均值-CVaR模型的稳健构建方法及其比较研究

传统均值-CVaR模型具有不稳健性,当样本数据存在离群值时,传统均值-CVaR模型获得的投资效果可能会偏离实际情况。针对这一现象,文中将稳健统计思想与传统均值-CVaR模型相结合,构建出稳健均值-CVaR模型以削弱或消除离群值的影响,从而获得较为可靠的投资效果。为了说明稳健改进方法的有效性和可行性,文中进行了模拟实验和实证分析,结果均表明:当数据中不存在离群值时,传统和稳健均值-CVaR模型获得的投资效果基本保持一致;但当数据中存在离群值时,传统均值-CVaR模型获得的投资效果与实际不符,而稳健均值-CVaR模型获得的投资效果仍保持着良好的一致性,说明稳健均值-CVaR模型对离群值具有较好的抗差性和抗干扰性。     

稳健主成分聚类方法的构建及其比较研究

传统的主成分聚类方法往往会因对离群值比较敏感而导致聚类的结果与实际不相符。针对这一现象,本文运用稳健统计量对传统主成分聚类方法进行修正,构建出稳健主成分聚类分析算法,以克服离群值对模型计算结果的影响。由模拟和实证分析的计算结果可得知:当数据中没有离群值时,稳健主成分聚类方法的结果与传统主成分聚类方法一致;但当数据中有离群值时,相对于传统主成分聚类方法而言,稳健主成分聚类方法能有效抵抗离群值的影响,具有良好的抗干扰性和高抗差性。     

稳健ARMA残差控制图的构建及在金融市场的应用

传统自回归与滑动平均(ARMA)残差控制图往往对离群值比较敏感,容易导致监控失效.为了解决这一问题,本文利用稳健统计的思想对传统ARMA残差控制图进行修正,构建出稳健ARMA残差控制图算法,以克服离群值对模型的影响.模拟和实证结果表明:当数据中不存在离群值时,由传统和稳健ARMA残差控制图得到的监控结果基本一致;当数据中存在离群值时,相对于传统ARMA残差控制图而言,稳健ARMA残差控制图能更有效地抵抗离群值的影响,具有较好的抗干扰性和高抗差性.     

GARCH(1,1)模型的稳健估计比较及应用

首先阐述了GARCH(1,1)模型稳健估计的构造方法,然后在模型有无异常值扩散效应约束和异常值比例不同的情况下,比较了传统QMLE估计和多种稳健M估计的表现,结果表明:在数据无异常值下,QMLE估计较优;随着异常值比例增加,稳健Andrew估计表现更好;模型施加异常值扩散效应约束对估计有一定改善但不显著.最后选取波动程度不同的两个阶段沪深300指数的收益率,用模型拟合进行了实例比较,在波动程度较大时,Andrew估计效果较优,在波动相对平稳时,LAD估计较优.     

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.     

AR模型阶数依平方损失函数下的Bayes估计

本文在假定模型阶数K有已知上界、并为离散随机变量,且具有一定的先验概率函数的情况下,讨论了在平方损失下AR模型阶数的Bayes估计,并证明了所给的估计量是有一致性的估计。     

求解线性模型稳健参数估计的整数编码遗传算法

线性模型回归系数的一些稳健估计如LMS、LQS、LTS、LTA的应用越来越广泛,然而它们的精确计算依赖于NP难题,在遇到高维大规模数据集时不可能在较短时间内得到精确解.为尽快得到较高精度的近似解,提出了求解线性模型的稳健参数估计的整数编码遗传算法,通过计算机模拟试验验证了算法可以更快地找出全局最优解.     

线性模型参数的稳健化有偏估计

本文讨论复共线性和粗差同时存在时线性模型的参数估计问题,基于等价权原理提出了一个稳健有偏估计类（稳健压缩估计）,并且建立了稳健压缩估计的计算方法,为了满足实际问题的需要,构造了许多很有意义的稳健有偏估计,例如稳健岭估计、稳健主成分估计,稳健组合主成估计、稳健单参数主成分估计、稳健根方估计等等,最后通过一个算例表明,本文提出的稳健有偏估计具有既可克服复共线性影响又可抵抗粗差干扰的良好性质。     

时变自回归模型系数的估计及预测

本文对一般时变自回归模型(TVAR)的时变系数提出一种估计方法,即建立一个关于时变系数的向量自回归时间序列模型,利用最小二乘方法计算其系数矩阵,在此基础上预测时变系数,从而得到时变自回归序列的点预测,另外给出了点预测和区间预测的方法.     

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.     

基于AR(n)模型的卡尔曼滤波模型

考虑到对于处于不同位置的变形监测点,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,作者预置数个AR(n)模型,通过计算比较,选择剩余标准差最小的AR(n)模型作为初选模型,再将初选的AR(n)模型的模型参数看作包含有动态噪声的状态向量,建立卡尔曼滤波模型.实例分析表明,采用这种方法能够提高模型的拟合精度和预测精度.     

Comparison of AR and ARMA processes in structural health monitoring.

In this short note we discuss the application of AR and ARMA processes in structural health monitoring with output only data. We highlight the advantages of both types of processes for different purposes. (© 2014 Wiley-VCH Verlag GmbH & Co. KGaA, Weinheim)     

动态经济网络结构及其稳定性研究

在Jackson和Wolinsk71996年提出的经济网络的内生形成模型的基础上,进行模型的动态扩展研究．探讨在网络中随时间序列的变化,每个时间步内都有一个新节点增加的动态变化状态下,模型构成的变化情况．随着网络的动态变化,模型的稳定性和静态网络中的稳定性是不同的,因此也探讨了在动态模型中动态稳定性的含义,并给出了不同约束条件下,形成的动态稳定网络结构及其有效性的初步探讨．     

时间序列模型和神经网络模型在股票预测中的分析

利用MATLAB软件编程建立AR模型、RBF和GRNN神经网络模型,滚动预测上证指数开盘价、最高价、最低价和收盘价与实际价格对比,分析误差.结果表明,3种模型用于股票预测均是可行的,误差很小.AR模型不稳定,对个别预测较准;RBF和GRNN网络训练速度都很快,但GRNN比RBF预测效果好.     

Robust goodness-of-fit tests for AR(p) models based onL 1-norm fitting

A robustified residual autocorrelation is defined based onL ₁-regression. Under very general conditions, the asymptotic distribution of the robust residual autocorrelation is obtained. A robustified portmanteau statistic is then constructed which can be used in checking the goodness-of-fit of AR(p) models when usingL ₁-norm fitting. Empirical results show thatL ₁-norm estimators and the proposed portmanteau statistic are robust against outliers, error distributions, and accuracy for a given finite sample. Project supported by the Foundation of State Educational Commission and a research grant from the Doctoral Program Foundation of China (#97000139).