向量自回归(VAR)模型中的识别问题——分析框架和文献综述

向量自回归模型(VAR)是时间序列计量经济学的标准分析工具。在VAR模型中施加长期或短期限制,使非限制的约化VAR模型成为协整(VECM)或结构协整向量自回归模型(SVECM)时,存在长期和短期结构识别问题。识别问题在以VAR为模型框架的实证分析中起到关键作用,因此是结构VAR模型研究中的一个重点。本文阐述VECM和SVECM模型中结构识别问题的理论框架,对有关文献进行综述,解释结构VAR模型在实证分析中的应用方法,简述这一领域的最新进展和研究方向。     

我国建筑企业核心竞争力评价体系研究

对建筑企业核心竞争力的理论渊源与内涵特征进行了分析,并通过对国内建筑企业的调研,构建了包括建筑引领能力、建筑整合能力和建筑品牌能力三个方面的建筑企业核心竞争力评价指标体系.在此基础上,运用层次分析法(AHP)和模糊综合评判方法(FCE)建立了建筑企业核心竞争力评价模型,并以实例为证,为建筑企业有效的识别与评价其核心竞争力提供了理论依据.     

GM(1,1)模型适用域讨论及模型的改进

在已有灰色系统理论的基础上,讨论了GM(1,1)模型的适用域,明确界定了GM(1,1)模型的有效区域和禁区,并提出了GM(1,1)模型的一种改进形式——离散灰色预测DGM(1,1)模型.通过对我国经济增长的实证分析说明了该模型的有效性和可靠性.研究结果表明,提出的DGM(1,1)模型可作为灰色预测的一种精确模型,因此,为我国经济增长预测提供了一种新的方法,对当前我国经济的理性增长具有重要的指导意义.     

语音信号中基于EMD法的情感计算

情感计算是情感语音识别的关键.经验模态分解(EMD)算法是Hilbert-Huang变换(HHT)的核心算法,采用分段幂函数插值算法求情感包络线,能达到更好的情感识别效果.利用软件MATLAB仿真了情感语音信号的经验模态分解(EMD)特性,把情感语音信号进行EMD分解后IMF做频谱变换,便能得到一个情感包络线,根据情感包络线的不同而达到情感识别的目的.     

在DEA中有关输出与输入的比值的模型的探讨

对以决策单元的输出与输入的比值为目标函数的多目标规划模型,证明了有关它与(弱)DEA有效(C2R)关系的三个定理.     

DNA中的数据挖掘和启动子识别

直接从序列水平识别启动子（Promoter）有重要的学术价值和可观的经济价值。但是一直没有一个第一、二类错误都小于30％的识别软件。在统计基础上，本文指出了简单利用权重矩阵或保守序列识别启动子的传统方法效果不佳的原因，提出了以转录因子结合位点（Transfactor Binding Sites,TFBSs)的相互作用的信息为基础的启动子识别模型；本文首次指出了7－tuple在启动子识别中的重要作用，提出了无需TFBSs数据库的自学习方法。本文给出了基于上述思想进行的一些统计，并设计了一套启动子识别方法。其在多个检测集上的平均识别结构为：第一类错误小于24％，第二类错误小于21％；最差识别结果为：第一类错误26％，第二类错误24％。     

基于改进灰色马尔科夫模型成品油消费预测

近年来中国经济放缓,成品油的消费一定程度上受到了抑制,2016年,我国汽柴油表观消费量首次较前年下降.成品油消费税率提高,导致部分成品油生产资本向新能源项目转移.根据GM(1,1)模型和马尔科夫模型时间序列预测的长短期互补,首先用GM(1,1)模型对成品油消费量进行预测,随后利用马尔科夫模型对GM(1,1)预测误差项的状态及状态概率进行预估,采用预测状态与其概率的乘积对GM(1,1)预测值进行修正.结果表明,改进后的灰色马尔科夫模型误差小,精度高,适于中长期预测.除此之外,组合模型还可以通过增加误差状态划分的个数,以提高模型预测的精度.     

参数d迭代逼近的GM(1,1)模型及其在技术创新中的应用

首先论述了参数d迭代逼近求解的GM(1,1)模型基本思路.其次,给出了此模型的参数估计与算法,即:1)估算出初始a_l,根据GM(1,1)模型a,c,d之间的关系,由a_l求得C_l,d_l;2)迭代d_l→d_(l+1),再计算a_(l+1),c_(l+1)及平均相对误差mape_l,mape_(l+1);3)多次迭代d_l→d_(l+1),直至|mape_(l+1)-mape_l|ε时,可得mape最小时的最优参数a,c,d值.然后,从理论与实证方面,证明模型是无偏的,且在参数d迭代过程中,a总能取到有意义的值.最后将模型应用于企业技术创新领域之中.     

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.     

SV-M模型下VaR和ES估计的极值方法

本文对随机波动均值内模型(SV-M)应用极值理论(EVT)的方法估计了金融回报的风险价值(VaR)和期望短缺(ES).用SV-M建模异方差金融回报时间序列,刻画了其波动聚类.用蒙特卡罗极大似然方法(MCL)来估计其参数.我们用基于一般帕累托分布(GPD)的EVT拟合SV-M模型的修正分布尾部,刻画了金融时序分布的肥尾特性.因此,本文的极值方法有效地克服了原有方法的缺陷,综合考虑了金融时序的波动聚类及其分布的肥尾特性,给出了合理的VaR和ES估计,对市场风险测度的研究进行了有益的探讨.