基于神经网络的股票收益率预测研究

在金融领域的资产定价模型修正过程中,股市的非线性现象往往被选择性忽视,未纳入模型框架,现有模型亦无法刻画因子之间的非线性定价结构。为解决上述问题,引入了机器学习领域中的神经网络模型,以捕获市场组合收益率、市值、账面市值比三因子间的非线性定价结构,并对股票收益率进行预测。将该模型与经典Fama-French三因子模型在样本外拟合优度、多空策略业绩表现上做了对比,结果表明：神经网络模型能精准捕获市场组合收益率、市值、账面市值比3个因子之间的非线性关系,且在样本外拟合优度、多空策略业绩表现上均要优于传统三因子线性定价模型。     

基于迁移学习的蔬菜图像识别方法

为解决蔬菜识别领域缺少带标签样本的问题,提出了一种基于迁移学习的图像识别方法.首先,将原始数据集利用数据增强扩大样本数据量后引入到大规模数据集上的预训练模型.针对迁移过程中高层特征的领域特定性导致的网络泛化性能差,通过加入两层自适应层参数初始化后重新训练得到基本模型;对该基本模型再利用参数冻结的迁移方式进一步调优参数,得到用于蔬菜图像识别的最终网络模型.实验表明,基于CaffeNet和ResNet10两个小型网络的迁移策略可以较好地处理小样本的蔬菜图像识别,训练得到的模型准确率分别为94.97%、96.69%.与其他迁移算法及传统的神经网络方法相比,该算法具有更高的识别性以及更强的鲁棒性.     

基于灰色RBF组合模型的宁波港集装箱海铁联运量预测

集装箱海铁联运量预测是海铁联运网络规划设计的重要组成部分,影响港口及其集疏运体系进一步发展,因此,对集装箱海铁联运量做出科学合理的预测显得十分重要.以2009~2015年宁波港集装箱海铁联运量为原始数据,运用灰色RBF神经网络组合模型预测其未来2年集装箱海铁联运量增长趋势.预测结果表明,灰色RBF神经网络组合模型预测精度高于GM(1,1)模型、RBF神经网络模型、灰色BP神经网络组合模型.可见,该组合模型可有效应用于集装箱海铁联运量的预测领域.     

Black-Scholes期权定价模型的拓展

假定动态风险资产价格遵从扩散-跳跃复合泊松过程,无风险利率、股票收益率、市场波动率、股票红利等均为自适应过程,利用随机微分方程和鞅方法,得到了资产投资组合贴现过程鞅成立的条件.在相同测度下,考虑到交易费用和红利支付,对经典Black-Scholes方程进行了修正,得到了不同条件下的欧式看涨期权的定价方程,使得期权定价公式更加符合市场实际,拓展了鞅方法的使用范围和意义.     

实体渠道拥塞负效应下双渠道零售商与传统零售商水平竞争研究

基于Hotelling模型,建立了分别位于线性市场两端的双渠道零售商与传统零售商竞争的博弈模型,得到双渠道零售商采取网上网下分别定价策略和网上网下统一定价策略下两零售商竞争均衡的存在性条件和均衡解,分析了两种定价策略的效果和实体渠道存在拥塞负效应对竞争均衡状态的影响。最后,提出了传统零售商应加快转型和提升服务水平、双渠道零售商应进行网上网下差异化定价和细分市场的建议。     

资本资产定价模型与上海股票市场的实证分析

借助SPSS10．0软件,以上海股票市场2000．06．30～2002．09．27期间(共109周)代码为600601～600640中的37支股票为样本,对资本资产定价模型(CAPM)在上海股票市场的应用进行实证研究,首先采用单指数模型估计了个股的B系数,然后利用BJS方法和FM模型分别进行时间序列回归和截面回归,并进行了假设检验,研究结果表明在上海股票市场上,股票的收益与其β系数存在着显著的正相关线性关系,但无风险收益率却是负的,这说明沪市具有明显的投机特征。为了消除单个股票的非系统性风险,进一步构造股票投资组合对CAPM模型进行修正检验,结果与BJS方法和FM模型得出的结论相同,但β系数能更好地衡量股票组合的风险。     

重分式Poisson过程——一个新的股票价格运动模型

给出重分式Poisson过程WHt(t)的定义及基本性质,发现WHt(t)具有重分形特征及长期依赖性、尖峰、胖尾等特征,从而可以用WHt(t)拟合股票收益的变化.在不同标度下,某些股票的绝对收益率具有长期依赖性及重分形特性.这表明中国证卷市场具有非线性特征,市场并非是完全有效的.     

SVM回归法在汛期旱涝预测中的应用研究

研究基于统计学习理论的支持向量机（SVM）回归在汛期旱涝预测中的应用．根据浙江省38个测站的降水量资料，用正态化Z指数对汛期旱涝等级进行划分，得到了能够反映全省旱涝状况的指标．以此指标作为预测量，通过相关分析从前期大气环流场、海温场中选取高相关预测因子，应用逐步回归和SVM回归技术分别建立浙江省汛期旱涝短期气候预测模型，并进行了对比分析．结果表明：SVM回归模型集中了众多预测因子的预测信息，有效地利用了支持向量机方法的非线性映射能力，无论在历史样本拟合的精度上还是模型实际预测的能力上都比传统的逐步回归方法有一定提高，具有较好的应用效果．     

基于词向量和神经网络融合的过程构成要素信息抽取方法

工步过程构成要素的分析与提取是工艺过程质量管理极为重要的工作内容。为实现工步过程构成要素的机器识别,基于工艺指令确定工步、工步确定其构成要素的逻辑关系,本文将词向量和神经网络相结合,提出了一种工步过程构成要素的关系拟合模型。该模型充分利用词向量的语义表示能力,对描述和确定工艺过程的工艺指令文件语料中的词语进行表示,进而得到每条工艺指令、工步过程及其构成要素的句向量表示,同时利用神经网络对非线性映射关系的拟合能力,抽取出工艺指令与工步过程、工步过程与其构成要素之间的关系。该方法应用于飞机装配工序的研究,各工艺指令的工步过程及其构成要素抽取结果的综合准确率不低于90%,验证了方法的有效性。     

基于IA参数寻优组合核的SVM文本分类研究

支持向量机在解决非线性及高维模式识别中表现出许多特有的优势,被广泛应用在文本分类领域。但是其核函数及其参数的选择对分类效果具有很大的影响,单一核函数难以很好地解决文本分类问题。因此,本文选取了三个常用的核函数进行两两组合,利用加权组合核的形式来弥补单核自身特点可能带来的缺点,然后利用人工免疫算法(Immune algorithm,IA)对组合核进行参数寻优,以提高文本分类效果。实验分析证明,此方法有效。     

金融危机下Fama-French多因子模型在中国债券市场的应用

利用近3年的中国债券市场数据,建立了Fama-French多因子模型,并利用多元回归方法进行了比较分析.结果表明,TERM-DEF两因子模型有着较好的适用性,但存在进一步改进的空间.     

基于混沌时间序列的非线性动态系统神经网络建模与预测

在分析神经网络非线性建模原理的基础上，以典型的非线性差分方程为研究对象，提出了一类基于神经网络的非线性动态系统建模方法．针对传统BP算法的局限性，提出了一种非线性动态系统神经网络改善梯度估计精度的新算法．并以上证综合指数时间序列为研究对象，运用本文提出的建模方法和算法，进行了我国资本市场混沌时间序列预测研究的实例分析，得到的单步预测上证综合指数误差很小(-100～100)；多步预测在最初的10步之内预测效果较为理想，而在此之后的预测值则严重偏离真实值．这与混沌时间序列特性相吻合，同时也证明了所用算法的有效性．     

用RBF神经网络确定上海股市的分形维数

从预测能力的角度采用径向基函数（radial basis function，简称RBF）神经网络方法计算我国上海股票市场的分形维数，并通过RBF神经网络的实验，得到上海股市的最小嵌入维数为6，验证了股市分形维数在2-3之间，从而进一步确定了我国上海股票市场是一个具有混沌现象的系统，最后探讨了利用股票市场的混沌特性进行短期预测的效果的可行性。     

信用风险缓释凭证市场探讨及定价分析

通过对试点期间8只CRMW产品的市场介绍和定价分析,运用约化模型,给出CRMW的定价公式;影响定价的关键因素主要包括标的债务信用曲线适当选取和违约回收率的估计.通过剥离法,从市场收益率数据中剥离标的债务信用曲线.最后结合实际数据,实证得出市场CRMW报价普遍偏低.     

基于空间自回归神经网络模型的空间插值研究

基于空间距离计算的空间自相关权重系数是经典空间插值方法的核心，然而由于空间距离与自相关权重之间复杂的非线性关系，反距离权重（IDW）法和克里金（Kriging）法等传统空间插值方法，在求解权重精准解时存在一定的局限性。由此，利用神经网络超强的非线性拟合能力，通过融合神经网络与空间自回归方法，建立了空间自回归神经网络（SARNN）模型，实现了空间自相关权重的精准计算并将其应用于空间插值研究。为验证SARNN模型的有效性和可行性，采用两类模拟数据及海洋环境数据进行交叉验证，并与IDW法和Kriging法进行精度对比。实验结果表明，SARNN法显著提升了R²、RMSE、MAE、MAPE等统计指标，插值结果明显优于IDW法和Kriging法；同时，SARNN法在空间插值中对突变数据和极值数据的预测较为准确，改善了传统插值方法空间平滑过渡差，易出现“牛眼”、锯齿现象等问题，显著提高了空间插值结果的准确性与合理性。SARNN法提供了一种空间插值的新思路，具有较为广泛的应用价值。     

基于空间自回归神经网络模型的空间插值研究

基于空间距离计算的空间自相关权重系数是经典空间插值方法的核心，然而由于空间距离与自相关权重之间复杂的非线性关系，反距离权重（IDW）法和克里金（Kriging）法等传统空间插值方法，在求解权重精准解时存在一定的局限性。由此，利用神经网络超强的非线性拟合能力，通过融合神经网络与空间自回归方法，建立了空间自回归神经网络（SARNN）模型，实现了空间自相关权重的精准计算并将其应用于空间插值研究。为验证SARNN模型的有效性和可行性，采用两类模拟数据及海洋环境数据进行交叉验证，并与IDW法和Kriging法进行精度对比。实验结果表明，SARNN法显著提升了R²、RMSE、MAE、MAPE等统计指标，插值结果明显优于IDW法和Kriging法；同时，SARNN法在空间插值中对突变数据和极值数据的预测较为准确，改善了传统插值方法空间平滑过渡差，易出现“牛眼”、锯齿现象等问题，显著提高了空间插值结果的准确性与合理性。SARNN法提供了一种空间插值的新思路，具有较为广泛的应用价值。     

关于期权定价的一点注记

在介绍由随机波动源和异常波动源共同作用的波动源模型的基础上,对该模型进行了期权定价的研究,结果表明该模型只能比传统的对数正态分布模型更精确地描述现实市场中的股价波动规律而不能改善期权价值。     

快速收敛的神经网络非线性系统控制器模型

基于神经网络的非线性系统控制器,近年来已有不少学者对其进行了研究,本文在其他研究者所做工作的基础之上,提出了一种新的控制器模型,数值模拟实验表明,与以前的研究者提出的模型相比,新模型的收敛速度更快。     

基于EEMD能量矩和改进量子粒子群神经网络的滚动轴承故障诊断

针对滚动轴承故障振动信号的非线性和周期性冲击特征, 提出一种基于集合经验模态分解(Ensemble Empirical Mode Decomposition, EEMD)能量矩和改进量子粒子群神经网络的特征提取方法. 基于小波去噪对滚动轴承原始信号进行预处理, 对重构的故障信号进行EEMD并得到多个本征模态函数分量. 利用能量矩方法计算出所需分量的能量矩并归一化, 将归一化后的能量特征参数作为量子粒子群BP神经网络的参数输入, 根据加速度传感器信号实现滚动轴承故障诊断. 分别在不同转速(载荷)下采集驱动端轴承的振动信号, 获取200个训练样本和80个测试样本, 并建立故障诊断模型. 基于文中模型对实际滚动轴承数据进行诊断, 实验结果表明, 不同转速(载荷)下测试的80个样本故障诊断准确率达到100%.