稳健AR模型的构建及比较研究

时间序列自回归AR模型在建模过程中易受离群值的影响,导致计算结果与实际不相符.针对这一现象,将Hampel权函数运用于自相关函数中,从而构建出自回归AR模型的稳健估计算法,以克服离群值的影响.并对此方法进行了模拟和实证分析,模拟和实证分析均表明:当时序数据中不存在离群值时,传统估计方法与稳健估计方法得到的结果基本保持一致;当数据中存在离群值时,运用传统估计方法得到的结果出现较大变化,而运用稳健估计方法得到的结果基本不变.这说明相对于传统估计方法,稳健估计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.     

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。     

基于DDC算法的稳健稀疏主成分法及其实证研究

主成分分析是多元统计分析中经典降维方法之一。它有两个固有弊端:一是当样本中存在离群样本时,经典主成分法所得载荷向量、得分往往不符合实际;二是在现实中各主成分载荷往往都会不等于零,甚至经常还会出现次要变量与主要变量的载荷绝对值大小接近的情况,导致主成分可解释性被大幅削弱。另外,传统的稳健主成分法通过删除离群样本后计算载荷向量达到稳健效果,这对于那些只有少数几个变量的观测值离群的离群样本来说是一种欠妥的方法。针对上述几点,本文以DDC (Detecting Deviating Cell)算法为主要的稳健方法,提出一种稳健稀疏主成分法DDCSPCA。模拟实验和实证分析结果表明:DDCSPCA在处理有离群样本的数据时能达到稳健与(载荷向量)稀疏双重效果。而且,其对格离群数据有着以往稳健主成分法所远远不及的稳健性。     

有效因子综合偏好强度与CVaR整合优化模型

本文从股票多维特征因子中选择有效因子,融合形成最大化有效因子综合偏好强度(IPS)的附加理性,构建并验证IPS-均值-CVaR投资组合优化模型。基于沪深300股2006~2015年数据分析显示:(1)有效因子IPS投资组合优越于单因子投资组合;(2)IPS方法相较于因子打分法,具有更优的多维数据整合功效;(3)IPS-均值-CVaR投资组合优化模型相对于均值-CVaR模型具有更优越的资产选择能力,也拓展了投资组合模型的多维数据处理能力和适用性。     

鲁棒均值-CVaR投资组合模型及实证:基于安全准则的视角

考虑证券市场的不确定性,将资产的收益率看成区间随机变量。利用鲁棒优化方法,构建鲁棒均值-CVaR投资组合模型。采用对偶理论,将鲁棒均值-CVaR投资组合模型转换为线性规划问题,降低了模型的求解难度,有助于计算大规模的资产组合。进一步地,考虑投资者的安全性需求,在模型中引入最大违反概率,控制模型的保守程度,并直观反映投资者的安全性要求。采用实证的方法,研究模型的有效性。结果表明:鲁棒均值-CVaR投资组合模型具有较好的稳健性,且满足投资者的安全性要求,在实际的投资决策中具有可行性。     

线性回归模型多个离群点的向前逐步诊断方法

当线性回归模型中存在多个离群点时,经典的诊断方法常常因掩盖和淹没现象而失效,导致模型误用。针对此问题,本文在回顾有关文献的基础上,将稳健回归技术与经典诊断量相结合,提出一种向前逐步诊断方法。通过对模拟数据的分析,说明该法可有效地识别回归数据中潜在的离群点,并作正式的统计检验。     

回归系数的稳健主成分估计

自变量间多元共线关系的存在以及数据集中离群值的存在,对回归系数最小二乘估计产生较大的影响。主成分估计用以抗多元共线,稳健M-估计具有抗离群值的特性。本文探讨了离群值对主成分估计的影响和多元共线对M-估计的影响。在此基础上提出了回归系数稳健主成分估计(RPC),RPC是主成分估计与M-估计的有机结合,它能同时抗离群值和多元共线并保留主成分估计与M-估计的优点。本文应用Monte-Carlo方法,考证了在多元共线与离群值同时存在时,RPC优于Ls估计、主成分估计和M-估计,说明RPC具有一定的实用价值。     

稳健稀疏主成分分析法及其实证研究

主成分分析是多元统计分析中一种非常经典的降维技术。然而,经典主成分分析却是对离群值非常敏感的,常因离群值的存在导致结果与实际不相符。另一方面,当主成分分析用于综合评价时,主成分的含义常因载荷间绝对值大小不分明而含糊不清,从而导致综合评价难以展开。本文通过使用稳健稀疏主成分分析法进行模拟实验和实证分析,结果表明:该方法不仅能很好地抵抗离群值的影响,而且还能准确地识别出离群样本。通过该方法得出的主成分的含义也较经典主成分分析和稳健主成分分析更加地明确和贴近实际。     

CVaR鲁棒均值-CVaR投资组合模型与求解

传统的均值-风险(包括方差、VaR、CVaR等)组合选择模型在计算最优投资组合时,常假定均值是已知的常值,但在实际资产配置中,收益的均值估计会有偏差,即存在着估计风险.在利用CVaR测度估计风险的基础上,研究了CVaR鲁棒均值-CVaR投资组合选择模型,给出了另外两种不同的求解方法,即对偶法和光滑优化方法,并探讨了它们的相关性质及特征,数值实验表明在求解大样本或者大规模投资组合选择问题上,对偶法和光滑优化方法在计算上是可行且有效的.     

稳健统计(Ⅲ)

1.10稳健化和M估计 我们看到正态方法(最小二乘法)不能抵抗(阻尼)离群值的破坏性大影响,它的破坏点为0,影响函数是无界的,总之,它是不稳健的.它可以被改造成稳健方法,这种修正的过程称为稳健化;或者找到另一种代用的稳健方法,称为稳健代用品. 由主观判断识别出离群值;或者用离群值检验诊断的办法,识别出离群值,然后剔除离群值,对于剩余样本用传统的正态方法。这样,实际上已实现了稳健化.L估计中有许多稳健方法,例如,样本中位数、切尾均值都是稳健位置估计.另外,可以从非参数统计中找到稳健代用品。例如R估计就是由(不依赖于总体分布的)秩…     

考虑离群值的稳健链梯法

本文关注于流量三角形中的离群值问题,阐述了链梯法评估的索赔准备金对离群值具有高度依赖性。为了解决这一问题,考虑了一种稳健链梯法,包括计算进展因子的稳健方法和诊断并调整离群值的方法,并应用经典数据和比利时非寿险业务的真实数据进行了实证分析。数值结果表明,稳健链梯法具有优良性能,无论原始数据中存在单个或多个离群值,稳健链梯法都能有效识别并调整这些离群值,以减少离群值对索赔准备金估计的影响。在非寿险精算实务中,异常赔款额是完全有可能出现的,通过比较链梯法和稳健链梯法的评估结果,非寿险精算人员可以进一步分析导致异常赔款额背后的原因,并根据具体情况,采取合理的处理方法调整或保留异常赔款额,提高索赔准备金估计的准确性。     

一个稳健判别方法及应用

在判别分析过程中,当一些学习数据的类别标签发生错误时,传统方法的判别效果不佳.为克服这一缺陷,提出一个基于混合模型的稳健判别方法,参数估计分两步完成.一个模拟数据和一个实际数据的判别结果表明,方法可显著提高分类正确率,比传统方法具有明显的优势.     

一类非线性模型的稳健回归

在生物医学试验数据的统计分析中,经常遇到不规则现象,即出现“离群值”(Ou-tliers).特别是对非线性回归问题,引起严重偏差,本文应用一种改进的方法——稳健回归(robust regression)分析方法,克服了离群值的影响.在实际试验数据的分析中,获得了较好的回归估计.     

基于GARCH类模型的空头市场情景生成与投资组合

2015年中,中国股票市场经历了一轮较强的空头市场,投资者面临市场价格的极大不确定性.而若能有效模拟此类型市场收益波动,对于投资者优化金融决策有积极意义.文章试验了当前主要的几种非对称GARCH类模型及多种残差分布模型,最后发现,利用ARMA-EGARCH-SSTD的组合模型能较好地模拟空头股票数据收益率效果.同时文中采用中国股票市场数据进行算例分析,发现将GARCH类模型情景拟合结果与均值-CVaR模型结合得到的投资组合优化方法能有效管理空头市场环境下的投资组合风险.     

协方差矩阵退化情形均值-CVaR模型的有效边界

本文利用CVaR方法代替方差或CVaR来度量风险,建立了均值-CVaR模型,首先利用等CVaR线的方法研究了包含无风险资产的均值-CVaR模型的有效边界,然后在无套利假设下研究了当风险资产的协方差矩阵是奇异时的均值-CVaR模型,并得到了正态情形下模型的有效边界及其解析表达式.     

基于MRCD估计的高维稳健因子分析方法及应用研究

因子分析是常用的多元统计分析方法之一,其思想是根据变量间的相关关系求出少数几个主因子,利用这些主因子描述原始变量。传统因子分析方法具有不稳健性,如果数据存在离群值会得到不合理的结果。虽然基于MCD估计的稳健因子分析具有良好的抗干扰性,但是MCD估计的精度会随着维数的增加而不断降低,在维数大于样本量的情形下,该方法甚至会失去有效性。为了对高维数据进行有效的因子分析,本文提出基于MRCD估计的高维稳健因子分析方法。模拟分析的结果表明,在高维数据下,相较于传统因子分析以及MCD稳健因子分析,MRCD高维稳健因子分析能够很好地抵抗离群值的影响,得出更为合理的结论。本文在实证分析部分对11个沿海省份进行研究,结果显示MRCD高维稳健因子模型能够有效地得出高维数据的因子分析结果;沿海各省份经济增长质量发展不平衡,上海、广东经济增长质量发展得较好。     

一类基于秩次的稳健线性回归估计与诊断方法

线性回归模型的误差项不服从正态分布或存在多个离群点时,可以将残差秩次的某些函数作为权重引入估计模型来减少离群点的不良影响。本文从参数估计、稳健性质、回归诊断等方面对基于残差秩次的一类稳健回归方法进行介绍.通过模拟研究和实例分析表明,R和GR估计是一种估计效率较高的稳健回归方法,其中GR估计可同时避免X与Y空间离群点,而高失效点HBR估计可通过控制某个参数在稳健性与估计效率之间进行折衷.     

基于稳健判别方法的基因剪切位点识别

基因识别是生物信息学研究的一个分支.多元统计中的判别分析方法模型简单、便于解释,处理剪切位点的识别问题效果良好,但极易受到异常值的影响.对于传统判别分析方法,使用稳健统计量进行优化,得到较好的效果,并通过加权方法进一步提高了判别分析方法的稳健性,取得了更好的识别效果.加权稳健判别分析方法稳健性高、受离群值影响小,对其他分类判别问题具有很好的实际意义和参考价值.     

中国上市公司总资产与营业收人关系的实证分析

企业将资产运用于生产经营活动,并由此赚取更多的资产,即产生公司的收入.因此企业资产与收入之间必定存在一定的相关关系.在对上市公司总资产与营业收入进行一般线性拟合的基础之上,采用分位回归模型对上市公司的总资产与营业收入的关系进行深入剖析.结果表明,传统的线性模型只能揭示出总资产与营业收入呈正相关关系,而分位回归方法能更好地看出,高分位点营业收入的企业在提高一定总资产时,会更能促进营业收入的增长.由于收集到的数据中存在离群点,在第5节讨论了线性分位回归模型的统计诊断,类比于一般线性模型的R square得到不同分位点上的R square.通过删除离群点的处理,得出分位回归模型比一般线性模型更加稳健,数据在高分位点的拟合效果更好一些.