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。     

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.     

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。     

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.     

半绝对离差证券组合投资模型

提出“半绝对离差”这一新的风险度量工具，并与证券收益率的半方差、绝对离差进行比较，给出了基于半绝对离差的证券组合投资模型，该模型采用半绝对离差作为风险的度量工具，综合了半方差的向下风险和绝对离差的一阶矩在的优点，利用“上证30指数”中的30种成分股票作为样本对该模型进行实证研究，结果表明，在与Markowit模型和绝对离差模型的定性、定量比较中，半绝对离差模型能求解出更优的投资组合，是一种更有效的组合投资模型。     

马科维兹资产组合选择模型的旋转算法

提出线性不等式组的一种旋转算法，并用其求解马科维兹资产组合选择模型，此算法每次迭代约需n^2次乘法和加法，其中n是模型中变量的数目，在微机上运行Delphi程序的实验结果表明，从上海和深圳股市1072支股票70期周末收盘价计算出20个最优投资组合仅需314次迭代和45s。     

二叉树模型下欧式期权价值关于波动率的单调性研究

研究了在市场无套利情况下,二叉树模型的欧式期权价格与标的资产波动率的单调性问题.首先给出了2个新的组合公式,然后借助该组合公式证明了欧式期权价格与标的资产波动率存在单调递增关系.     

分数布朗运动下有红利支付的可转换债券定价

在分数布朗运动环境下,假设股票的预期收益率、波动率、红利率和无风险利率都是时间的确定性连续函数,用通过等价概率测度变换,用拟鞅的方法,得到了分数布朗运动下有红利支付的可转换债券的定价公式。     

基于Copula GARCH模型的上证地产股与金融股的相关性研究

利用Copula GARCH模型,研究上证地产股指数和金融股指数收益率的相关性.利用边缘函数推断法（IFM）建立2个股指对数收益率的时间序列的GARCH(1,1)-t模型.对边缘分布概率积分变化后的2个服从均匀分布的序列,分别建立常相关的二元Copula模型,包括正态Copula函数、Clayton Copula函数、Gumbel Copula函数、t-Copula函数、SJC Copula函数和时变相关的二元Copula模型.对2007年12月10日至2012年3月30日上证交易所地产股票指数和金融180股票指数进行实证分析,讨论2个行业的股票和行业本身的相关性.     

双分数跳-扩散Ornstein-Uhlenback过程下可转换债券定价

随着金融衍生品的发展,出现了高级金融衍生品,可转换债券就是其中之一.双分数布朗运动是更一般的高斯过程,能描述更多的随机现象;而Ornstein-Uhlenback过程是一类重要的移动平均过程.本文考虑突发事件的影响,假定股票预期收益率和股价波动率都为常数,构建双分数跳-扩散Ornstein-Uhlenback过程下的模型,应用保险精算方法,获得可转换债券的定价公式.     

基于对称稳定分布的投资组合风险度量

研究了一类更为广泛的分布一稳定分布下的CAPM问题。利用伴随市场投资组合的协整函数关系,得到了稳定性指数在时的更具一般性的风险系数的表达式,这个结果描述了风险资产的均衡收益率在对称稳定分布下风险与收益之间的一般均衡关系,是风险度量的一种新方法。     

基于失真传递的时域自适应量化算法

码率控制是视频编码器中的关键模块,其算法直接决定编码器率失真性能.视频编码帧间预测导致的编码失真会在时域产生传递效应,考虑该传递效应是优化码率控制算法性能的关键.宏块树码率控制是一种典型的时域量化控制算法,核心是根据编码单元失真传递量(相对传递代价ρ)自适应地调整量化参数(偏移量δ),合适的δ-ρ映射关系是宏块树量化控制算法的核心.宏块树算法采用基于经验的δ-ρ模型,对不同视频序列的普适性有待改进,模型准确度和精度也需进一步优化.针对上述问题,将竞争决策方法用于探索最优δ-ρ映射关系,提出了一种率失真性能优化的失真时域传递自适应量化δ-ρ模型,以改进时域自适应量化算法.实验结果表明,信噪比BD-PSNR较原模型提升了0.14dB以上,SSIM性能提升了0.29dB.算法能更好地控制码率时域分配,降低失真时域传递恶化.     

基于并行的F-LSTM模型及其在电力通信设备故障预测中的应用

电力通信网设备时序故障预测的目标是通过过去设备告警数据,预测设备在下一个时间段是否发生故障,这对设备的管理和维护起着重要作用。为了预测电力设备未来的状态,提出一种Forward-LSTM(F-LSTM)学习模型,对设备故障的时序特征和非时序特征(静态信息)进行并行训练,探索出一种新的对静态-时序数据的训练方法,将其应用在电力通信网故障预测中。F-LSTM结合了两个组件,一个学习时序特征的长短期记忆神经网络(LSTM)与一个处理静态数据的前向全连接神经网络(forward full connection neural networks,FC),数据的静态/时序属性被自动判断并传递给FC或LSTM来并行训练。对于具有同时产生动态数据与静态数据的电力通信网络,Forward-LSTM(F-LSTM)模型能以较高速度与精度预测其故障发生的位置。此外,本文采用一种加权的损失函数,可以更好地捕捉设备故障的时序规律。选取某电力通信网络系统中2016—2017年设备故障数据,对本方法进行测试。实验结果显示,与Xgboost模型相比,F-LSTM模型对故障预测的召回率提高5%,同时F-LSTM模型较LSTM模型缩减了计算量,加快了模型的训练速度。     

基于EEMD-Transformer模型的舆情分析：以COVID-19舆情为例

现有的舆情分析模型,存在滞后性和不准确性,个体选择影响舆情预测的特征具有一定的主观性和不确定性。本文将集合经验模态分解(ensemble empirical mode decomposition,EEMD)方法和Transformer注意力机制相结合,提出一种组合模型EEMD-Transformer。该模型利用EEMD分解技术,将原始舆情事件的热度值进行分解,将分解后的数据通过特征提取器Transformer进行特征提取,然后通过一个全连接神经网络做预测。以新型冠状病毒肺炎(corona virus disease 2019,COVID-19)疫情的舆情为例,用训练好的模型预测COVID-19的舆情走向。实验结果表明,本文提出的模型可以较准确预测舆情趋势,对于辅助政府和企业引导舆情事件发展有重要的作用。     

基于Xgboost的商业销售预测

以德国Rossmann商场的数据为例,通过对数据的探索性分析,以相关背景业务知识体系为基础,通过可视化分析,提取隐含在数据里的特征,使用性能较优的Xgboost方法进行规则挖掘,取得较好效果。为进一步提高Xgboost方法的预测精度和泛化性能,论文结合特征工程,采用集成学习方法,利用GLMNET和Xgboost模型拟合残差,结合LM、TSLM在趋势和季节性预测的优点,提出一种基于Xgboost的优化组合模型用以对行业数据进行预测,通过实验验证了该组合模型具有较好的精度和泛化能力。     

基于中文股票博客的情感分类

根据新浪财经股票博客的特点,使用点互信息(PMI)方法构建了股票情感词典,在所构建的股票情感词典和现有的台湾大学情感词典基础上,结合经典贝叶斯方法对新浪财经博客的情感分析进行研究,并且在中文分词、自然语言处理(NLP)技术的基础上研究文本句法结构对股票博客文本情感分类结果的影响.实验结果表明:考虑文本中的句法细节以后,如词语搭配、否定词和连词等,使用PMI股票情感词典+贝叶斯方法,宏平均准确率从60.19%提高到80.50%,宏平均召回率从原来的59.35%提高到78.70%,宏平均F1值也由59.77%达到了79.60%.     

基于可扩展多目标蚁群算法的土地利用优化配置

传统的土地利用优化配置模型无法灵活应对现实场景中多变的优化目标要求,也无法实现土地利用在空间布局上的优化.根据常见的优化目标进行抽象建模,建立了可扩展的多目标体系,并与蚁群算法有机结合,构建了基于可扩展多目标蚁群算法的土地利用优化配置模型,使土地利用配置在不同目标的指导下能够灵活优化,同时实现了土地利用配置在数量结构和空间布局优化上的统一,为土地利用规划提供了更具现实意义的参考方案.最后对该模型,以杭州市萧山区2015年土地利用格局为基础数据进行实例验证.结果表明:模型能够在多目标体系的指导下,合理配置研究区域的土地利用结构与布局,促进区域土地利用的可持续发展,并针对不同的多目标体系,给出具有不同侧重点的优化方案.     

基于灰色预测模型的参数寻优方法及能源预测应用

能源电力是中国实现双碳目标的关键领域，精确预测未来能源供需及碳排放量，有利于制定低碳转型的可行路径。灰色预测模型GM(1,1)是在能源预测领域应用最为广泛的一种动态预测模型，但其对原始数据要求较高，且GM(1,1)发展系数α较大时，模型可能失效，另一方面，GM(1,1)的另一关键参数灰作用量u直接决定模型预测精度，如果能够找到更优的u值代入模型进行预测，则模型的精度将会显著提高，考虑到这些问题，本文将一种在实际优化问题中表现优良的新颖群体智能算法帝王蝶优化算法(Monarch Butterfly Optimization, MBO)引入到灰色预测模型关键参数α和u的寻优过程，提出了一种全新的灰色-帝王蝶优化预测模型，实现对天津能源供需及碳排放的准确预测，并依据预测结果制定天津2030年碳达峰的低碳转型路径，通过与已有经典文献方法与预测数据的对比，证实了本文所提出的灰色-帝王蝶优化预测模型的有效性和优越性。     

嵌入式人脸识别实验系统的模型压缩及其分析

现有国产化嵌入式人工智能计算平台运算能力有限,不能满足部署人脸识别模型等高复杂度模型的要求。在DarkNet19网络中引入跳连接、模型剪枝,提出了一种基于深度卷积网络压缩的嵌入式人脸识别模型。采用8比特定点量化压缩,进一步实现了该网络模型的轻量化。在国产化嵌入式人工智能实验平台K210上,分别部署DarkNet19、DarkNet53和MobileNet-v1的压缩模型,对比其识别性能。同时分析了模型剪枝、精细化模型、模型量化三种压缩方式对上述三种模型的影响。实验结果表明,基于跳连接的DarkNet19压缩模型在模型参数规模、准确率和推理耗时上有更好的综合表现。