顾及降雨及温度因子的卡尔曼滤波模型

考虑到处于不同位置的滑坡变形监测点,由于它们所处的位置不同,各种环境因素对它们的影响及影响程度也不同,因此它们的变形规律也不同.首先通过计算比较找出剩余标准差最小的变形与时间、大气降雨量、温度相关关系的单因子模型,再将这些单因子模型通过叠加,组成多因子模型,然后将变形与时间、大气降雨量、温度相关关系的多因子模型的模型参数看作含有动态噪声的状态向量,建立卡尔曼滤波模型.实例计算表明这种建模方法效果较好.     

用改进的模糊AR(p)与指数平滑组合模型预测油田产油量

在模糊AR(p)与指数平滑组合预测模型的基础上,通过对传统指数平滑模型的分析,提出了动态平滑参数的概念,并由此建立了平滑权重对时间序列能够适应的新的指数平滑模型,较完整地解决了传统模型初值难以选取,平滑参数适应性差和系统预测偏差大等问题,从而较传统指数平滑模型有较高的预测精度.并将这两种模型结合起来构成新的改进的模糊AR(p)与指数平组合预测模型,并应用于预测油田产油量.应用实例证明,改进的模糊AR(p)与指数平滑组合预测模型具有更高的预测精度.从而表明该组合预测模型是一种非常有效的预测新方法.     

灰色时序组合模型及其在地下水埋深预测中的应用

地下水埋深的变化过程是一个复杂的非线性过程,这种具有复杂的非线性组合特征的序列,使用某一种模型进行预测,结果往往不理想.在分析了灰色GM(1,1)模型、灰色GM(1,1)周期性修正模型和时序AR(n)模型的优点和缺点基础上,提出了一种新的灰色时序组合预报模型.该方法利用了GM预测所需原始数据少、方法简单的优点,用周期修正方法反映其地下水位埋深周期性波动的特征,用AR(n)模型预报其地下水位埋深的随机变化.实例研究表明,这种方法方便简洁实用且预测结果接近于实际观测值,为其它地区的地下水位埋深和相关时间序列的分析研究提供参考与借鉴作用.     

对背景值优化的新GM(1,1)模型

为了提高灰色GM(1,1)模型的模拟及预测精度,考虑对模型的初始条件x(1)(n)增加扰动因素β,把x(1)(n)+β作为模型的新初始条件,并对模型的背景值进行优化,从而得到了一种改进的GM(1,1)模型.还通过实例验证了新建模型比原有模型提高了拟合的效果及预测的精度.     

基于模糊时间序列模型的CPI预测方法研究

构建模糊AR(p)时间序列模型,对CPI进行了预测,通过实际数据模拟发现,与传统的ARIMA模型相比,模糊AR(p)时间序列模型预测的效果更好.     

基于双AR(p)模型的股价分析及其实证研究

在双AR(p)模型的基础上,选取了具有代表性的沪深300指数,并对其部分股市收盘价序列进行了平稳化处理,研究了近期中国股市的股价波动.在双.AR(p)模型严平稳条件下进行了模型诊断,最后通过动态预测得出双AR(p)模型可用于股价预测的结论.     

固定设计下非参数回归模型估计的渐近性质

考虑固定设计下具有非参数AR(1)的非参数回归模型,综合最小二乘和非参数核估计法,定义了非参数函数的估计量,在适当的条件下,研究了它们的渐近性质.     

半参数回归模型拟极大似然估计的渐近分布

用拟极大似然估计方法研究了误差为AR(1)时间序列的半参数回归模型,得到了参数及非参数的拟极大似然估计量,并研究了它们的渐近分布.     

基于贝叶斯推断的TAR模型的门限非线性检验

在正态分布的假定下,变点问题按照均值和方差的变化有四种情形.本文把TAR模型门限非线性的检验问题,看作是对应均值变化,方差不变情形下的变点问题.然后利用可逆跳马尔可夫蒙特卡罗模拟(RJMCMC)方法计算两个比较模型(AR和TAR模型)的后验概率.后验概率的结果支持TAR模型表明门限非线性的存在.模拟实验的结果说明基于贝叶斯推断的检验方法可以很好的区分AR和TAR模型.     

一个简化的新Laplace AR(1)模型 参数估计及其渐近性质

研究了一个简化的新的Laplace AR(1)模型参数的条件最小二乘估计和最大拟似然估计,并讨论了它们的强相合性和渐近正态性.通过数值模拟和实际例子,说明了最大拟似然估计及模型的优越性.     

人口自适应回归预测模型与实证分析

本文以人口自身传递应和人口政策调节效应为理论假设,提出了兼顾两种效应的人口自适应回归预测模型。与一般的自回模型AR(n)相比,自适应回归预测模型能更好地描述、解释和预测人口的发展变化,是一种优化的回归预测模型。     

上交所国债市场波动性研究

本文基于2003～2007五年间上证国债指数数据,选择建立了AR(2)-GARCH(1,1)、AR(2) -EGARCH(1,1)、AR(2)-CARCH(1,1)。(γ1,γ2)和GARCH(1,1).(m,n)-M四个模型,从不同的视角分析了我国上交所国债市场的波动性状况。实证结果表明,模型中引入利率调整因子γ1、准备金率调整因子γ2及流动性因子m和n作为外生解释变量,能够较好地刻画我国货币政策对国债市场波动的冲击、市场流动性对国债收益率波动的影响及国债收益率波动与收益率的关系。本文的研究结果对完善我国国债市场管理,促进市场发展有一定的指导意义。     

Model selection by sequentially normalized least squares

Model selection by means of the predictive least squares (PLS) principle has been thoroughly studied in the context of regression model selection and autoregressive (AR) model order estimation. We introduce a new criterion based on sequentially minimized squared deviations, which are smaller than both the usual least squares and the squared prediction errors used in PLS. We also prove that our criterion has a probabilistic interpretation as a model which is asymptotically optimal within the given class of distributions by reaching the lower bound on the logarithmic prediction errors, given by the so called stochastic complexity, and approximated by BIC. This holds when the regressor (design) matrix is non-random or determined by the observed data as in AR models. The advantages of the criterion include the fact that it can be evaluated efficiently and exactly, without asymptotic approximations, and importantly, there are no adjustable hyper-parameters, which makes it applicable to both small and large amounts of data.     

AR模型辨识的稀疏结构迭代算法

模型估计是机器学习领域一个重要的研究内容,动态数据的模型估计是系统辨识和系统控制的基础.针对AR时间序列模型辨识问题,证明了在给定阶数下AR模型参数的最小二乘估计本质上也是一种矩估计.根据结构风险最小化原理,通过对模型拟合度和模型复杂度的折衷,提出了基于稀疏结构迭代的AR序列模型估计算法,并讨论了基于广义岭估计的最优正则化参数选取规则.数值结果表明,方法能以节省参数的方式有效地实现AR模型的辨识,比矩估计法结果有明显改善.     

语音识别中AR模型的研究

介绍用线性AR(p)模型提取语音信号的LPC参数估计的方法(矩(YW)估计和极大似然(M LE)估计),并且对模型进行检验和模拟.     

A COMPARISON OF FORECASTING MODELS OF THE VOLATILITY IN SHENZHEN STOCK MARKET

Based on the weekly closing price of Shenzhen Integrated Index, this article studies the volatility of Shenzhen Stock Market using three different models: Logistic, AR(1) and AR(2). The time-variable parameters of Logistic regression model is estimated by using both the index smoothing method and the time-variable parameter estimation method. And both the AR(1) model and the AR(2) model of zero-mean series of the weekly closing price and its zero-mean series of volatility rate are established based on the analysis results of zero-mean series of the weekly closing price. Six common statistical methods for error prediction are used to test the predicting results. These methods are: mean error (ME), mean absolute error (MAE), root mean squared error (RMSE), mean absolute percentage error (MAPE), Akaike's information criterion (AIC), and Bayesian information criterion (BIC). The investigation shows that AR(1) model exhibits the best predicting result, whereas AR(2) model exhibits predicting results that is intermediate between AR(1) model and the Logistic regression model.     

具有AR(1)误差的均值漂移模型的Score检验和似然比检验

讨论了具有AR(1)误差的线性均值漂移模型,研究了自相关性的检验问题,导出了关于误差相关性的Score检验统计量和似然比检验统计量,并把它推广到误差项为AR(1)非线性均值漂移模型.本文还给出了一个数值例子说明检验方法的实用性.     

Copula-AR(n)-SVL Mortality Models and Measurement of Longevity Risk

A reasonable mortality model is the key to accurately measuring longevity risks. This paper considers the dependence of mortality among different age groups and the autocorrelation and heteroscedastic structure of mortality in each age group. The multivariate Copula and AR(n)-LSV models are used to construct the mortality model. VaR, TVaR, GlueVaR are used to measure longevity risk. The results show that Copula-AR($n$)-LSV characterizes mortality trends and fluctuations better than Lee-Cater model; When mortality in China gradually decline, insurance companies will face increasing longevity risk in the future.