一、人工神经网络在宏观经济预测中的应用（论文文献综述）
赵博宇[1]（2021）在《机器学习在汇率预测中的组合研究 ——基于FA、GARCH和SVM的比较分析》文中研究说明随着中国经济双循环新发展格局的构建、人民币国际化进程和汇率市场化改革不断深入推进,对人民币汇率的走向和波动趋势做出有效的预测对于国家、企业和个人都具有重要的现实意义。同时近年来,以数字金融为代表的新金融业态正重塑传统金融体系的服务方式和运行机制,成为未来金融发展的重要趋势之一。基于上述背景,本文将结合金融时间序列模型和机器学习相关模型,参考汇率决定利率理论中的汇率影响因素,来探索对人民币汇率尤其是人民币兑美元汇率的有效预测方法。本文采用FA、GARCH、SVM三种模型的不同有机组合来预测汇率,寻找最优的汇率预测组合模型。因子分析（FA）主要用于对输入变量进行降维处理,在尽可能充分反映外汇市场信息的同时,也消除变量间的多重共线性;广义自回归条件异方差模型（GARCH模型）的加入使得模型可以将汇率的波动趋势纳入考虑;最后在支持向量机模型（SVM模型）的框架下进行人民币兑美元汇率的预测和效果评价,在SVM的优化设定上,通过网格遍历法对SVM的参数进行优化,同时以模型的预测效果作为衡量基准来选取最优的核函数。在以组合模型的预测精度和预测误差作为衡量模型优劣的主要评价标准的体系下,本文通过对FA、GARCH和SVM三种模型不同组合间的性能进行比较分析,实证发现FAGARCH-SVM的组合模型在人民币兑美元汇率的预测精度和误差方面均优于SVM、FA-SVM和GARCH-SVM等模型,表现出良好的可行性和优越性,可以为外汇市场参与者提供一定的指导和参考作用,同时也说明不同学科研究方法之间的交叉互鉴具有更广阔的应用前景,未来以数字金融、数字经济为代表的新金融和新经济将会有更大的发展。
刘晓彤[2]（2020）在《基于遗传算法优化BP神经网络的铁路货运量预测及影响因素探究》文中研究说明铁路货运量预测结果的准确性对铁路运输企业在决定投入产出、制定发展政策方面有着重要的意义,对于铁路货运发展的合理性有一定的指导作用。2018年国务院办公厅印发了《推进运输结构调整三年行动计划（2018-2020年）》,这篇指导文章着重强调了以加强国家货运结构化改革为基本目标,逐步对我国的运输结构进行优化,充分体现出水运、铁路在大宗货物运输中的优势。同时国家更加着力于推进“公转铁”行动方案,为实现经济可持续发展和底层运输常态化运行提出新的指导意见,在打赢蓝天保卫战的基础上突出了铁路规模化运输优势。目前我国铁路货运量的影响因素比较复杂,以GDP为代表的典型经济特征对铁路货运变化趋势在相关程度和发展解释性方面的优势不断弱化,新时期的长期经济平稳和产业结构、空间布局变化使得现阶段铁路货运量发展趋势难以准确把握,宏观调控政策趋势愈加明显,铁路货运发展趋势明显积极活跃。在这样宏观复杂的环境下,铁路货运量预测的改进能力和科学性在当前研究中发挥了独特的优势。通过借鉴其他领域具有突出优势的预测方法,弱化时间趋势发展特点突出影响因素的重要性,搭建预测模型,进行铁路货运量预测,为铁路管理层面和基层工作的决策提供指导意义,构成了本文的主要内容。本文首先从铁路货运的传统优势引入,总结了铁路货运量的发展特征,分析了相关的影响因素,以国家宏观支持政策和在宏观背景下铁路自身衍生的现代化发展能力对铁路货运发展的向好影响说明在当前区别以往的发展环境下,使用更具有模拟实际货运发展、有效预测运量前景的预测方法的重要意义,其次本文对传统的定性、定量预测方法进行了基本阐述,并进行汇总和评述。同时对处于国家宏观调控下的铁路货运量影响因素进行了分析,重点在铁路自身供给以及社会需求等方面展开研究。在基于可量化的九个影响因素的基础上,搭建设计了神经网络模型,通过对比设计验证模型有效性,并在研究过程中对遗传算法优化的BP算法与传统BP算法进行分析,验证了优化后算法在应用中的优势,不仅减弱了过拟合问题发生的可能性,而且能够有效发挥组合算法在突出影响因素、实现较好模拟运算的作用,并通过预测阶段小结阐明预测存在误差的可能致因。最后总结本文的主要工作结论,提出对短期和长期内铁路货运发展方向意见,通过扩大运输能力、优化产品供给、发展多式联运、加强电子信息畅通等不断深化改革和有效探索,以期铁路货运发展能够凭借经济发展趋势长期向好,最后持稳定态势。图46幅,表24个,参考文献68篇。
牛犇[3]（2020）在《基于网络信息的制造业PMI关注度指数的构建与应用研究》文中认为采购经理人指数,即PMI,是用于监测经济发展状态的先行性月度指数,在宏观经济预测和商业分析方面都有重要作用。虽然PMI相比其他政府部门统计报告具有先行性,但仍存在不足:以调查问卷形式获取数据,数据获取成本过高;数据均为定性数据,受被调查者主观情绪影响较大;样本数量和样本构成变化会影响指数走势等。随着互联网发展,可以从网络信息中提取大量定量数据,本文以制造业PMI为例,以网络信息替代调查问卷构建制造业PMI关注度指数,弥补制造业PMI不足,并研究制造业PMI关注度指数反映宏观经济变化的可行性及应用价值。本文梳理了国际通用的制造业PMI概念及编制方法,从调查方法及编制内容方面与符合中国国情的中国制造业PMI进行对比分析,指出了中国制造业PMI编制中存在的不足。为了克服这些不足,本文构建了制造业PMI关注度指数,首先使用分词算法将中国知网CSSCI期刊数据库和国泰安新闻数据库的文本信息分词处理并构建关键词词库;接着使用爬虫算法获取关键词百度指数,利用百度指数计算关键词搜索热度从而去除网络发展趋势对数据样本影响;结合Kmeans聚类和因子分析计算关注度扩散指数;最后通过随机森林模型提取重要特征得分作为关注度扩散指数权重并合成制造业PMI关注度指数。为了检验制造业PMI关注度指数的作用,利用制造业PMI关注度指数连续20日、25日和30日均值与制造业PMI的数据进行了长期关系分析;同时构建EEMD-BP预测模型,将当月制造业PMI关注度指数连续20日均值和制造业PMI滞后三期数据作为输入信息,预测当月制造业PMI,通过2011年1月至2019年9月数据验证制造业PMI关注度指数的预测作用。研究结果表明:第一,与制造业PMI对应的网络信息关键词可以提供与调查问卷高度相关的预见信息;第二,合成的制造业PMI关注度指数与制造业PMI具有长期稳定关系,表明制造业PMI关注度指数能在一定程度上刻画制造业发展变化趋势;第三,将当月制造业PMI关注度指数加入模型,可以进一步提升预测精度,表明制造业PMI关注度指数包含了未来的预见信息。基于网络信息编制的PMI关注度指数累计20日信息较稳健,相比官方发布制造业PMI信息可提前10天,更具时效性。
胡枭[4]（2020）在《基于混频数据的季度GDP预测》文中进行了进一步梳理国内生产总值是一个国家或地区经济状况的晴雨表,它可以反映出当前的经济形势,从而在政府制定宏观经济政策的时候,政府可以借助它来确定对经济实行刺激政策还是紧缩政策。因此,关于GDP的预测一直是学者研究的热点问题,但是以往的预测模型受限于数据的维度,数据序列长度以及预测过程中的非线性因素,其次是GDP只有季度指标与年度指标,用来预测的宏观经济指标与GDP同频率的较少,若采用高低频数据转换的方法则会对模型的精确度产生影响。针对这些存在的问题和缺陷,本文采用了另外一种GDP预测方法,即基于混频数据的Light GBM算法模型。本文从wind金融数据库获取了60个对GDP增长率影响较大的宏观经济指标数据,以及2000年Q1到2019年Q1共77个季度GDP增长率,然后运用Light GBM回归算法模型进行GDP预测。文章主要的两个创新点是样本数据的预处理方法和样本数据的模型训练方法。样本数据的处理上没有运用以往高低频数据转换方法,而是直接用混频数据进行训练模型,最终的模型训练数据包含77个样本、300个变量,对于这种横向维度大于纵向维度的数据类型正好适合本文所用的Light GBM这一前沿的机器学习算法。关于模型的训练方法并没有采用常规的随机选择训练样本与测试样本来训练模型,而是通过依次选择连续时间段的样本来训练多个模型,因为样本数据具有时序性,随机选择训练样本会影响模型的预测准确率。最终结果表明,模型在预测效果上较传统预测模型有很大的提升,在经济指标特征贡献度上也基本与当前的中国经济情况不谋而合。
李兴有[5]（2020）在《基于人工智能的量化多因子模型的拓展及在中国股票市场上的应用》文中认为量化投资主要基于数学的方法完成投资的决策和实施,而且其中往往伴随着计算机技术的参与。量化投资的理论、策略以及实践在金融环境成熟的海外投资市场已经发展多年。伴随着近年来人工智能技术的再度兴起,各种新技术、新模型和高性能的计算机也与量化投资的结合越来越紧密,并且相关的概念和研究也逐渐被越来越重视。量化投资具有很多特点:首先是严格按照数理结果做出投资决策。在量化投资中决策的依据是模型的结果,而不是投资者的感觉。量化投资很好的克服了传统投资方式下人性缺陷带来的不足,每一次的投资决策所有的行动理由全部基于严密的数学计算结果。其次量化投资可以做到高效、严密的处理分析数据。传统的投资方法面对当今信息时代爆炸性增长的数据,难以做到全面、缜密和具有逻辑的分析处理。而量化投资模型可以很快速的处理成千上万关于投资的信息,最新的人工智能算法又可以在复杂的各种信息中理清关系构建评估体系,可以说基于计算机技术的量化投资可以看到传统的投资方式难以看到的信息。最后量化投资可以做到从金融数据中发掘价值。从最初的统计套利,根据统计学的原理在具有相同性质的股票之间寻找价差,到之后基于概率和历史数据挖据模型,量化投资利用数学知识建立起完全有别于传统定性投资的方法,并不是只简单的借助股票基本性质来作为分析的手段。本文关注于量化投资策略中的多因子模型,借助人工智能技术对其进行拓展,具体的主要工作有:首先,在投资领域中量化投资策略占据着主导,量化投资策略的核心在于根据因子与收益和风险之间的关系来配置资产组合。因此提升资产配置效率的核心就在于对因子模型的不断改进,本文提出利用Elman神经网络来预测多因子模型中的因子,这种处理方法可以取得相较于传统的量化多因子模型更好的结果,文中以2017年2018年的8个季度数据为样本,首先检验了多因子模型的效果,结果表明多因子模型在中国证券市场中具有显着的效果。同时通过对比实验证明,未来一期的因子在建立资产配置组合时效果优于用当期因子预测资产未来的收益。而在预测未来一期因子方面,传统的线性回归模型对于数据要求较多,必须满足平稳或协整等条件。本文中通过检验表明因子数据无法满足相关要求。因此文中提出利用非线性的Elman神经网络来预测因子的未来走势,实验结果表明Elman神经网络预测出的因子可以起到一定的作用,并且将预测因子和原有的多因子模型相结合可以获得显着的优于原有模型的效果,该方法拓展了资产配置的途径,提升了资产配置的效率。其次,本文研究了宏观经济因子在多因子选股模型中的应用,在传统的多因子模型中,必须首先依靠Fama-MacBeth回归检验因子的有效性,当因子无法完成有效性检测时,则认为在传统的框架下无法建立起因子与股票收益率之间的关系,进而宏观经济因子不能应用于多因子选股模型。但是有些宏观经济因子与股票收益率之间存在关联是符合经济学研究的,因此本文提出为了更好的刻画二者之间的关系,可以在线性模型不能建立起二者之间关系的情况下,利用基于神经网络的非线性模型来研究宏观经济因子与股票收益率之间的关系,实验表明添加了宏观经济因子的神经网络模型能够更好的拟合股票收益率,更进一步本文依靠神经网络模型的预测结果作为评分依据建立多因子选股模型,实验表明神经网络模型选出的投资组合在收益率表现上显着优于传统方法,并且添加了宏观经济因素的多因子模型表现更为优异,这更进一步证明了宏观经济因子对于股票收益率的影响。最后,Smart Beta投资策略是基于Alpha策略和Beta策略相结合的一种投资策略,其核心是在跟踪指数的同时改变指数的权重确定方式。传统的指数和Beta策略在编制指数时大部分以成分股的市值、成交量等权重确定方式为依据。而Smart Beta策略则根据Alpha因子作为权重编制的依据。本文首先依据Smart Beta策略的构建方法,依据公司质量因子和等权重法分别对所跟踪的指数进行了构建,并比较了在Smart Beta策略下的两种权重确定方式的表现优劣。在对比中可以看出,不同的指数适合不同的权重确定方法。因此本文提出基于人工智能算法的分类功能来预测指数适合的权重确定方法。然后分别验证了BP神经网络和线性层模型对于指数适合权重方法的预测,结果表明人工智能算法对于分类不同的指数和其权重确定方式起到了一定作用。
畅浩天[6]（2020）在《基于用电量的多维数据融合的宏观经济预测方法研究》文中研究表明宏观经济是一个综合衡量国家或地区经济发展水平的重要指标,它也能够从一定程度上帮助我国更好地检验第一个一百年目标的完成情况。研究宏观经济的变化趋势,做出精确的短期宏观经济预测能够帮助政府、企业和个人快速做出正确的经济决策。宏观经济本身具有复杂性,受诸多因素影响,其中用电量是一种非常重要的影响因素,但是仅考虑一种影响因素得到的经济预测模型的预测效果往往不尽人意,因此在当今这个大数据时代,需要使用大数据及信息技术的先进方法,综合考虑多种影响因素,融合多维数据中隐含的宏观经济信息,才能更加精准地把握宏观经济发展趋势,得到更加准确的宏观经济预测结果。因此,在结合过往宏观经济研究成果的基础上,综合考虑时代的变迁,使宏观经济预测模型顺应当今时代的发展特征。本文选取用电量作为基础因素、气象作为影响用电量进而影响宏观经济的扰动因素、在线社交网络作为顺应社会发展的时代因素,以LSTM（长短期记忆）神经网络为基础,通过PSO（粒子群）算法进行优化,搭建多维数据输入的深度学习模型,研究三种因素与宏观经济的关联关系,并通过这三种因素的指标数据获得更加准确的宏观经济预测结果。文章以全社会用电量作为用电量的代表指标,以平均温度、平均相对湿度、降水量作为气象代表指标,微博新用户数作为在线社交网络代表指标,以GDP（国内生产总值）作为宏观经济的代表指标,对各因素与GDP的关系进行分析,并进一步地对PSO-LSTM深度学习神经网络模型进行验证。结果表明:用电量与GDP之间有着极强的线性相关关系以及双向的Granger因果关系,微博新用户数与GDP之间有着较强的线性相关关系以及从GDP到微博新用户数的单向Granger因果关系,三种气象指标与GDP之间均存在着双向的Granger因果关系。在用电量预测GDP的基础上,进一步融合微博新用户数、平均温度、平均相对湿度和降水量的数据,可以有效地提高GDP的预测精度,获得精度更高的GDP预测值,且本模型对在线社交活动越活跃的省份的经济预测效果越好。
马海容[7]（2019）在《基于地理空间的GDP预测模型构建和实证研究》文中研究指明国内生产总值（GDP）作为衡量国家经济状况的基础指标,它的稳定并持续增长和国家经济健康发展有着密不可分的关系,GDP的预测关系着国家和政府分辨出经济状态是萎缩还是膨胀,最终决定是刺激还是抑制经济增长,在整体宏观经济研究中举足轻重。然而,GDP数据具有时序性和非线性的特点,其预测相对繁杂。现有的研究主要存在两个问题:其一,预测精度欠缺;其二,模型仅适用于特定区域,不能根据用户期望完成区域经济预测。针对以上问题,本文在前人的研究基础之上,以一种全新的视角,将空间计量经济学和人工智能方法有机结合,应用到宏观经济预测当中,以提升其预测精度。在指标选取上,将地理空间指标引入到GDP预测当中,构建了一套科学合理的GDP预测指标体系,“消除”地域差异对经济预测的影响,实现用户期望地区的GDP预测。在预测模型上,以BP神经网络为基础,通过双重优化提升了模型预测精度。首先,本文根据GDP核算法和相关影响因素,识别出本文的预测基础指标,并将地理空间指标通过数值化引入到GDP预测当中,建立了一套科学的基于地理空间的GDP预测指标体系。然后,本文在BP神经网络模型的基础之上,建立了双重优化的BP神经网络模型。该模型主要分为粒子群算法优化BP神经网络和动态调整的学习因子优化粒子群算法两个子模块。在粒子群算法优化BP神经网络模块,将粒子群算法得到的群体最优位置映射到BP神经网络中,代替原本随机选取的权重w和偏置b,从而降低神经网络训练负担,并提升模型预测精度。同时,通过动态调整的学习因子c1和c2来加快粒子群算法的收敛速度,完成整个模型优化。最后,通过对两个重要指标:GDP增速和人均GDP进行实证分析,发现,本文提出的基于地理空间的GDP预测模型确实能提升GDP预测精度,同时能实现用户期望地区的GDP预测。并得到我国应因地制宜,对北方和西部的边远地区要加大教育、科技以及人才引进的投入,同时通过刺激居民消费和扩大进出口等手段拉动欠发达地区经济增长的结论。
宋怡臻[8]（2019）在《基于时间序列与LSTM模型的经济预测研究》文中研究说明经济全球化的发展给我们带来了新的机遇与挑战,在我国民族企业走向世界的同时,也将我国经济卷入了世界经济的浪潮中,全球经济的变化对我国国内经济的影响也越来越明显。因此,进行合理的经济预测,制定适宜的经济政策,提前规避风险,显得越来越重要。本文就经济预测问题,首先介绍了经济预测的特点和几种常见预测方法,包括时间序列预测法、计量经济学方法、多元统计分析法、投入产出分析法、趋势曲线分析法等。这些方法大多主要依赖数理统计模型或者研究人员的实践经验总结,模型较简单,准确率受限。随着人工智能、大数据技术的发展,BP神经网络进入研究人员的视线,BP神经网络可以很好地拟合非线性的经济系统,用BP神经网络进行经济预测取得了很好地效果。但是,传统的BP神经网络没有考虑到经济预测数据所具备的时序性特点。本文实验选用了基于长短期记忆单元的递归神经网络模型LSTM（long short-term memory）来进行经济预测。本文以两种重要的宏观经济指标:国内生产总值（GDP）和居民消费价格指数（CPI）为预测对象,通过Anconda3进行仿真实验。首先,对影响因素进行了特征重要性评价,筛选出重要性较高的指标建立起经济预测影响指标体系。然后,通过对比实验对LSTM网络结构的激活函数、优化器算法、过拟合现象等进行了讨论,构建起最适宜本文实验数据集的LSTM网络模型。其次,使用粒子群算法思想改进后的蝙蝠算法对LSTM模型的初始权重及阈值进行了优化,提升了模型效果。针对未来经济指标无法及时获取问题,将适宜小样本预测的灰色模型与改进后的LSTM模型建立起组合模型。首先通过灰色模型得到单个特征预测值,再将之传入改进后的LSTM模型得出GDP和CPI预测值。同时,考虑到灰色模型长期预测效果欠佳,并且易受到随机因素影响。将无偏灰色模型与基于滑动平均法改进的灰色模型与传统灰色模型预测结果进行加权平均后,再传入改进后LSTM模型,建立组合模型。最后,本文对预测模型进行了应用分析,通过预测结果展示界面,更好展示预测效果,增加了模型的实用价值。本文通过仿真实验对比了多种模型预测效果,发现LSTM模型预测准确度更高,适合用来解决经济预测问题。三种改进方式有效提升了模型效果。将灰色模型引入模型可以更好地对未来经济发展方向做出预判,以制定适宜的经济政策,帮助经济更好更快发展。
卓杏轩[9]（2019）在《高维非线性混频数据模型及应用研究》文中研究指明在大数据时代,随着信息科学与计算机技术的快速发展,使得海量多源数据的收集与存储方便易行。在多源数据融合建模中,常常遇到观测频率不一致的混频时间序列数据,由此带来了关于混频数据的影响模式探讨和精准预测研究。由于传统回归模型建立在同频数据基础之上,往往需要对混频数据进行同频化处理,这样导致大量高频信息损失。混频数据抽样（MIDAS,MIxed DAta Sampling）模型的提出,为直接使用原始混频变量进行建模分析提供了可能。进一步,随着经济管理领域中研究问题复杂性的增加,出现了许多现有混频数据模型难以有效解决的反向、高维、非线性等类型的混频数据分析问题。有效解决此类数据建模过程中的技术难题,拓展混频数据分析方法,对于推广使用混频数据模型以及探索经济管理领域中复杂影响模式等,具有重要的理论意义和应用价值。基于此,本文选取“高维非线性混频数据模型及应用研究”这一研究主题,综合应用统计学、经济学、金融学和管理学等学科知识,采取理论分析、数值模拟和应用研究相结合的范式,将现有的混频数据分析方法从“正向”拓展至“反向”、从“低维”拓展至“高维”、从“线性”拓展至“非线性”,从而分别建立相应的反向有约束混频数据模型、组惩罚混频数据模型以及神经网络混频数据模型等,并将这些模型应用于现实经济管理问题的解决。论文的具体工作和主要创新如下:（1）建立反向有约束混频数据模型（RR-MIDAS,Reverse Restricted MIDAS）,用于解决使用低频信息预测高频变量的反向混频数据问题,同时不受频率倍差限制,能够适用于更一般的混频数据情形。首先,借助MIDAS模型中的权重约束思想和RU-MIDAS（Reverse Unrestricted MIDAS）模型中的分时期结构理论,给出RR-MIDAS模型构建过程中频率对齐、分时期处理、权重约束、参数估计以及多步向前预测等完整步骤。其次,使用Monte Carlo数值模拟考察RR-MIDAS模型的有效性,通过比较小、中、大频率倍差水平下RR-MIDAS模型与RU-MIDAS模型和HF模型的拟合与预测差异,结果表明前者具有最优的预测表现。最后,将RR-MIDAS模型应用于中国和美国的市场化利率预测,同样证实了该模型具有很好的预测能力,并且能够反映变量间的实时动态影响关系。（2）建立组惩罚（正向/反向）无约束混频数据模型（GP-（R）U-MIDAS,Group Penalized（Reverse）Unrestricted MIDAS）,用于解决具有高维特征的混频数据分析问题,兼顾频率对齐和多阶滞后操作产生的组效应,能够实现混频数据分析、变量降维、参数估计和关键变量识别,同时增强解释能力与预测能力。首先,将组LASSO、组SCAD和组MCP等组惩罚函数引入到（R）U-MIDAS模型框架下,建立GP-（R）U-MIDAS模型,并给出模型设置、参数估计、组变量选择与多步向前预测等完整建模过程。其次,使用Monte Carlo数值模拟考察GP-（R）UMIDAS模型有效性,通过比较不同变量作用机制以及不同频率倍差情形下,GP-（R）U-MIDAS模型与P-（R）U-MIDAS模型、FC-（R）U-MIDAS模型以及（R）UMIDAS模型的变量选择、拟合与预测差异,结果表明前者在存在组效应情形下显着优于其他模型。最后,将GP-U-MIDAS模型和GP-RU-MIDAS模型分别应用于季度GDP预测和资产定价研究中,同样证实了GP-（R）U-MIDAS模型的预测表现显着优于其他比较模型,并且能够在探讨变量间影响机制的同时识别出关键影响因子。（3）建立神经网络（有约束/无约束）混频数据模型（ANN-（U-）MIDAS）,用于探讨原始混频数据中潜在的非线性影响模式,能够充分利用高频有效信息,同时充分发挥机器学习中的数据驱动与自适应学习能力。首先,将（U-）MIDAS方法引入至ANN模型框架下,建立ANN-（U-）MIDAS模型,并给出包括模型设置、参数估计以及多步向前预测等在内的完整建模过程。其次,使用Monte Carlo数值模拟考察ANN-（U-）MIDAS模型有效性,通过比较ANN-（U-）MIDAS模型与基准的ANN模型和（U-）MIDAS模型之间的拟合效果与预测能力,发现ANN-（U-）MIDAS模型表现最优。最后,将ANN-（U-）MIDAS模型应用于使用低频宏观经济变量和高频金融市场信息预测月度通货膨胀率的研究中,实证结果证实了ANN-（U-）MIDAS模型具有最优的拟合与预测表现,能够有效解决非线性混频数据问题。本文研究工作,对于经济管理领域中出现的反向、高维、非线性等混频数据分析问题,在现有研究基础上,对经典的（U-）MIDAS模型进行了有意义的拓展,建立一系列全新的混频数据分析模型与方法,充实了混频数据理论研究内容,丰富了混频数据应用研究工具。同时,选取经济管理领域中的常见问题,在混频数据框架下开展相关主题研究,致力于提高研究结果的解释能力与预测精度,从而帮助政策制定者和投资者及时把握市场变化趋势,深度了解市场运行机制,最终提高宏观审慎监管能力、提升投资决策和管理水平。
王锋[10]（2018）在《基于随机森林回归的国债期货价格预测》文中提出随着人工智能进入人们的视野,越来越多的投资者将机器学习和证券市场投资结合在一起,以期获得良好的收益。随机森林是机器学习中用于分类和回归的重要工具。本文将5年期国债期货指数（代码TF0000,以下简称TF指数）投资分析转化成一个学习问题,运用2013年9月6日（5年期国债期货上市日）到2015年12月31日的TF指数日收盘价共564个数据对技术指标和宏观经济指标进行筛选,然后再利用筛选后的指标运用随机森林回归模型对2016年1月1日至2017年10月31日的TF指数日收盘价共445个数据进行预测。本文所作的主要工作有:一、通过基于分形理论的Hurst指数对TF指数进行检验,发现TF指数并非有效,因而根据市场有效假说,技术分析和基本面分析在这个市场均有其用武之地。二、选择几种常见的技术指标,用指标筛选集挑选出每种TF指数技术指标在历史上表现较好的参数;同时筛选出与TF指数指标筛选集数据相关性较高的宏观经济指标。三、分别将技术指标和技术与宏观指标结合这两种形式直接作为输入变量,通过随机森林回归对TF指数的收益率进行预测;再通过主成分分析（PCA）压缩输入变量的维数,通过随机森林回归对TF指数的收益率进行预测,这样我们得到了4个模型。四、对上述每个模型,我们分别将GARCH模型计算出来的波动率和通过普通方差计算的历史波动率（波动率都以?表示）乘以常数k得到以k?作为阈值,一旦预测结果大于阈值k?,就买入指数,并一直持有头寸,直至预测的结果小于阈值k?便卖出平仓;一旦预测结果小于阈值-k?,就卖空指数,并一直持有头寸,直至预测的结果大于阈值-k?便买入平仓。模型的结果显示,从预测值相对与真实值的误差（RMSE和MAE）来看,技术指标结合宏观经济指标作为随机森林回归输入变量总要优于仅仅使用技术指标,这也许可以归功于模型输入变量所包含的信息相对更多,同时也说明了基本面分析对于债券分析的重要性;再者,输入变量经过PCA的处理并不一能减少预测误差,这也印证了文献综述中提到的随机森林不用考虑多元回归中所涉及到的多重共线性问题,在随机森林模型中我们甚至可以加入几千个自变量。模型的结果也显示,从利用相关交易信号进行实际投资的效果（以年化夏普比率为衡量标准）来看,技术指标结合宏观经济指标作为随机森林回归输入变量的实际投资效果总要优于仅仅使用技术指标。这与从预测值相对与真实值的误差（RMSE和MAE）分析的结果类似。但是,与误差分析结果不同,输入变量经过PCA的处理能在一定程度上改善实际投资效果。本文的创新之处是:在检验TF指数有效性的时候通过滚动窗口验证,增强了检验结果的可靠性;将随机森林回归方法和TF指数预测相结合;把宏观经济指标和技术指标结合起来一起作为随机森林回归输入变量,输出变量不是简单的“涨”“跌”分类,而是具体的收益率;不仅探索模型预测的精确度,而且通过特定的阈值过滤信号来进行投资,回测模型用于真实投资的有效性。
二、人工神经网络在宏观经济预测中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、人工神经网络在宏观经济预测中的应用（论文提纲范文）
（1）机器学习在汇率预测中的组合研究 ——基于FA、GARCH和SVM的比较分析（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 研究内容及方法 |
| 1.4 可能的创新点及不足 |
| 2 机器学习、组合模型与汇率预测相关研究综述 |
| 2.1 机器学习的国内外相关研究 |
| 2.1.1 BP神经网络与支持向量机的比较优势 |
| 2.1.2 支持向量机的国内外不同领域应用研究 |
| 2.2 组合模型在金融领域的应用 |
| 2.3 汇率预测的相关研究 |
| 2.3.1 基本面分析法 |
| 2.3.2 基于参数方法的技术预测 |
| 2.3.3 基于非参数方法的机器学习预测 |
| 2.3.4 组合模型的汇率预测 |
| 2.4 文献评述 |
| 3 汇率预测组合模型的理论机制 |
| 3.1 汇率决定理论 |
| 3.1.1 汇率决定理论分析 |
| 3.1.2 汇率影响因素汇总 |
| 3.2 汇率预测基础模型概述 |
| 3.2.1 因子分析方法 |
| 3.2.2 GARCH模型 |
| 3.2.3 SVM模型 |
| 3.3 汇率预测组合模型的理论依据分析 |
| 3.3.1 组合模型的优点 |
| 3.3.2 FA、GACRH、SVM组合模型的优点 |
| 4 汇率预测组合模型的实证检验 |
| 4.1 预测指标集的考量与选取 |
| 4.2 数据处理及描述性统计 |
| 4.3 基本模型 |
| 4.3.1 FA模型提纯公共因子 |
| 4.3.2 GARCH模型提取汇率波动率序列 |
| 4.3.3 SVM模型进行汇率预测 |
| 4.4 组合模型构建 |
| 4.4.1 FA-SVM组合模型的汇率预测效果 |
| 4.4.2 GARCH-SVM模型组合模型的汇率预测效果 |
| 4.4.3 FA-GARCH-SVM模型组合模型的汇率预测效果 |
| 4.4.4 模型对比与最优模型选择 |
| 5 研究结论、建议与展望 |
| 5.1 研究结论 |
| 5.2 研究建议 |
| 5.3 研究展望 |
| 参考文献 |
（2）基于遗传算法优化BP神经网络的铁路货运量预测及影响因素探究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 论文研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 文献综述 |
| 1.2.1 文献检索与趋势分析 |
| 1.2.2 国内外研究现状 |
| 1.2.3 国内外研究方法评述 |
| 1.3 研究内容与框架 |
| 1.3.1 研究内容 |
| 1.3.2 论文结构 |
| 1.3.3 技术路线 |
| 2 货运量预测相关理论 |
| 2.1 货运量基本概念阐述 |
| 2.2 货运量预测步骤 |
| 2.3 货运量预测定性方法 |
| 2.3.1 德尔菲法 |
| 2.3.2 头脑风暴法 |
| 2.3.3 主观概率法 |
| 2.3.4 情景分析法 |
| 2.4 货运量预测定量方法 |
| 2.4.1 回归预测法 |
| 2.4.2 时间序列预测法 |
| 2.4.3 灰色预测法 |
| 2.4.4 神经网络预测法 |
| 2.5 预测方法评述 |
| 3 铁路货运量特征及影响因素 |
| 3.1 我国铁路货运特征 |
| 3.1.1 国内外货运发展对比 |
| 3.1.2 我国铁路货运量特征 |
| 3.2 铁路货运量影响因素 |
| 3.2.1 社会环境方面 |
| 3.2.2 内部因素方面 |
| 3.2.3 铁路货运量影响因素灰色关联分析 |
| 4 基于遗传算法的BP神经网络理论 |
| 4.1 BP神经网络的概念 |
| 4.1.1 感知机模型 |
| 4.1.2 激活函数 |
| 4.1.3 Delta法则 |
| 4.1.4 网络的传递性 |
| 4.1.5 BP神经网络的训练过程 |
| 4.2 遗传算法 |
| 4.2.1 遗传算法基本要素 |
| 4.2.2 遗传算法作用机理 |
| 4.3 遗传算法优化BP神经网络模型搭建 |
| 4.3.1 方法评述 |
| 4.3.2 模型搭建 |
| 4.4 初始化参数设计 |
| 4.4.1 数据归一化处理 |
| 4.4.2 神经网络的设计 |
| 4.4.3 遗传算法设计 |
| 5 铁路货运量预测的matlab实现 |
| 5.1 铁路历史货运量预测对比 |
| 5.1.1 货运量对比模型BP神经网络最佳隐含层节点 |
| 5.1.2 最佳适应度值 |
| 5.1.3 对比结果 |
| 5.2 基于影响因素的铁路货运量预测 |
| 5.2.1 货运量预测模型BP神经网络最佳隐含层节点 |
| 5.2.2 最佳适应度值 |
| 5.2.3 预测结果 |
| 5.3 国家铁路煤炭、钢铁运量预测 |
| 5.3.1 国家铁路煤炭运量预测 |
| 5.3.2 国家铁路钢铁运量预测 |
| 5.4 结果分析 |
| 6 结论与展望 |
| 6.1 主要工作及结论 |
| 6.2 需要进一步进行探讨的问题 |
| 6.3 铁路货运短期与长期发展建议 |
| 参考文献 |
| 附录A 部分BP神经网络matlab程序代码 |
| 附录B 部分遗传算法优化matlab程序代码 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 |
| 学位论文数据集 |
（3）基于网络信息的制造业PMI关注度指数的构建与应用研究（论文提纲范文）
| 摘要 |
| abstract |
| 导论 |
| 一、研究背景及意义 |
| 二、相关文献综述 |
| 三、研究内容和研究方法 |
| 四、创新之处 |
| 第一章 现有制造业PMI编制方法简介 |
| 第一节 现有制造业PMI相关概念和编制方法 |
| 一、现有制造业PMI概念界定 |
| 二、现有制造业PMI编制方法 |
| 三、现有制造业PMI的中国国情化 |
| 第二节 中国制造业PMI编制内容和局限性 |
| 一、中国制造业PMI抽样调查方法 |
| 二、中国制造业PMI编制内容 |
| 三、中国制造业PMI编制存在的不足 |
| 第二章 制造业PMI关注度指数合成研究 |
| 第一节 网络信息在制造业PMI关注度指数编制中的价值 |
| 一、与制造业PMI内容相关的网络信息来源 |
| 二、“制造业PMI关注度指数”叫法的由来 |
| 三、基于网络信息的制造业PMI关注度指数编制步骤 |
| 第二节 基于网络信息的制造业PMI关注度扩散指数构建 |
| 一、关键词词库构建 |
| 二、数据处理 |
| 三、扩散指数计算 |
| 第三节 基于网络信息的制造业PMI关注度指数合成 |
| 一、扩散指数权重计算 |
| 二、制造业PMI关注度指数协整检验 |
| 第三章 制造业PMI关注度指数的特点与预测效果检验 |
| 第一节 制造业PMI关注度指数的特点 |
| 一、数据获取的完整性与动态性 |
| 二、发布的高时效性 |
| 三、样本的代表性 |
| 四、权重的动态性 |
| 第二节 BP神经网络模型的原理与构建 |
| 一、BP神经网络原理 |
| 二、BP神经网络设计 |
| 第三节 制造业PMI关注度指数的预测效果检验 |
| 一、时间序列模型设定 |
| 二、基于EEMD的 PMI成分分解 |
| 三、BP神经网络模型设定 |
| 四、预测效果评估 |
| 结论与建议 |
| 一、研究结论 |
| 二、后期展望 |
| 参考文献 |
| 附录 |
| 附录 A:因子分析结果 |
| 附录 B:计算程序 |
| 致谢 |
（4）基于混频数据的季度GDP预测（论文提纲范文）
| 内容摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景和研究意义 |
| 1.1.1 选题背景 |
| 1.1.2 研究意义 |
| 1.2 文献综述 |
| 1.2.1 关于混频数据模型 |
| 1.2.2 混频数据的预处理方法 |
| 1.2.3 GDP预测研究现状 |
| 1.3 研究的主要内容和方法 |
| 1.3.1 研究的主要内容 |
| 1.3.2 研究方法 |
| 1.4 本文涉及到的创新点 |
| 第2章 Light GBM算法与GDP预测理论介绍 |
| 2.1 Light GBM算法理论介绍 |
| 2.1.1 集成学习基本理论 |
| 2.1.2 Boosting和 Gradient Boosting基本理论 |
| 2.1.3 决策树和GBDT基本理论 |
| 2.1.4 Light GBM的基本原理 |
| 2.1.5 Light GBM的两个重要理论 |
| 2.1.6 Light GBM的参数调优 |
| 2.2 GDP预测理论介绍 |
| 2.2.1 GDP预测基本理论与方法 |
| 2.2.3 GDP影响因素和变动规律 |
| 2.4 本章小结 |
| 第3章 研究数据收集与预处理 |
| 3.1 研究数据的收集 |
| 3.1.1 GDP指标体系遵循原则 |
| 3.1.2 建立影响GDP的指标体系 |
| 3.2 指标数据的预处理 |
| 3.2.1 构造混频数据样本 |
| 3.2.2 异常值处理 |
| 3.2.3 缺失值处理 |
| 3.3 本章小结 |
| 第4章 国内生产总值预测 |
| 4.1 模型的评价指标 |
| 4.1.1 均方误差和均方根误差 |
| 4.1.2 平均绝对误差、百分比误差和决定系数 |
| 4.2 基于Light GBM的 GDP预测模型实现与结果分析 |
| 4.2.1 Light GBM模型参数设置与调试 |
| 4.2.2 训练模型和GDP预测 |
| 4.2.3 与其它预测方法的比较 |
| 4.2.4 模型的特征重要性 |
| 4.3 本章小结 |
| 第5章 总结建议与研究展望 |
| 5.1 论文工作总结 |
| 5.2 结论建议 |
| 5.3 不足与展望 |
| 参考文献 |
| 附录 |
| 后记 |
（5）基于人工智能的量化多因子模型的拓展及在中国股票市场上的应用（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 第一节 选题背景及研究意义 |
| 一、选题背景 |
| 二、研究意义 |
| 第二节 研究内容和方法 |
| 一、研究内容 |
| 二、研究方法 |
| 三、研究创新点 |
| 第二章 研究综述 |
| 第一节 从投资理论的历史中认识量化 |
| 第二节 现代资产组合理论及其发展 |
| 一、现代资产组合理论 |
| 二、现代资产组合理论之后的发展及完善 |
| 第二节 CAPM理论及其发展 |
| 一、CAPM理论的基本内涵 |
| 二、CAPM理论的发展和完善 |
| 第三节 多因子模型理论及其发展 |
| 一、Fama-French因子模型 |
| 二、因子模型中因子的研究 |
| 三、基于因子模型的Alpha策略与Beta策略 |
| 第四节 人工智能的内涵与发展 |
| 一、人工智能的基本定义与内涵 |
| 二、人工智能在金融领域的应用 |
| 第五节 有关量化投资的研究方法 |
| 第六节 对当前研究的总结评析 |
| 第三章 量化投资的Alpha策略 |
| 第一节 引言 |
| 第二节 量化投资策略理论及其实践 |
| 一、量化多因子模型以及其具体实践 |
| 二、因子选股在中国股市的有效性实践 |
| 第三节 利用神经网络探寻新的Alpha因子 |
| 一、人工神经网络 |
| 二、Elman神经网络预测Alpha因子未来的值 |
| 第四节 基本结论 |
| 第四章 宏观经济Alpha因子 |
| 第一节 引言 |
| 第二节 传统的宏观因子有效性检测方法 |
| 一、传统的回归方式检测因子的有效性 |
| 二、Fama-MacBeth回归 |
| 第三节 Fama-MacBeth回归的实践 |
| 第四节 基于神经网络模型检测宏观因子有效性 |
| 第五节 分析与结论 |
| 第五章 量化投资中的Beta策略 |
| 第一节 前言 |
| 第二节 量化投资中的Beta策略 |
| 一、Beta策略的内涵和发展 |
| 二、Smart Beta策略以及其内涵 |
| 第三节 Smart Beta策略实践 |
| 一、数据和指数权重 |
| 二、人工智能算法的训练数据要求和指数的设定 |
| 第四节 基于人工智能的Smart Beta权重策略 |
| 一、线性层和BP神经网络的基本内涵和数学实现 |
| 二、基于BP神经网络的数据实验 |
| 三、实验结果分析 |
| 第五节 分析与结论 |
| 第六章 研究结论与展望 |
| 第一节 主要研究总结 |
| 第二节 研究的主要发现和结论 |
| 第三节 新技术带来新挑战及政策含义 |
| 第四节 研究不足和展望 |
| 参考文献 |
| 英文参考文献 |
| 中文参考文献 |
| 后记 |
| 攻读博士学位期间取得的研究成果 |
（6）基于用电量的多维数据融合的宏观经济预测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 经济预测的国内外研究现状 |
| 1.2.1 宏观经济的影响因素研究 |
| 1.2.2 宏观经济预测模型及方法 |
| 1.3 本文工作 |
| 第二章 宏观经济的影响因素选取及分析 |
| 2.1 用电量作为基础因素 |
| 2.1.1 电能是各大产业发展的重要能源基础 |
| 2.1.2 电力需求会影响区域经济的发展 |
| 2.2 气象作为扰动因素 |
| 2.3 在线社交网络作为时代因素 |
| 2.3.1 通过在线社交网络进行数字营销 |
| 2.3.2 通过在线社交网络加快信息交流 |
| 2.3.3 通过在线社交网络更好地进行投资或吸引投资 |
| 2.4 宏观经济与各影响因素间的关联分析 |
| 2.4.1 相关关系计算 |
| 2.4.2 Granger因果检验 |
| 2.4.3 实例分析 |
| 2.5 本章小结 |
| 第三章 宏观经济预测模型研究 |
| 3.1 LSTM神经网络模型 |
| 3.1.1 神经网络原理概述 |
| 3.1.2 LSTM神经网络原理 |
| 3.2 深度学习概述 |
| 3.3 粒子群优化算法 |
| 3.4 PSO-LSTM宏观经济预测模型 |
| 3.5 数据处理方案 |
| 3.5.1 缺失值处理 |
| 3.5.2 异常值处理 |
| 3.5.3 数据频率转换 |
| 3.6 各因素在待预测时段数据的获取 |
| 3.7 本章小结 |
| 第四章 实例验证 |
| 4.1 建模前准备 |
| 4.1.1 指标选取及数据收集 |
| 4.1.2 数据预处理 |
| 4.1.3 各因素特征分析 |
| 4.2 宏观经济关联关系模型 |
| 4.2.1 模型网络结构及激活函数 |
| 4.2.2 模型评价指标的选取 |
| 4.3 最优输入指标组合的确定 |
| 4.3.1 微博数据对用电量预测GDP的优化分析 |
| 4.3.2 微博和气象数据对用电量预测GDP的优化分析 |
| 4.4 模型预测结果分析 |
| 4.4.1 月度GDP预测结果分析 |
| 4.4.2 季度和年度GDP预测结果分析 |
| 4.4.3 周度GDP预测结果分析 |
| 4.4.4 省份GDP预测结果分析 |
| 4.5 本章小结 |
| 第五章 全文总结与展望 |
| 5.1 全文总结 |
| 5.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（7）基于地理空间的GDP预测模型构建和实证研究（论文提纲范文）
| 摘要 |
| abstract |
| 绪论 |
| 第一节 研究背景及意义 |
| 一、研究背景 |
| 二、研究意义 |
| 第二节 国内外研究现状 |
| 一、基于地理空间的经济国内外研究现状 |
| 二、GDP预测的国内外研究现状 |
| 三、地理空间与GDP数据研究的研究综述 |
| 四、研究综述总结 |
| 第三节 研究内容与创新点 |
| 一、研究内容介绍 |
| 二、研究方法 |
| 三、技术路线 |
| 四、研究目标阐述 |
| 五、创新点 |
| 六、论文组织结构 |
| 第一章 相关理论基础 |
| 第一节 空间计量经济学 |
| 一、空间计量经济学概述 |
| 二、空间数据分析 |
| 三、基于距离的空间权值矩阵 |
| 第二节 GDP预测方法 |
| 一、传统计量方法 |
| 二、人工智能方法 |
| 三、组合方法 |
| 第三节 基于地理空间的GDP预测模型框架 |
| 第二章 基于地理空间的GDP预测指标体系 |
| 第一节 GDP预测指标选取原则 |
| 第二节 GDP预测基础指标选取 |
| 第三节 GDP预测地理空间指标选取 |
| 一、地理空间指标研究必要性分析 |
| 二、地理空间指标详细构建 |
| 三、地理空间指标展示 |
| 第四节 GDP预测指标体系形成 |
| 第三章 双重优化的BP神经网络模型(D-PSO-BP) |
| 第一节 GDP预测模型适用条件分析 |
| 第二节 相关技术 |
| 一、粒子群算法 |
| 二、BP神经网络 |
| 第三节 双重优化的BP神经网络模型构建 |
| 一、双重优化的BP神经网络模型总体框架 |
| 二、双重优化的BP神经网络优化方案 |
| 三、双重优化的BP神经网络整体流程 |
| 第四章 基于地理空间的GDP预测实证分析 |
| 第一节 数据与评价指标选取 |
| 一、数据来源 |
| 二、评价指标 |
| 第二节 基于地理空间的GDP增速预测实证分析 |
| 一、对比实验设计 |
| 二、参数选取 |
| 三、对比实验结果分析 |
| 第二节 基于地理空间的人均GDP预测粗略粒度实证分析 |
| 一、对比实验设计 |
| 二、对比实验结果分析 |
| 第三节 基于地理空间的人均GDP预测细粒度实证分析 |
| 一、对比实验设计 |
| 二、对比实验结果分析 |
| 第四节 基于地理空间的人均GDP预测实证结果分析 |
| 一、GDP预测整体分析 |
| 二、GDP增速与人均GDP预测精度差异分析 |
| 三、隐藏层节点数与GDP预测相关性分析 |
| 四、经济指导策略形成 |
| 第五章 总结与展望 |
| 第一节 论文工作总结 |
| 第二节 研究展望 |
| 参考文献 |
| 致谢 |
| 附录 A |
（8）基于时间序列与LSTM模型的经济预测研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 课题研究的意义 |
| 1.2 国内外研究现状 |
| 1.2.1 经济预测研究现状 |
| 1.2.2 LSTM研究现状 |
| 1.3 本文主要研究内容及组织结构 |
| 第2章 经济预测基本理论与预测方案选择 |
| 2.1 经济预测理论概述 |
| 2.1.1 经济预测的特点 |
| 2.1.2 几种常见的经济预测方法 |
| 2.2 经济预测影响指标分析 |
| 2.2.1 问题分析 |
| 2.2.2 经济预测指标分析 |
| 2.3 数据预处理 |
| 2.3.1 本文实验所用数据集 |
| 2.3.2 数据的特征归一化处理 |
| 2.4 误差评价体系 |
| 2.5 本章小结 |
| 第3章 基于LSTM模型的经济预测分析 |
| 3.1 传统的经济预测模型预测效果分析 |
| 3.1.1 ARIMA模型原理及仿真实验 |
| 3.1.2多元回归模型原理及仿真实验 |
| 3.2 LSTM模型原理 |
| 3.3 基于LSTM的经济预测模型设计 |
| 3.3.1 LSTM网络结构设计 |
| 3.3.2 激活函数分析 |
| 3.3.3 模型优化器算法选择 |
| 3.3.4 避免过拟合的网络结构设计 |
| 3.3.5 循环层数选择 |
| 3.4 LSTM模型预测结果对比分析 |
| 3.4.1 实验环境介绍 |
| 3.4.2 仿真实验与实验结果 |
| 3.5 本章小结 |
| 第4章 基于改进LSTM模型的经济预测分析 |
| 4.1 PSO-LSTM模型与BA-LSTM模型 |
| 4.1.1 粒子群算法介绍 |
| 4.1.2 蝙蝠算法介绍 |
| 4.1.3 PSO-LSTM模型 |
| 4.1.4 BA-LSTM模型 |
| 4.2 改进蝙蝠算法介绍及有效性分析 |
| 4.3 基于改进BA-LSTM模型的经济预测分析 |
| 4.3.1 基于改进BA-LSTM模型经济预测实验设计 |
| 4.3.2 仿真实验及结果分析 |
| 4.4 灰色模型组合改进BA-LSTM模型的经济预测分析 |
| 4.4.1 灰色模型及两种改进灰色模型介绍 |
| 4.4.2 实验设计 |
| 4.4.3 仿真实验及结果分析 |
| 4.5 本章小结 |
| 第5章 预测模型的应用分析 |
| 5.1 需求介绍 |
| 5.2 实验环境及开发工具介绍 |
| 5.3 总体设计 |
| 5.3.1 逻辑结构划分 |
| 5.3.2 功能设计 |
| 5.3.3 数据库表设计 |
| 5.4 功能实现与展示 |
| 5.4.1 基础数据管理模块 |
| 5.4.2 预测模型管理模块 |
| 5.4.3 预测结果展示模块 |
| 5.5 本章小结 |
| 总结与展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及成果 |
（9）高维非线性混频数据模型及应用研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 选题背景与研究意义 |
| 1.1.1 选题背景 |
| 1.1.2 研究问题 |
| 1.1.3 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 正向混频数据分析方法研究现状 |
| 1.2.2 反向混频数据分析方法研究现状 |
| 1.2.3 高维混频数据分析方法研究现状 |
| 1.2.4 非线性混频数据分析方法研究现状 |
| 1.3 主要创新与结构安排 |
| 1.3.1 主要创新 |
| 1.3.2 结构安排 |
| 第2章 混频数据模型与研究进展 |
| 2.1 有约束混频数据模型 |
| 2.1.1 MIDAS模型 |
| 2.1.2 拓展形式 |
| 2.1.3 模型评价 |
| 2.2 无约束混频数据模型 |
| 2.2.1 U-MIDAS模型 |
| 2.2.2 拓展形式 |
| 2.2.3 模型评价 |
| 2.3 反向无约束混频数据模型 |
| 2.3.1 RU-MIDAS模型 |
| 2.3.2 模型评价 |
| 2.4 本章小结 |
| 第3章 反向有约束混频数据模型及应用 |
| 3.1 问题提出 |
| 3.2 RR-MIDAS模型构建 |
| 3.2.1 频率对齐 |
| 3.2.2 分时期处理 |
| 3.2.3 多项式权重约束 |
| 3.2.4 非线性最小二乘估计 |
| 3.2.5 多步向前预测 |
| 3.3 数值模拟 |
| 3.3.1 数据生成 |
| 3.3.2 实验设计 |
| 3.3.3 模型比较 |
| 3.3.4 结果讨论 |
| 3.4 应用研究 |
| 3.4.1 中国市场化利率预测 |
| 3.4.2 美国市场化利率预测 |
| 3.5 本章小结 |
| 第4章 组惩罚混频数据模型及应用 |
| 4.1 问题提出 |
| 4.2 GP-R(U)-MIDAS模型构建 |
| 4.2.1 GP-U-MIDAS模型构建 |
| 4.2.2 GP-RU-MIDAS模型构建 |
| 4.3 数值模拟 |
| 4.3.1 数据生成 |
| 4.3.2 实验设计 |
| 4.3.3 模型比较 |
| 4.4 应用研究 |
| 4.4.1 宏观经济与国内生产总值关系研究 |
| 4.4.2 高维混频风险因子与资产定价研究 |
| 4.5 本章小结 |
| 第5章 神经网络混频数据模型及应用 |
| 5.1 问题提出 |
| 5.2 ANN-(U-)MIDAS模型构建 |
| 5.2.1 ANN-U-MIDAS模型设置 |
| 5.2.2 ANN-MIDAS模型设置 |
| 5.2.3 梯度下降估计 |
| 5.2.4 多步向前预测 |
| 5.2.5 模型选择 |
| 5.3 数值模拟 |
| 5.3.1 数据生成 |
| 5.3.2 实验设计 |
| 5.3.3 模型比较 |
| 5.4 应用研究 |
| 5.4.1 研究背景 |
| 5.4.2 数据描述 |
| 5.4.3 模型比较 |
| 5.4.4 相对重要性分析 |
| 5.4.5 敏感性分析 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 研究总结 |
| 6.1.1 研究成果 |
| 6.1.2 研究意义 |
| 6.2 研究展望 |
| 6.2.1 不平等问题研究 |
| 6.2.2 密度预测问题研究 |
| 6.2.3 多源数据融合研究 |
| 参考文献 |
| 攻读博士学位期间的学术活动及成果情况 |
（10）基于随机森林回归的国债期货价格预测（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 选题背景及研究意义 |
| 1.1.1 量化投资与技术指标、宏观经济指标的结合 |
| 1.1.2 研究意义 |
| 1.2 文献综述 |
| 1.2.1 市场有效性的检验 |
| 1.2.2 技术指标与证券投资 |
| 1.2.3 宏观经济指标对国债市场的影响 |
| 1.2.4 人工智能与金融经济学研究 |
| 2 理论基础 |
| 2.1 市场有效性假说 |
| 2.2 随机森林原理与随机森林预测模型 |
| 2.2.1 随机森林的原理 |
| 2.2.2 随机森林回归 |
| 2.2.3 随机森林的优点 |
| 3 国债期货市场有效性检验 |
| 3.1 Hurst指数原理 |
| 3.2 Hurst指数对TF指数有效性检验 |
| 4 模型的输入变量筛选以及处理输入变量的方法 |
| 4.1 技术指标选取 |
| 4.1.1 技术指标介绍 |
| 4.1.2 技术指标及参数选取结果 |
| 4.2 宏观经济指标选取 |
| 4.2.1 各种相关系数定义 |
| 4.2.2 宏观指标筛选结果 |
| 4.3 主成分分析 |
| 4.4 GARCH模型 |
| 5 国债期货价格预测效果实证分析 |
| 5.1 预测的计算机程序设置 |
| 5.2 预测的模型设置 |
| 5.2.1 模型一：使用技术指标的随机森林回归模型 |
| 5.2.2 模型二：使用技术指标和宏观经济指标的随机森林回归模型 |
| 5.2.3 模型三：使用技术指标并用主成分分析的随机森林回归模型 |
| 5.2.4 模型四：使用技术指标和宏观经济指标并用主成分分析的随机森林回归模型 |
| 5.3 预测结果分析 |
| 5.3.1 预测结果误差分析 |
| 5.3.2 利用预测值进行投资的获利结果回测 |
| 6 结论与建议 |
| 6.1 结论 |
| 6.2 建议 |
| 致谢 |
| 参考文献 |
| 附录A：TF指数数据 |
| 附录B：本文所用宏观经济数据(%) |
| 附录C：各技术指标指标筛选集参数回测结果 |
| 附录D：本文所用代码 |
四、人工神经网络在宏观经济预测中的应用（论文参考文献）
- [1]机器学习在汇率预测中的组合研究 ——基于FA、GARCH和SVM的比较分析[D]. 赵博宇. 浙江大学, 2021(09)
- [2]基于遗传算法优化BP神经网络的铁路货运量预测及影响因素探究[D]. 刘晓彤. 北京交通大学, 2020(02)
- [3]基于网络信息的制造业PMI关注度指数的构建与应用研究[D]. 牛犇. 中南财经政法大学, 2020(07)
- [4]基于混频数据的季度GDP预测[D]. 胡枭. 天津财经大学, 2020(07)
- [5]基于人工智能的量化多因子模型的拓展及在中国股票市场上的应用[D]. 李兴有. 中国社会科学院研究生院, 2020(12)
- [6]基于用电量的多维数据融合的宏观经济预测方法研究[D]. 畅浩天. 电子科技大学, 2020(07)
- [7]基于地理空间的GDP预测模型构建和实证研究[D]. 马海容. 中南财经政法大学, 2019(09)
- [8]基于时间序列与LSTM模型的经济预测研究[D]. 宋怡臻. 西南交通大学, 2019(04)
- [9]高维非线性混频数据模型及应用研究[D]. 卓杏轩. 合肥工业大学, 2019
- [10]基于随机森林回归的国债期货价格预测[D]. 王锋. 华南农业大学, 2018(08)