短期资本

摘要： 房地产价格是当下的热点问题,本文主要讨论短期资本,在人民币汇率与房地产价格的相互关系中,起到中介效应的作用,并认为我国要稳定房地产市场和经济体系,就应关注人民币汇率与短期资本的关联性,加快人民币汇率市场化,对进入房地产的资本进行管控.

摘要： 短期跨境资本作为影响国际收支平衡和汇率均衡的重要因素,对跨境资本流动管理和风险防范都具有重要意义.本文通过对比各类短期跨境资本测算方法,基于数据的真实性、可获得性和经济学意义,对比国际收支的趋势性变化,结合算法设计的合理性以及与国际收支误差遗漏项的关系,得到测算有效且符合我国跨境资金流动实际趋势的短期跨境资本月度时间序列.本文所采用的相对最优算法,完善了对短期外债等短期跨境资金的估算,并通过增加数据来源,提高了对隐藏在其他渠道中短期资本的测算精度.研究发现,2003—2017年间流出入我国的短期跨境资本整体趋势可分为四个阶段:2003—2006年,短期跨境资本呈现波动中小幅流入;2007年初至2011年底转为大幅流入;2011年底至2014年初呈现短期流出入转换变化;2014年中期开始至2017年底转为显著、大幅的持续流出态势.本文在确定最优算法时,创新性地提出通过误差遗漏项,侧面验证测算有效性的检验方法,为进一步完善短期跨境资本流动统计监测与实际应用提供了新的思路.同时,针对测算短期跨境资本流动理论面临的困境,提出了基于流体力学视角的全新解决思路.

摘要： 2018年6月,美联储决定将联邦基金利率区间提升25个基点至1.75%-2%。这是美联储自2015年12月以来的第7次加息。显然每次加息也将会给中国各方面造成各种不同的影响,其中最直接的便是对我国经济方面的影响。与此同时自从2008年的经济危机以来,美国经济似乎更加趋于常态,更加平稳,这也就预示着加息是必然的。中国作为一个经济大国必然会采取相应的措施积极地调整与应对。

摘要： 目前中国资本项目尚未完全开放,大规模的异常资金或称为热钱的流动威胁着我国金融市场和实体经济安全,影响我国宏观经济政策的制定和执行。国际热钱流动的问题引起了学术界的广泛关注和讨论,但是经济学家在很多层面上存在着分歧,主要是对热钱概念的界定比较混乱,以及由此导致的规模测算口径不一、测算方法各异。本文对热钱定义进行了讨论,然后综合衡量了测算热钱的几种主流方法,并对我国热钱流入规模进行了测算。

摘要： 一、2016年国际收支的基本形势2016年,世界经济处于深度调整期,呈现发达经济体复苏乏力、新兴市场经济体继续分化的趋势,国际金融市场复杂多变,并历经了多轮波动。2016年10月国际货币基金组织（IMF）最新的《世界经济展望》预测,2016年全球经济增速为3.1%,与2015年的3.2%大体相当,其中发达经济体增速为1.6%,

摘要： 随着我国资本账户开放的推进，短期资本跨境流动的监管将变得愈发重要和急迫。本文对各国短期资本跨境流动监管措施进行了提炼整理，分析了监管必要性及各监管措施的有效性，提出了完善我国短期资本跨境流动监管的相关建议。

摘要： 一味试图通过各种资本管制措施来保护市场主体可能面临的风险,不但达不到预期的效果,还可能造成资源配置的无效和新的市场扭曲。下一步应尽快消除尚存的金融压抑,健全和完善国内金融体系,推进人民币利率和汇率市场化,有序实现人民币资本项目可兑换。

摘要： 近期，短期资本加速从新兴市场国家向发达国家回流。在世界经济缓慢复苏态势下，倘若金融市场充足的流动性依然不能转化为实际有效投资，金融资本与实体经济再度脱节，有可能引发新一轮震荡。

摘要： 本发明公开了一种改进双向长短期记忆网络的风电功率超短期预测方法，包括如下步骤：对训练样本进行数据预处理；采集风电场的历史风功率数据向量，选取数值天气预报中与风电功率数据相关性最大的数据，并进行归一化处理；在双向长短期记忆网络和全连接层之间融入注意力机制模型，利用训练集对改进双向长短期记忆网络算法模型进行训练和参数优化；将测试集输入改进双向长短期记忆网络模型建立风电功率超短期预测模型，计算风电功率一小时后输出值Ppre。本发明利用双向长短期记忆网络对历史功率数据以及数字天气预报的双向记忆性能，融入注意力机制，对双向长短期记忆网络的隐藏层输出进行加权，有效的提高了预测精度。

摘要： 本发明公开了一种基于长短期记忆网络的风电功率短期预测方法，包括长短期记忆神经网络训练算法、短期风电预测误差分布算法和风电机组发电功率短期预测模型设计。本发明从深度学习网络出发，建立基于长短期记忆网络算法(LSTM)风电功率预测模型，以高斯混合模型(GMM)分析短期风电功率预测的误差分布特点。本发明通过GMM模型可以得到二台机组不同的置信区间。证明了LSTM方法具有更高的精确度和更快的收敛速度，GMM方法对于风电调度具有实际应用价值。

摘要： 本发明公开了一种基于小波长短期记忆网络的超短期风电功率预测方法，根据历史数据生成输入变量，以所对应的风功率历史数据作为输出，得到训练样本；采用小波分析方法对训练样本进行三级小波分解，得到四个小波样本，利用长短期记忆网络模型对四个小波样本分别进行训练，得到训练后的小波长短期记忆网络预测模型；根据四个小波样本的待预测时刻的实际数据生成测试输入数据，并输入到预测模型，其输出即为待预测的时刻的超短期风电功率预测值。本发明将小波分析方法与长短期记忆深度网络结合，可以同时实现数据的平稳化处理与深度学习，提高了预测的精度，增强了模型的泛化能力。

摘要： 本发明提供一种基于长短期记忆神经网络(Long Short‑TermMemory，LSTM)的规模风电超短期功率预测误差修正方法，包括：首先利用改进的核密度估计得出误差的概率密度曲线；其次，采用LSTM对预测误差数据进行深度学习，以风电的预测误差为输入，以下一时刻的误差为输出，得到误差的预测值；最后，根据粒子群算法得到合适的置信区间对误差进行合理分层，根据分层区间和误差预测值，结合风电预测误差的时序特征，制订预测误差的分层补偿策略，得到一种具有较强泛化性的预测误差补偿模型。

摘要： 本发明公开了一种基于长短期记忆网络的短期负荷预测方法，采集短期负荷数据，将所采集的短期负荷数据作为训练样本进行VMD分解，得到n个随机分量IMF；对于分解出的n个分量，每个分量构建对应的WOA‑LSTM模型，利用WOA对模型中的LSTM参数寻优，找出最合适的参数；采用最优参数的LSTM分别对分量数据IMF进行训练，得到各个分量的预测结果；基于分别寻优后构建的LSTM模型，分别利用LSTM模型对短期负荷数据进行测，每个LSTM模型输出相应的预测结果；通过将所有预测结果进行相加得到最终的负荷预测结果。

摘要： 本发明公开了一种基于改进长短期记忆神经网络的短期光伏发电预测方法，该方法对短期光伏发电预测需要数据进行数据分析得到训练数据集；构建长短期记忆神经网络，并将训练数据集输入长短期记忆神经网络进行训练；采用麻雀算法优化长短期记忆神经网络参数，得到优化后的长短期记忆神经网络，优化后的长短期记忆神经网络输出短期光伏发电功率预测值。即通过历史多维度、多时间尺度、高关联的数据进行短期光伏发电功率预测，从而缓解配电网中光伏发电的不确定性；采用麻雀算法优化长短期记忆神经网络参数，进一步提高预测效果。通过本发明的实施，能够较好的利用气象数据并提高短期光伏功率的预测精度，实现电网的经济和稳定运行。

摘要： 本发明专利公开一种基于长短期记忆神经网络的燃气短期负荷预测方法，该方法运用主成分相关分析(PCCA)算法、小波阈值去噪(LMD)算法及局部均值分解优化(WTD)算法优化长短期记忆神经(LSTM)网络模型，并运用该种新的燃气负荷组合预测方法，对城市燃气负荷量进行预测分析，PCCA‑LMD‑WT D‑LSTM预测模型在城市燃气负荷预测中，采用该种模型获得的最终MAPE精度均属于高精度水平，该模型预测结果优于单一的LSTM模型、BPNN模型和GRU模型。本发明解决了传统循环神经网络中的长时期依赖问题，适用于数据长度大的时间序列预测，且稳定性更高，可靠性更强。

摘要： 本发明公开了一种改进双向长短期记忆网络的风电功率超短期预测方法，包括如下步骤：对训练样本进行数据预处理；采集风电场的历史风功率数据向量，选取数值天气预报中与风电功率数据相关性最大的数据，并进行归一化处理；在双向长短期记忆网络和全连接层之间融入注意力机制模型，利用训练集对改进双向长短期记忆网络算法模型进行训练和参数优化；将测试集输入改进双向长短期记忆网络模型建立风电功率超短期预测模型，计算风电功率一小时后输出值Ppre。本发明利用双向长短期记忆网络对历史功率数据以及数字天气预报的双向记忆性能，融入注意力机制，对双向长短期记忆网络的隐藏层输出进行加权，有效的提高了预测精度。

摘要： 本发明公开了一种基于深度长短期记忆网络的短期负荷预测方法，解决了现有技术的不足，该方法包括以下步骤：步骤10)，获取样本特征变量历史数据，建立历史样本数据集；步骤20)，建立预测模型嵌入维输入数据集；步骤30)，建立深度长短期记忆神经网络预测模型并初始化网络权重；步骤40)，更新训练步骤30)建立的深度长短期记忆神经网络预测模型内部状态参数；步骤50)，计算输出本轮负荷预测值；步骤60)，引入本轮负荷真实值，计算损失函数；步骤70)，更新深度长短期记忆神经网络网络权重；步骤80)，根据判别函数判别迭代是否结束；步骤90)，迭代结束，输出深度长短期记忆神经网络预测模型。

摘要： 本发明涉及一种基于长短期记忆网络的光伏发电功率短期预测方法，包括:使用Pearson相关系数确定与发电功率高度相关的天气数据特征，使用LSTM网络模型建立了输入天气数据特征与输出发电功率之间的非线性关系，并捕捉了时间序列的相关性，针对季节和天气类型划分原始输入数据集，提高模型预测精度，对基于季节和天气类型的LSTM模型预测结果进行线性拟合处理，进一步提高模型预测的准确度。