灰色GM(1，1)预测模型在计算过程中主要是以矩阵为主，它与MATLAB的结合解决了它在计算中的问题。由以上的实例可以看出，用MATLAB编制的灰色预测程序简单实用，容易操作，预测精度较高，而且可以直接绘出直观的二维折线图，为用户参考。
关键词：变形监测； 灰色系统； 灰色预测模型
中图分类号：O141.4 文献标识码：A 文章编号：
1 引言
MATLAB源于Matrix Laboratory一词，原意是为矩阵实验室，是由John Little和Cleve Molar共同成立的美国Math Works公司推出的一种集数学、图形处理和程序设计语言于一体的科技应用软件。它把科学计算、结果的可视化和编程都集中在一个使用非常方便的环境中。在这个环境中，用户的问题和得到的结果都是通过用户非常熟悉的数学符号来表达的。MATLAB系统包括几个组成部分：MATLAB语言、MATLAB工作环境、MATLAB工具箱和MATLAB的API。MATLAB以向量和矩阵为基本数据单位，被称为第4代计算机语言，有着其他一些语言所无法比拟的特点：功能强大；语言简单；扩充能力强、可开发性强；编程容易、效率高。它已在国内外高校、科研机构和工程技术上得到了广泛的应用[1]。
灰色GM(1，1)预测模型在计算过程中主要是以矩阵为主，它和MATLAB的结合可以有效的解决了灰色系统理论在矩阵计算中的问题，为灰色系统理论的应用提供了一种新的方法[2]。
2GM(1，1)预测模型的MATLAB部分源程序
根据上述GM(1，1)模型的数学思想，结合MATLAB语言的特点编制了一套可读性强，容易理解的预测程序。该程序操作简单灵活，稳定性好，直接面向用户。只要输入原始数据，就可得到预测值和预测值与实测值比较图形。
3工程实例应用
3.1 数据资料
将卧龙寺新滑坡的5号裂缝变形观测数据作为GM(1，1)预测模型程序的原始输入值。其变形时序见表3-1
表3-1 卧龙寺新滑坡位移检测资料(5号裂缝)
预测结果：
在MATLAB平台下，输入表1中的数据即x=[1.0 1.5 1.7 2.5 3.2 4.0 4.4 5.1 5.9 6.3 7.0 7.3 7.8 8.2 8.4 8.7 9.0 9.4 10.0]，然后调用所编制的文件gm.m，即可得出该预测模型的预测值和有关参数。结果如表4-2：
表3-2 卧龙寺新滑坡5号裂缝实测位移量与预测值(mm)
运行成果图如下：
图3-1.卧龙寺新滑坡5号裂缝原始数据与GM模型预测值比较 图3-2. 新滩滑坡体原始数据与GM模型预测值比较
3.2 数据资料2
1986年6月12日，长江西陵峡新滩镇发生了一次较大规模的滑坡，即新滩滑坡。将其关键部位A点的位移时序观测值作为GM(1，1)预测模型程序的原始输入值。其变形时序如表3-3
表3-3 新滩滑坡体A测点位移观测资料（mm）
预测结果：
在MATLAB平台下，输入表1中的数据即x=[0.077 0.092 0.615 0.65 0.69 0.738 0.846 0.962 1.0 1.03 1.061 1.077 1.1 1.23 2.46 2.754 2.83 2.92 3.46 4.00]，然后调用所编制的文件gm.m，即可得出该预测模型的预测值和有关参数。结果表3-4：
表3-4 新滩滑坡体A测点位移实测位移量与预测值(mm)
4 结论
变形测量值是已发生的变形量，但更重要的是通过对变形观测资料的处理，从现有的数据中预报出下一时刻的变形值，以判断工程的安全状况。本文结合工程实际，探讨了变形监测方案设计、监测数据处理等问题，应用灰色系统理论对建筑物原型观测资料进行了分析；同时，运用MATLAB程序软件编制了GM(1，1)灰色预测模型程序。总结本文，得出以下主要结论:
1.在全面评述变形监测的目的、方法以及变形监测完整过程的基础上，总结归纳了变形观测点位的布设、观测周期的确定原则和方法；指出以允许变形值的安全度为依据来确定变形观测精度指标是一条新途径。
2.针对建筑物时效变形具有一定的单调性和弱随机性，引入灰色系统理论。在一般灰色模型建模特点的基础分析上，建立了灰色预测模型，并将其应用于工程实践中。
3.应用MATLABRUA软件编制了灰色预测模型及精度检验程序.MATLAB是专用的矩阵计算软件，对矩阵的计算有很好的效果，而且用起来比较容易简单，还可以允许用户编程对功能进行扩展。
4、灰色GM(1，1)预测模型在计算过程中主要是以矩阵为主，它与MATLAB的结合解决了它在计算中的问题。由以上的实例可以看出，用MATLAB编制的灰色预测程序简单实用，容易操作，预测精度较高，而且可以直接绘出直观的二维折线图，为用户参考。
参考文献：
[1]周 卫. 基于MATLAB的灰色系统沉降预测. 测绘通报，2002(6):34~36
[2]邓聚龙.灰色系统.北京:国防工业出版社，1985
[3]尹晖等.灰色动态预测方法及其在变形预测中的应用.武汉测绘科技大学学报，1996
[4]陈永奇.变形观测数据处理.北京:测绘出版社，1988
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：
(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：
(1)划分预测对象所出现的状态——把数据进行分组。
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：
(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：
(1)划分预测对象所出现的状态——把数据进行分组。
摘要：税收作为地方财政收入的主要来源，同地区经济增长密切相关。目前，国内外学者关于税收收入预测的方法有很多，主要分为定性分析和定量预测两大类，本文在前期相关文献的基础上，重点对基于时间序列分析方法的统计模型在我国税收收入预测中的应用进行概括和总结，并在此基础上提出进一步研究的可能性。
关键词：VAR模型；ECM模型；税收收入预测；协整分析
一、税收收入预测的意义
具体而言，我国税收收入预测的功能主要体现在三个方面：第一，事前预测，为税务部门制定年度税收计划提供数据支撑。此外，立足于地区经济发展的实际情况，增强预见性，帮助税务工作者根据经济变化实时调整相应的政策。第二，事中管理。税收计划执行过程中，每一个季度、年度都可以通过增值税收入预测模型实时追踪税收计划完成进度，衡量增值税目标完成情况，为后续税源管理、税收征管等工作提供帮助。第三，事后反馈。税收收入预测是基于经济因素对增值税收入的影响，但于此同时增值税作为地区经济体系的组成部分，反作用于其他经济变量。通过对增值税收入的预测结果与同期增值税收入的真实数值比较分析，不仅可以发现非经济因素变量对增值税收入的影响，不断完善税收收入预测模型，还可以制定相应的政策措施在影响增值税的同时调节整个地区的经济状况。综上所述，税收收入预测是一个十分值得研究的课题，不仅有现实层面的意义，而且利用统计建模的思想对经济变量进行分析预测具有一定的理论研究意义。
二、税收预测在国内的研究现状
我国关于税收收入预测的研究从80年代后期开始，前后共经历三个阶段，第一阶段主要是定性分析，以数据图表为基础，重点分析税收同经济变量之间的关联性，以理论研究为主，方法性不高；第二阶段的研究开始引入计量经济学的方法，比如趋势性预测，常见的有以GDP为自变量的一元线性回归和多经济指标多元回归等，另外，曲线回归模型和指数回归模型应用于税收收入预测的研究方法也开始涌现。第三阶段从90年代后期开始，主要是把时间序列分析的方法应用到税收预测当中去，这一阶段的文献大都涉及到统计模型在税收预测中实证研究，结果表明，模型的预测精度高，拟合效果好，因此这类模型在实际工作中应用的可能性也比较大，在下文中会对两个典型的时间序列预测模型进行比较详细的阐述。第四阶段是各类新型统计方法应用到税收预测当中，比较典型的是计算机模拟方法的应用，比如组合预测的方法、纳税评估仿生模型等。另外，统计软件的应用也越来越广泛，常见的有常见的有E-VIEWS、SPSS、SAS、STATA等，方便我们进行数据处理、模型的构建与求解等。下文将对时间序列分析中两个典型的税收预测模型进行重点介绍：
三、自向量回归模型（VAR）
简单来说，向量自回归模型（VAR）是以变量的历史数据为依托，分析变量间相关关系构造时间序列变量回归方程。
其中，代表被解释变量，是相关变量，分别表示被解释变量滞后各期的取值，和是待估系数矩阵，是误差向量，滞后期N通过AIC统计量法和SC准则来确定。可以看出，当期解释变量是全部相关变量滞后期取值的函数，回归方程的右边不含其它变量取值。VAR模型同传统的回归模型相比，其优势在于VAR模型只需确定变量间相互关系就可以得到回归方程，方程中只含有相互关联的变量，避免主观界定解释变量和被解释变量而导致部分变量的缺失。VAR模型的E-views软件操作包括四步：变量的平稳性和单位根检验；对相关变量进行协整检验，采用OLS法（最小二承法）构建回归方程，检验残差项平稳性来确定变量间是否存在稳定的协整关系；第三步是Grange因果检验进一步验证变量间的因果关系；最后在上述检验的基础上建立税收收入自向量回归预测模型。由于VAR模型本身不依赖于任何经济理论，仅仅通过回归方程带入相关变量的滞后期取值就可以得到预测值，所以VAR模型的拟合效果一般比较好，模型的预测精度较高。
四、误差矫正模型（ECM）
误差矫正模型的构建理论是误差矫正机制，它的原理在于，时间序列变量当期偏差会在以后各期得到校正，短期而言，由于随机干扰项的存在，变量间的协整关系会存在偏差，因而需要根据偏差的大小对变量加以调整，回归方程中的误差矫正系数就代表的短期向长期的调整。
ECM预测模型回归方程的形式为*+。其中，表示被解释变量，表示解释变量，表示待估系数，为误差矫正系数，为误差项。为了降低数据间的差异性，通常对时间序列变量取对数，针对对数序列进行单位根检验（E-views中可采用ADF检验法）和协整检验，得到回归方程后对残差序列进行稳定性检验以保证回归方程的效果。误差矫正模型和VAR模型最大的差异在于VAR模型只局限于变量间的相关关系，在短期预测得到的结果的准确度比较高，但是长期来说，考虑到干扰项的存在，用误差矫正模型进行预测得到的效果会更好，可以通过误差矫正系数调整短期向长期均衡靠拢。
五、结论及建议
从模型的角度来说，根据现有的有关税收与经济关系的经济理论可知，税源主要来自于经济生产和流通环节的各项产值，同GDP的统计口径有相互重叠的地方，当然，GDP规模要大于税收的计征数额，但是不可否认经济因素在税收计量因素中的重要地位。所以在税收预测模型的构建中通常采用GDP作为解释变量来预测税收收入的数值。所以，目前国内关于税收预测模型的文献中，无论是VAR模型，还是误差矫正模型（ECM），研究税收和GDP的居多，模型实证检验的结果显示，以GDP为自变量的回归方程对税收的拟合效果比较好，侧面反映了经济变量对税收的影响较大。同时，在对税收进行研究预测时，不能忽视经济以外因素的影响，例如，政策制度因素可通过界定税源、改变税率以及调整税制结构等直接或间接影响税收收入；社会环境因素偏重于一个地区的税收征纳环境，包括公民自觉纳税意识水平的高低，税务机关税收征管工作的好坏，以及征税纳税相关法律的完善等。（作者单位：东北石油大学）
参考文献
[1]尚红云.税收收入模型预测精度的比较.统计与决策，2008（3）：40-43
[2]柳叶子.税收收入统计预测模型与税收数据检验[J].商化文化，2008（9）
[3]唐小我.最优组合预测的计算方法[J].管理现代化，1992（1）：25—28.
[4]程毛林.我国税收增长的影响因素和预测分析[J]，扬州大学税务学院学报，1998（2）：18-21.
[5]郭江.论税收的弹性分析[J].财经问题研究，2001（11）：58—59.
[6]漆莉莉.税收收入统计预测模型与经济分析[J].税务研究，2005（1）：37-40.
[7]马永开，唐小我.两种组合预测优化模型的分析和比较[J].电子科技大学报，1998（2）：99-103
[8]曹建新，李霞，李伟翔.广东国税税收收入弹性的实证研究[J].华南理工大学学报（社会科学版），2004（6）：9-12.
[9]肖宏伟.基于分税种加总的税收收入推算预测[J].税收经济研究，2013（1）：71-74
[10]马薇.协整理论与应用[M].天津：南开大学出版社，2004
关键词：改进灰色模型；预测精度；物流成本
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.
[5]刘亮，杨章伟，刘年锋.改进灰色预测模型的研究[J].安徽：安徽工业大学，2011，30（11）：3334.
关键词：中长期水文预报预报方法水文要素
中图分类号： P331文献标识码： A
1 前言
中长期水文预报是根据前期和现实的水文、气象等信息，运用天气学、数理统计、宇宙-地球物理分析方法，对未来较长时间内水文情势做出定性或定量预报。中长期水文预报具有较长的预见期，能够使人们在解决防洪与抗旱、蓄水与弃水及各部门用水之间矛盾时及早采取措施进行统筹安排，以获取最大的效益。近年来，随着新的数学分支和计算机技术的发展，为中长期水文预报拓展了新的研究途径。随着社会的不断发展，国民经济各个部门对水文预报提出的要求越来越高，要求水文部门能提供预见期长、准确性高的中期与长期预报，要求有定性分析及有定量的预报。显然，积极开展中长期水文预报是非常必要的。
2 传统的预报方法
中长期的水文要素受天文、气象、地理等多因素的影响，是多个因素共同作用的结果，因此应从历史资料中挑选多个与预报要素具有物理成因相关的因子作为预报因子，通过统计分析等数学方法建立预报因子与预报因素间的定量或定性关系从而进行水文要素预报。
2.1 成因分析法
成因分析法主要侧重于水文现象物理形成过程的描述与分析。它的主要思想是根据前期的大气环流特征以及表示这些特征的各种高空气象要素，直接与后期的水文要素建立起定量的关系进行预报。
成因分析法有以下几类:①应用前期环流进行预报；②应用前期海温特征进行预报；③根据太阳黑子相对数n年周期中的相位或分析黑子数与江河水量变化之间的关系，对后期可能发生的旱涝进行定性预测；④分析地球、行星、火山运动、臭氧的多少等与水文过程的对应关系，对后期可能发生的水文情况作出定性预估；⑤概率统计预报。
2.2 数理统计方法
在中长期水文预报中，数理统计方法占有显著地位。应用数理统计方法从大量历史资料中去寻找分析水文要素变化的统计规律以及与其他因素的关系，然后应用这些规律来进行预报。该方法又可分为单要素法和多要素综合法，其中单要素法是通过分析预报对象自身随时间变化的规律作为预报的依据，如历史演变法、滑动平均法、周期叠加、时间序列分析法等；多要素综合法是从分析影响预报对象的因子中挑选出一批预报因子，建立其统计规律作为预报的依据，如多元线性回归分析、逐步回归分析、聚类分析、自然正交分解等方法。
3现代预报方法
水文过程是一个非常复杂的高度非线性过程，采用传统的数学方法进行预报时难以达到理想的效果，与实际应用的差距还较大，因此，迫切需要引入新的理论与方法以丰富水文中长期预报方法，以期提高预报精度并为实际生产服务。随着人类对自然界规律认识的不断深入与现代科学技术的发展，涌现出了许多新理论与计算方法，丰富了传统的水文预报方法并为新预报方法的发展提供了必要的理论基础。
3.1 模糊分析方法
水文现象是一种自然现象，除具有确定性与随机性外，还具有模糊性，陈守煜等在水利、水文、水资源与环境科学领域中进行了模糊集的应用研究，并将模糊集分析与系统分析结合起来，形成了新的模糊随机系统分析体系，建立了模糊模式识别预测模型。模糊分析方法的引进，丰富了中长期水文预报理论，但由于其信息带有明显的主观性，因此应用受到了一定的限制。
3.2 人工神经网络方法
人工神经网络 （ANN）是对人脑若干基本特性通过数学方法进行的抽象和模拟，是一种模仿人脑结构及其功能的非线性信息处理系统。人工神经网络按拓扑结构分为前馈网络、反馈网络和混合网络。BP 网络是由Rumelhart和Mccullane针对含有隐层的、具有非线性连续函数的多层前馈网络权值调整问题而提出的误差反向传播算法。它是人工神经网络中最为重要的网络之一，也是迄今为止应用最为广泛的网络算法。
3.3 灰色系统理论方法
由于水文中长期预报内含的不确定性成份较多，如系统动力学本身的复杂性、变化的随机性以及人类认识的不完善性等，且各种成分难以严格区别，即部分信息清楚部分信息不清楚，基于这一事实，可以将水文过程看成一个含有灰信息和灰元素的多因素影响的灰色系统。灰色系统理论的特点较适合于预报具有指数增长趋势的问题，将其应用于非线性变化的水文时间序列预报中则会受到一定的限制，该理论目前还在发展中，以期将来的研究能够更好的为水文预报服务。
3.4 混沌理论方法
混沌理论认为，客观事物的运动除平衡态、周期、准周期运动之外，还存在着一种更加普遍的运动形式-混沌运动，即一种由确定性系统产生的、对初始条件具有敏感依赖性、永不重复的回复性周期运动。大多数水文现象的运动特征都具有确定性的一面，又具有随机性的一面，应用混沌理论将能打破传统分析中单一的确定性分析和随机性分析，建立将两者统一起来的混沌分析法。国内外文献表明，混沌理论在水文中的应用还只是进行了一些初步探索工作，大多数新方法还未涉及。
3.5投影寻踪方法
投影寻踪(PP)是统计学、应用数学和计算机技术的交叉学科，是用来分析和处理高维观测数据，尤其是非线性、非正态高维数据的统计方法。它的原理是把高维数据按照一定的方向投影到低维子空间上，以投影指标函数来分析原始数据结构特征，并寻找使投影指标函数达到最优的投影值，以达到分析研究高维数据的目的。它具有稳健性、抗干扰性和准确度高等优点，并且在水文预报方面的研究也起到了显著的成果。
3.6 小波理论方法
小波分析是源于Fourier(傅里叶)分析的新发展。从时频分析的角度出发，任一水文序列均含有多种频率成分，每一频率成分都有自身的制约因素和发展规律，因此仅从水文序列本身出发构造模型，难以把握水文序列的内在机制，有必要对水文序列进行分频率研究，而小波分析方法正好提供了一种便利的时频分析技术。
3.7多元线性回归方法
在水文中长期预报中，由于影响因素的复杂性，需要考虑多个预报因子对预报对象的影响，并建立预报对象与预报因子间的线性方程，这就是多元线性回归。多元线性回归是假定在各预报因子和预报量之间呈线性关系的情况下，使预报值和实测值之间误差达到最小，并认为未来是按这种关系发展，从而进行预报。它是中长期预报的一个重要手段。
关键词： 灰色理论； 股指预测； 系统； MATLAB
中图分类号：TP311.52 文献标志码：A 文章编号：1006-8228（2013）08-38-02
0 引言
近年来，股票扮演着越来越重要的角色，股价指数是衡量股票发展趋势的一个重要指标，股指预测成为越来越多学者研究的焦点[1-5]。灰色理论具有样本少、训练快、预测精度高等特点[6]，许多研究都使用灰色理论对股指进行预测[4-5]。本文使用MATLAB设计并实现了一个股指预测系统，该系统以上海证券综合指数历史数据[7]为样本，首先用MATLAB软件拟合了上证指数每月月底收盘价随时间的变化曲线，从宏观上把握上证指数的变化范围和规律，接着用灰色模型对上证指数进行中短期预测，实现对未来半年和未来6天的上证指数的预测。仿真实验表明该算法是有效的，预测误差小。
1 灰色预测模型的建立
本系统对股指进行了两种预测：未来半年的月底数据预测和未来6天的每日数据预测。
1.1 对月底数据进行预测
由最小二乘法相关知识及MATLAB软件可得发展系数a和灰作用量b为：a=-0.0053665，b=2373.5081。
将得到的发展系数a和灰作用量b值代入灰色预测模型：
1.2 对每日数据进行预测
选取2013年2月19日到2013年3月20日的上证指数每日收盘价22个数据作为样本数据，对每日的数据进行预测。其中将2013年2月19日到2013年3月12日的16个数据作为训练数据，将2013年3月13日到2013年3月20日的6个数据作为检验数据。其预测过程与1.1节相同，得到的每日数据预测的灰色模型如下。
2 灰色预测模型的检验
2.1 对月底数据的灰色模型进行检验
根据公式⑴的灰色预测模型对上证指数中从2012年10月到2013年3月底的6个数据进行灰色预测检验，得出6个上证指数数据预测及检验结果，如表1所示。
4 结束语
本系统使用当前流行的预测算法灰色模型和神经网络对上证指数进行预测，并使用MATLAB进行实现。通过仿真实验说明算法是有效的，预测误差小。该系统使用灰色模型对上证指数进行中短期预测，可以预测未来半年和未来6天的上证指数。界面简洁，易操作，具有很强的实用性。但本系统仅限在预测时期的国内金融市场现状不发生较大变化情况下的预测，现实中影响股指的因素很多，怎样考虑多方面的因素是我们以后研究的方向。
参考文献：
[1] 孙彬，李铁克，张文学.基于GD-FNN 的金融股指预测模型[J].计算机应用研究，2010.27（9）：3272-3278
[2] 李佳.多因素线性回归模型对股指预测作用的分析[D].上海交通大学上海高级金融学院MBA论文，2011.
[3] 王汝，芳田业钧.消费者信心指数与股票市场收益的实证研究[J].经济与管理，2009.23（12）：22-26
[4] 吴朝阳.基于GM（1，1，μ，ν）模型的股指预测[J].计算机技术与自动化，2010.29（3）：113-116
[5] 郑斯日古楞.灰色神经网络在股票价格预测中的应用[J].计算机仿真，2012.29（2）：382-385
【关键词】股票非预期收益 总风险 非预期会计收益 会计收益预测修正
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.
[2]宿成建.2012b：《股票非预期收益定价的三因素模型研究―基于中国股票市场的检验》，2012第十届金融系统工程与风险管理年会优秀论文，《系统工程理论与实践》，2014，34（3）：600-612.
购物车(0)
