监测数据进行整理、分析得出变形体变形规律的过程。随着科学技术的进步和计算机技术的发展,各种理论与方法都在应用于建筑物的变形分析与变形预报的研究中。目前在建筑物变形分析预测中,应用较广泛地模型有灰色系统预测模型、回归分析模型、模糊神经网络预测模型等。本文在传统灰色GM(1,1)模型的基础之上,通过工程实例证明GM(1,1)预测模型较传统灰色GM(1,1)模型精度高,适合应用于建筑物的沉降变形分析与预报。

1传统灰色GM(1,1)模型

灰色系统就是指既含有已知的又含有未知的或非确知的信息系统。灰色系统理论的研究对象是部分信息已知,部分信息未知的小样本、贫信息不确定性系统。它通过对较少或不确定的表示系统行为特征的信息作生成变换来建立灰色模型,以此来正确把握系统运行行为和演化规律。GM(1,1)预测模型的建立过程如下:

令x(0)为某一监测点各期的等间隔非负原始数据序列:x(0)=(x(0)(1),x(0)(2),...x(0)(n)) (1)

式中n为序列长度,k=1,2,…,n。对原始序列进行一次累加生成,得到光滑的生成数列:

x(1)=(x(1)(1),x(1)(2),...x(1)(n)) (2)

对式(2)时间求导建立GM(1,1)一阶线性灰微分方程,即GM(1,1)预测模型的白化方程:

dx(1)(k)/dt +ax(1)(k)=b (3)

式中a,b为待定常数。a用来控制系统发展态势的大小,称为发展系数;b用来反映数据的变化关系,称为灰色作用量。

将式(3)变换可得灰差分方程:x(0)(k)+az(1)(k)=b(4)

式中z(1)(k)为x(1)的紧邻均值:z(1)(k)=12 (x(1)(k)+x(1)(k-1)) (5)

式(4)可写成YN=Bα其中B为累加生成矩阵,YN为数据向量,α为参数矩阵。

根据最小二乘原理可求得:α=(BTB)-1BTYN (6)

将求得的待定参数及边界条件x(1)=x(0)代入式(3)得GM(1,1)白化方程的时间响应式:

通过累减生成GM(1,1)预测模型:

2模型精度检验

本文采用后验差检验法[10]评判模型精度,该检验法由后验差比值 和小误差概率 来共同描述。设实测数据方差为 ,残差数据方差为 ,则计算式分别为:

3工程实例

本文以桂林某住宅小区79栋从施工期2009年8月至2010年4月,共监测11期,且观测周期的时间间隔相等的沉降变形监测数据为例。该楼共19层,共布设10个沉降变形监测点,本文以监测点79_9的沉降监测数据为例分析建筑物的沉降变形并利用GM(1,1)模型和新陈代谢GM(1,1)模型建模进行预测,并与实测数据进行对比分析。本文的计算过程通过MATLABR2008a编程实现模型的建立与预测,把原始监测数据带入程序中可得传统GM(1,1)预测模型为:

通过上述三式计算可得监测点79_9的预测结果,如表2所示。

由表2可知,在运用传统GM(1,1)模型对监测点79_9的第9期至第11期进行预测时,最大残差-2.32mm 。

4结论

建筑物在施工过程中,随着荷载的增加,初期与后期的沉降量与沉降速度不一样,后期的沉降速度相对较慢,沉降量较少,故不能用前期的监测数据来预测长期的沉降变形情况。本文结合实际的工程实例,建立传统的GM(1,1)模型对桂林某住宅小区79栋监测点79_9进行沉降变形分析与预测。通过分析可得GM(1,1)模型在建模时保留了序列初期的沉降信息,且随着时间的推移,灰色系统会加入一些未来的噪声干扰,传统的GM(1,1)模型在建模预测时并没有将未来的噪声考虑进去,导致预测值随着时间的推移偏离实测值越来越大。

参考文献

统计与预测论文篇(10)

灰色系统理论(Grey Theory),又称灰色系统。是指既有已知信息又含未知信息的系统,是研究分析、建模、预测、决策和控制的理论。20世纪80年代初,该理论由我国邓聚龙教授提出,他认为系统内部特性确知的为白色系统,内部特性未知的为黑色系统,内部特性部分确知、部分未知的为灰色系统,灰色系统指相对于一定的认识层次,关于系统内部的信息部分已知、部分未知,既信息不完金。系统内部的信息是指关于系统因素的信息,关于系统结构的信息和关于系统作用原理的信息。目前该理论已经广泛应用于农业、经济、医疗、生态、水利、气象、地质、军事、文化、交通、管理、工业控制等几十个领域。下面介绍一些在工程上的一些应用,简述灰色系统理论的现状研究。

秦文权、王星华,雷金山、王俊辉将灰色理论应用于填石路堤沉降的预测中。能满足工程的要求。山区高速公路修建过程中,大量采用填石路基。填石路基的变形可分为两部分:一部分为瞬间变形即加荷以后立即发生的变形。另一部分为在较长的时间内持续发展的变形,反映出堆石变形具有蠕变性质。这两部分变形各自遵循不同的规律,由于沉降过程较长且变化过程较为复杂。沉降结果往往较难预测。因此,秦文权教授等,结合河南省洛阳至南阳高速公路分水岭至南阳段填石路堤沉降监测资料,对填石路堤沉降随时间的变化过程作了简要分析。在此基础上,建立了适合路堤沉降预测的GM(1,1)沉降预估模型及其参差模型。并应用于该公路路堤沉降的预测,与实测数据对比,有较高的精度。结论:①基于填石路堤的变形特点,采用负指数曲线拟合路基沉降一时间关系,其与沉降的变化趋势吻合较好,从而证实了应用灰色系统理论预测填石路基沉降的可行性。②以灰色系统GM(1,1)模型为原型,运用最小二乘法优化模型参数后,与原模型相比。优化模型预测精度会有显著提高。③由于沉降的观测历时较长,加上外界条件的复杂多变性,需要对预测模型不断增加新信息,剔除旧信息,充分利用反映系统的最新信息进行动态预测,将会使灰色系统理论模型达到更佳的预测效果。

李清富、张江威建议了一种改进的灰色关联夯析法在结构损伤识别中的应用,使得计算结果更符合实际。结构的损伤识别是一个十分复杂的问题。目前结构损伤识别的一个常用的方法是利用结构的振动响应和系统动态特性来分析、推断结构的状态。由于影响结构振动响应的因素众多,各因素之间以及各因素与振动参数之间的关系复杂。并且结构的损伤程度大小与各振动参数之间很难建立确定的数学关系。因此,结构的损伤识别问题可视为一个典型的“灰色系统问题”,可运用灰色系统理论来研究。基本思想为拟以完好结构的动态响应序列为原始序列,以实测现有结构的动态响应序列为比较序列,通过计算两者之间的关联度来分析诊断现有结构的损伤程度。邓氏灰关联度计算仅为一个相对值,并不具有唯一性,而该作者提出绝对关联度的计算,即按照序列曲线变化态势的接近程度来计算关联度。选用频率作为特征参数,取简支矩形钢粱模型作验证,L=800mm,b=10mm,h=60mm,分别用改进前及改进后的方法进行灰关联分析,并与该梁的实际损伤结果作对比,分析结果与实际的情况吻合良好。即随着计算关联度的减小,损伤程度或可能性逐渐变大。而且经对比,利用该方法,可以方便地识别结构是否出现损伤,并能定性的给出损伤程度的大小,改进后方法的预测效果更符合实际。

上一篇: 影响消费因素论文 下一篇: it内部审计论文
相关精选
相关期刊