一个捕捉与再捕捉模型的贝叶斯分析

本文在无信息先验和Jeffreys先验下 ,就捕捉与再捕捉试验和多次重复的捕捉与再捕捉试验两种情况 ,推导了封闭总体中个体总数N的贝叶斯点估计与区间估计 ,并计算了一个实例     

基于深度置信网络的影响广西热带气旋年频数预测方法研究

以气候系统监测指数集、NCEP/NCAR高度场和海温场逐月再分析资料为基础,将影响广西的热带气旋年频数作为预报量,先利用随机森林方法通过计算袋外数据误差判断特征变量重要性的能力,进行随机森林算法(Random Forest,RF)的热带气旋年频数预报因子重要度的分析,再进一步采用由多层无监督学习的受限玻尔兹曼机和一层有监督学习的BP网络构成的深度置信网络(Deep Belief Networks,DBN),建立了基于非线性深度学习的热带气旋年频数预测模型.在预报因子、预报建模样本及独立预报样本相同的情况下,分别采用这种深度学习预测建模方法和逐步回归方法对影响广西的热带气旋年频数进行了预报试验.结果表明,采用这种基于随机森林算法的深度置信网络预测建模分析方法,对10年(2009年-2018年)独立预报样本的预报结果比逐步回归预测模型具有更高的预测精度,其预测平均绝对误差为1.30个,而逐步回归方法的预报平均绝对误差为2.05个;在预测评分上,新模型的预测评分为83.33分,高于逐步回归方法的预测评分73.68分.进一步地,应用新模型对2019-2020年热带气旋年频数进行实际业务预测也获...     

城市火灾次数与气象因素的Adaptive-Lasso分析

为研究城市火灾次数与气象因素的关系,以天津市的火灾数据为例,建立月度火灾次数与温度、风速、降雨量、日照、湿度等相关的各月气象因素及上月火灾起数间的线性回归模型.通过Adaptive-Lasso方法对上述变量进行选择并估计其参数,并对所得模型进行了分析比较,同时预测分析了2008年上半年火灾发生数.研究表明,通过Adaptive-Lasso方法建立的线性回归模型能够更好地预测火灾次数.     

组合预测方法在黑龙江垦区大豆产量预测中的应用

首先建立了黑龙江垦区九三地区的大豆单产的Logistic模型,通过梯度法得出模型的参数估计值,并对模型进行了分析.其次,再利用逐步回归方法建立了大豆产量与气象因子的逐步回归模型,确定了影响九三地区大豆产量的主要气象因子,最后运用组合预测和最优权数计算的方法,建立了九三地区大豆产量的组合预测模型,进一步提高了模型的精度,这对指导大豆生产具有重要意义.     

上海市黄瓜上市高峰量预报因子的选择和模型的建立

本文通过对上海市黄瓜上市高峰期产量预报因子的选择和模型的建立,摸索出上海市蔬菜上市的规律,对保证城市蔬菜均衡供应具有一定的意义。众所周知,黄瓜产量不仅与品种、栽培措施有关,而且与气象因素有着相当密切的关系.黄瓜生长期中,各种气象因子对其上市高峰量的影响是不同的。以往都是凭经验来确定某气象因子的时段.(所谓时段,是指某一段相隔一定天数的时间).这种方法所得到的结果并非最佳因子;而用这些因子组建的回归方程就带有极大的主观性,影响预测的结果.因此,为避免不     

模糊神经网络方法在定点定量降水预报中的应用研究

以单站24小时降水量作为预报对象,采用模糊神经网络方法进行了新的数值预报产品释用预报方法研究.首先通过对T 213、ECMW F预报因子场以及高空气象探测资料进行处理,有效浓缩多种物理量因子场的实况及预报信息,并进一步建立了南宁、桂林、河池、百色4站的降水模糊神经网络释用预报模型.运用与实际业务相同的预报方法对2006年6—8月进行逐日的降水量预报试验,并与相同时次的T 213降水预报产品进行对比分析.结果表明,4个单站的定点、定量模糊神经网络降水预报模型,在预报性能上明显优于同期T 213数值预报模式的降水预报结果.     

径流中长期预报模糊识别优化模型及应用

对水文中长期预报模糊识别方法进一步研究,基于模糊环境下的目标函数,提出了具有主观监督因子和稳定系数的模糊识别预报模型.根据已知样本的最优模糊划分建立预报模型,利用已知样本的指标和样本的最优模糊划分计算预报模型的参数,给定模型的稳定系数,再通过调整主观监督因子对预报模型参数进行优化.径流中长期预报实例的模型检验平均相对误差为7.84%.     

分层广义线性模型在准备金评估中的建模研究

考虑到赔付流量三角形数据同一事故年反复观测的纵向特征以及数据结构的层次性,建立了分层广义线性模型.与通常的随机模型相比,分层广义线性模型不但可以选择条件反应变量的分布而且风险参数分布范围也更加广泛.利用h-似然函数估计分层广义线性模型的模型参数,降低了计算量.为使模型具有可比性,评估模型的预测精度,推导了模型预测误差的估计式.为充分利用已知赔付信息,将赔付额和赔付次数两种赔付信息纳入未决赔款准备金评估模型,建立了两阶段分层广义线性模型.在线性预测量中考虑了各种固定效应和随机效应以及模型结构的散布参数,改进了线性预估量结构.研究表明:分层广义线性模型对于数据的各种分布及形式都具有很好的适应性,更加符合保险实务现实的赔付规律.     

基于加权损失函数下广义指数预报因子模型的汇率预测

本文提出在加权损失函数下构建汇率预测的广义指数预报因子模型。该方法首先选取有限个不同滑动参数构造指数预报因子,同时基于绝对值损失和平方损失的提出加权损失函数作为变量筛选的准则,然后在该准则下将指数预报因子进行线性组合,建立汇率预报的广义指数预报因子模型。本文最后用英镑/美元单周汇率数据与文献中的一些已有方法做比较,实证分析表明本文提出的方法在汇率预测效果上有较大改进。     

基于随机矩阵理论决定多元GARCH模型最佳维度研究

基于随机矩阵理论(RMT)的降维技术能够通过去除噪声和只保留有用“信息”,而对相关矩阵估计中用来描述相关的主成分或因子的最佳使用数量做出确定.本文认为利用RMT对相关矩阵估计的降维操作来实现RMT对多元GARCH模型的有效降维是可能的.为说明基于RMT的降维技术用于多元GARCH模型的有效性,本文建立了两类将基于RMT的相关矩阵估计和波动率结合在一起的多元GARCH模型:滑动相关多元GARCH模型(SC-GARCH模型)和改进的O-GARCH模型(IO-GARCH模型).理论分析表明,这两类模型具有降维的相关结构,易于估计,并且利用RMT能确定出它们的理论最佳维度.实证研究中,本文建立了上海证券市场100只股票收益率的两类多元GARCH模型,并在马克维茨证券组合理论的框架下,考察了它们的协方差矩阵预测效果.结果表明这两类模型的预测效果很好.通过两类模型各个维度预测效果的比较可以看出.RMT能够为多元GARCH的降维提供有效的依据并且较准确地确定多元GARCH模型的最佳维度.理论和实证分析结果表明,基于RMT的降维技术是解决多元GARCH模型“维数灾祸”问题的有效手段.     

基于组合模型的上市公司高送转预测

本文基于中国市场3465家上市公司7年的数据,首先利用随机森林算法提取出43个因子,再利用Lasso方法进行特征选取,最后选出11个重要因子,然后分别采用logistic回归和决策树方法构建两种预测模型,最后基于损失函数确定权重将两种预测模型按权重进行线性组合建立组合模型.实证结果表明,基于组合模型的预测准确率相比单一模型提高了1.39%.     

针对面板数据的半参数变系数可加模型的估计和推断

本文研究针对面板数据的半参数变系数可加模型的估计和推断问题,该模型将因变量与自变量之间的关系建模成未知函数的形式,并且假设它们之间的关系是随时间变化的.本文基于B样条方法估计未知的参数和函数.本文在允许(N,T)→∞的情况下建立各个估计量的渐近性质.通过大量的模拟评估所提出的估计方法的表现.最后,本文将所推荐的模型用于调查Fama-French三因子的时变行为.     

基于泰勒级数及温度因子的卡尔曼滤波模型在链子崖危岩体变形预测中的应用

考虑到链子崖危岩体的变形受温度的影响较为明显,为此,将链子崖危岩体的变形看作时间和温度的函数,利用泰勒级数建立链子崖危岩体的变形与时间和温度的函数关系,并将泰勒级数的余项及时间变化的二次方和温度变化的二次方的系数的变化量看作数学期望为0的动态噪声,建立卡尔曼滤波模型,并用于链子崖危岩体变形的预测预报.实例计算表明,模型的拟合效果和预测效果较好.     

基于模糊聚类分析的小波神经网络模型在径流预测中的应用

提出了一种在对预报因子集进行模糊聚类分析基础上构建径流预测模型的新方法:先通过模糊C-均值聚类将历史径流数据进行分类,然后利用小波神经网络分别建立预报因子集类别变量特征值与观测值之间的局部预测模型,并设计了特征值分类识别器,自动搜寻相适应的局部网络模型进行预测.通过西南某水库2011年日平均入库来流的计算实例对简单小波神经网络预测模型和所建的基于FCM与小波神经网络的预测模型进行了比较,结果较为满意.     

混合效应模型及其在非寿险费率厘定中的应用

在非寿险分类费率厘定中,广义线性模型的应用十分普遍,但当某些费率因子的水平数很多时(本文称之为多水平因子),广义线性模型的估计结果将不可靠。解决此类问题的一种方法是把多水平费率因子作为随机效应处理。将多水平费率因子作为随机效应处理可以采取下述三种方法:(1)分别用广义线性模型和信度模型估计普通费率因子和多水平因子,通过广义线性模型与Buhlmann-Straub信度模型的迭代应用预测索赔频率和索赔强度;(2)应用广义线性混合模型分别预测索赔频率和索赔强度;(3)直接对经验纯保费数据建立Tweedie混合效应模型。本文把上述模型应用于中国车损险实际数据的研究结果表明,这三种方法比较接近,但从总体上看,广义线性混合模型的估计结果更加可取。     

一种基于季节指数的灰色马尔科夫气温预测模型

提出一种根据气温历史数据的年际周期性和季节性变化规律建立的基于季节指数的灰色-马尔科夫气温预测模型.模型将纵向与横向分析相结合方法运用到气温预报之中,通过季节指数修正气温的横向季节性变化,再用灰色模型进行预测,最后通过马尔科夫进行误差修正.实例运用中,对广州市的2000年月平均气温进行预测,在与历史数据的对比中表明,模型预测结果较为准确,可靠性较好.并讨论说明该模型也可推广到其他具有周期特征的非平稳时间序列的预测中,并大大提高预测精度.     

基于信息熵的模糊物元模型预测玉米螟种群动态

利用模糊物元模型对玉米螟的种群动进行预测,在利用信息熵理论确定预报因子的权重的基础上构造了复合模糊物元模型,并根据往年资料构造出用于预测的关联度区间,以预测关联度映射的区间进行判决,这样避免了传统分级方法造成的主观误差,同时提高了预测的精度.     

L1正则化Logistic回归在财务预警中的应用

线性模型和广义线性模型已广泛地用于社会经济、生产实践和科学研究中的数据分析和数据挖掘等领域,如公司财务预警,引入L1范数惩罚技术的模型在估计模型系数的同时能实现变量选择的功能,本文将L1范数正则化Logistic回归模型用于上市公司财务危机预报,结合沪深股市制造业ST公司和正常公司的T-2年财务数据开展实证研究,舛比Logistic回归和L2正则化Logistic回归模型进行对比分析.实验结果表明L1正则化Logistic回归模型的有效性,其在保证模型预测精度的同时提高模型的解释性.     

我国期货市场违约风险的研究

引入违约距离的概念,建立了期货市场违约风险评估模型,采用GARCH-M模型对期货合约价格收益的波动率进行估计.运用此模型研究了郑州商品交易所上市品种小麦的违约风险,所得结果与实际市场结果相吻合.因此,可以运用本文提出的期货市场违约风险评估模型能预测临近交割月时期货市场发生违约的概率,实时捕捉期货市场发生违约事件的信息.     

基于异常值检测的港口集装箱吞吐量预测模型

考虑到诸如金融危机等重大事件的影响,时间序列可能存在异常值,提出了一个基于局部异常因子(LOF)的LOF-SSA-LSSVM预测模型,并将其应用于广州港集装箱吞吐量预测.首先,对原始时间序列进行X12加法季节分解,对于分解得到的不规则序列,采用LOF算法进行异常值检测,确定异常数据的位置,之后通过插值或最小二乘支持向量机(LSSVM)的预测值来修正原始季节调整序列中的异常值,将修正后的季节调整序列与季节因子序列加和,即得到新的待预测序列.预测阶段,先采用奇异谱分析(SSA)将新的待预测序列进行分解重构,剔除序列中的噪声,然后再采用LSSVM对其进行预测.实证结果表明,建立的LOF-SSA-LSSVM模型相比BP、ARIMA等模型有着更好的预测精度.