基于Lasso+SVM的制造业上市公司财务风险组合预警模型

根据组合预测思想构建了基于Lasso+SVM的制造业上市公司财务风险组合预警模型,包括串联型组合和信息融合型组合两种,并选取22个财务指标建立了财务预警指标体系,对我国86家制造业上市公司的财务状况进行了预测,还与单一风险预警模型预测效果进行了比较,结果发现:财务风险组合预警模型的预测效果明显高于单一预警模型,用第t-1年的财务数据进行预测的准确率达到了95%以上;串联型组合预警模型的预测效果最优,用第t-1和t-2年的财务数据进行预测的准确率分别达到了100%和90%.     

基于LS-SVM的管道腐蚀速率灰色组合预测模型

为提高管道腐蚀速率预测精度,建立了一种基于最小二乘支持向量机的灰色组合预测模型.以各种灰色模型对管道腐蚀速率的预测结果作为支持向量机的输入,以管道腐蚀速率的实测值作为支持向量机的输出,采用最小二乘支持向量机回归算法和高斯核函数对支持向量机进行训练,利用训练好的支持向量机进行组合预测.预测模型兼具灰色模型所需原始数据少、建模简单、运算方便的优势和最小二乘支持向量机具有泛化能力强、非线性拟合性好、小样本等特性,弥补了单一预测模型的不足,避免了神经网络组合预测易于陷入局部最优的弱点.模型结构简单、实用,仿真结果验证了其有效性.     

基于混沌最小二乘支持向量机的时间序列预测研究

为了对这种具有非线性特性的时间序列进行预测,提出一种基于混沌最小二乘支持向量机.算法将时间序列在相空间重构得到嵌入维数和时间延滞作为数据样本的选择依据,结合最小二乘法原理和支持向量机构建了基于混沌最小二乘支持向量机的预测模型.利用此预测模型对栾城站土壤含水量时间序列进行了预测.结果表明,经过相空间重构优化了数据样本的选取,通过模型的评价指标,混沌最小二乘支持向量机的预测模型能精确地预测具有非线性特性的时间序列,具有很好的理论和应用价值.     

基于AGA-SVM的非线性组合预测模型

为提高预测精度,提出基于AGA-SVM的非线性组合预测模型.以组合预测模型的误差平方和最小为优化准则,用加速遗传算法对支持向量机参数进行优化选择,并利用支持向量机对单一模型的预测结果进行组合预测.算例结果表明,AGASVM综合利用了各单个预测模型的重要预测信息,其预测误差远远小于各单个模型的预测误差,其预测精度更高,模型的实用性更强.     

非平衡数据集的支持向量域分类预测模型研究

基于非平衡数据集的支持向量域分类模型,提出了一种银行客户个人信用预测方法.首先分析了信用预测的主要方法及其不足,然后研究了支持向量域分类模型及其参数的非负二次规划乘性更新算法,进而提出基于支持向量域分类模型的银行客户个人信用预测方法,最后使用人工数据和实际数据对提出方法与支持向量机预测方法进行对比实验.实验结果表明对于银行客户个人信用预测的非平衡数据分析问题,基于支持向量域模型的分类预测方法更有效.     

基于高斯核支持向量机和遗传算法的优化组合研究

选用2008~2015共8年数据,首先基于高斯核的支持向量机在沪市A股上构建周期性的投资组合,并通过误差图和评价指标与BP神经网络、广义回归神经网络进行比较,结果表明了支持向量机在股票预测上更具有优势.再将改进遗传算法运用于上证股票市场构建最优投资组合,以上证指数作为基准进行比较,得出混合遗传算法优化组合的模型相比单一模型更为有效.     

一种预测接地网腐蚀速率的新方法

针对目前接地网腐蚀预测中的涉及因素较多,提出了基于向量相似度与支持向量回归机(S-SVR)的综合的预测方法应用于变电站接地网腐蚀速率预测模型中.首先将影响接地网腐蚀速率的指标视为1个特征向量并进行无量纲化处理,其次计算各个训练站点的特征向量与实测站点指标向量的相似度;再次,在预测腐蚀速率时,针对传统线性贡献度平均法(LAM)描述非线性存在较大误差的缺陷,提出了先筛选相似度较高训练集再结合支持向量回归机训练模型.经验证,基于向量相似度与支持向量回归机(S-SVR)的综合预测方法预测能力较好.     

基于分形流形学习的支持向量机空气污染指数预测模型北大核心CSCD

针对目前北京、上海和广州地区较严重空气污染问题,建立了基于分形流形学习的支持向量机空气污染指数预测模型.首先采用分形理论计算出空气污染数据集分形维数;其次根据分形维数,采用流形学习将高维空气污染数据集通过非线性映射嵌入到低维空间中,对空气污染数据集进行降维;最后建立基于高斯核的支持向量机预测模型对三地区空气污染指数进行预测.北京、上海和广州三地空气污染指数预测结果表明,该模型较传统预测模型,预测性能更优,具有良好的稳定性和有效性.     

基于分形流形学习的支持向量机空气污染指数预测模型

针对目前北京、上海和广州地区较严重空气污染问题,建立了基于分形流形学习的支持向量机空气污染指数预测模型.首先采用分形理论计算出空气污染数据集分形维数;其次根据分形维数,采用流形学习将高维空气污染数据集通过非线性映射嵌入到低维空间中,对空气污染数据集进行降维;最后建立基于高斯核的支持向量机预测模型对三地区空气污染指数进行预测.北京、上海和广州三地空气污染指数预测结果表明,该模型较传统预测模型,预测性能更优,具有良好的稳定性和有效性.     

装备费用预测中的混合核函数支持向量机

在支持向量机预测建模中,核函数用来将低维特征空间中的非线性问题映射为高维特征空间中的线性问题.核函数的特征对于支持向量机的学习和预测都有很重要的影响.考虑到两种典型核函数—全局核(多项式核函数)和局部核(RBF核函数)在拟合与泛化方面的特性,采用了一种基于混合核函数的支持向量机方法用于预测建模.为了评价不同核函数的建模效果、得到更好的预测性能,采用遗传算法自适应进化支持向量机模型的各项参数,并将其应用于装备费用预测的实际问题中.实际计算表明采用混合核函数的支持向量机较单一核函数时有更好的预测性能,可以作为一种有效的预测建模方法在装备管理中推广应用.     

Autoregressive process modeling via the Lasso procedure

The Lasso is a popular model selection and estimation procedure for linear models that enjoys nice theoretical properties. In this paper, we study the Lasso estimator for fitting autoregressive time series models. We adopt a double asymptotic framework where the maximal lag may increase with the sample size. We derive theoretical results establishing various types of consistency. In particular, we derive conditions under which the Lasso estimator for the autoregressive coefficients is model selection consistent, estimation consistent and prediction consistent. Simulation study results are reported.     

Asymptotic properties of Lasso in high-dimensional partially linear models

We study the properties of the Lasso in the high-dimensional partially linear model where the number of variables in the linear part can be greater than the sample size. We use truncated series expansion based on polynomial splines to approximate the nonparametric component in this model. Under a sparsity assumption on the regression coefficients of the linear component and some regularity conditions, we derive the oracle inequalities for the prediction risk and the estimation error. We also provide sufficient conditions under which the Lasso estimator is selection consistent for the variables in the linear part of the model. In addition, we derive the rate of convergence of the estimator of the nonparametric function. We conduct simulation studies to evaluate the finite sample performance of variable selection and nonparametric function estimation.     

成分数据的组合预测

成分数据是一类具有复杂性质的数据,特别是它的预测研究在管理学与经济学中占有很重要的地位.组合预测则是近年来在预测中应用比较广泛的一种方法,它能够充分利用单预测模型的信息,提高预测精度,增强预测的稳定性,且具有较高的适应能力.本文首次把组合预测方法应用到成分数据的预测分析中,基于成分数据的一些基本性质,利用组合预测得到了较好的预测结果.     

The quantile process under random censoring

In this paper we discuss the asymptotic properties of quantile processes under random censoring. In contrast to most work in this area we prove weak convergence of an appropriately standardized quantile process under the assumption that the quantile regression model is only linear in the region, where the process is investigated. Additionally, we also discuss properties of the quantile process in sparse regression models including quantile processes obtained from the Lasso and adaptive Lasso. The results are derived by a combination of modern empirical process theory, classical martingale methods and a recent result of Kato (2009).     

Bay of Bengal wave forecast based on genetic algorithm: A comparison of univariate and multivariate approaches

Prediction of significant wave height (SWH) field is carried out in the Bay of Bengal (BOB) using a combination of empirical orthogonal function (EOF) analysis and genetic algorithm (GA). EOF analysis is performed on 4 years (2005–2008) of numerical wave model generated SWH field, and analyzed fields of zonal (U) and meridional (V) winds. This is to decompose the space-time distributed data into spatial modes ranked by their temporal variances. Two different variants of GA are tested. In the first one, univariate GA is applied to the time series of the first principal component (PC) of SWH in the training dataset after a filtering with singular spectrum analysis (SSA) for effecting noise reduction. The generated equations are used to carry out forecast of SWH field with various lead times. In the second method, multivariate GA is applied to the SSA filtered time series of the first PC of SWH, and time- lagged first PCs of U and V and again forecast equations are generated. Once again the forecast of SWH is carried out with same lead times. The quality of forecast is evaluated in terms of root mean square error of forecast. The results are also compared with buoy data at a location. It is concluded that the method can serve as a cost-effective alternate prediction technique in the BOB.     

Bayesian adaptive Lasso

We propose the Bayesian adaptive Lasso (BaLasso) for variable selection and coefficient estimation in linear regression. The BaLasso is adaptive to the signal level by adopting different shrinkage for different coefficients. Furthermore, we provide a model selection machinery for the BaLasso by assessing the posterior conditional mode estimates, motivated by the hierarchical Bayesian interpretation of the Lasso. Our formulation also permits prediction using a model averaging strategy. We discuss other variants of this new approach and provide a unified framework for variable selection using flexible penalties. Empirical evidence of the attractiveness of the method is demonstrated via extensive simulation studies and data analysis.     

具有二阶矩有限噪声的Lasso高维统计分析

研究在非高斯噪声下的Lasso的高维统计分析,给出了在误差噪声满足二阶矩有限条件下,Lasso方法的高维界估计,推广了现有的关于Lasso的主要理论结果.所得结果具有一定的理论及应用价值.     

基于自回归XGBoost时序模型的GDP预测实证

GDP是反映一个国家国民收入、居民消费能力和经济发展的重要宏观经济指标,也是制定相关经济政策的重要依据.选择合适的统计方法研究GDP的发展变化规律,进行短期的高精度预测,对我国的宏观经济决策具有重要意义.研究选用基于自回归的XGBoost时序模型对我国1978-2018年GDP进行拟合预测,Rstudio软件运行结果显...     

我国货币供应量的ARIMA模型与预测

本文介绍了符合金融系统预测规律的ARIMA时间序列模型，并根据我国货币供应量实际数据对2008年5月-2009年4月货币供应量走势进行了预测检验。实证预测结果显示与实际№相对照，模型预测精度较高，平均相对误差绝对值仅为1．56％，说明ARIMA模型能比较准确地预测我国货币供应量走势，可为我国货币供应量的预测和走势提供可靠的参考依据，并由此预计在2009年9月货币供应量将突破60万亿元。