大维协方差阵的估计及其应用

大维数据给传统的协方差阵估计方法带来了巨大的挑战,数据维度和噪声的影响不容忽视.首先以风险因子为自变量,对股票收益率建立线性回归模型;然后通过引入惩罚函数将取值非常接近的回归系数归为一组,近而来估计大维数据的协方差阵,提出了基于回归聚类算法的分块模型(BM-CAR),模型克服了传统的稀疏协方差阵估计的弊端.通过模拟和实证研究发现:较因子协方差阵估计方法而言,BM-CAR明显提高了大维协方差阵的估计效率;并且将其应用在投资组合时,投资者获得了更高的收益和经济福利.     

高维平滑转换因子模型的一致估计

本文设定高维因子模型的因子载荷服从平滑区制转换结构,模型参数的一致估计可通过两阶段估计方法给出。在第一阶段,通过主成分方法估计因子变量;在第二阶段,估计的因子变量视为已知变量,通过非线性最小二乘法估计因子载荷和平滑转换参数。理论研究和随机模拟表明本文提出的两阶段估计方法具有良好的大样本性质和有限样本表现。在实证部分,基于高维平滑转换因子模型研究了美国股票收益率数据的共变特征和非对称效应,结果表明平滑转换因子模型可以较好地刻画美国股票收益率的共变特征和区制转换行为。     

双参数指数分布环境因子的Bayes估计

讨论了定数截尾样本下双参数指数分布环境因子的极大似然估计、区间估计和Bayes估计.以参数后验密度的商密度作为环境因子的后验密度,并结合专家经验运用Bayes方法给出了环境因子在平方损失下和LINEX损失下的Bayes估计.最后运用Monte Carlo方法对各估计结果的均方误差(MSE),进行了模拟比较.结果表明LINEX损失下环境因子的估计较好.     

Pareto分布环境因子的估计及其应用

给出了Pareto分布环境因子的定义,讨论了在定数截尾样本下Pareto分布环境因子的极大似然估计和修正极大似然估计,并尝试把环境因子用于可靠性评估中.最后运用Monte Carlo方法对极大似然估计,修正极大似然估计和可靠性指标的均方误差(MSE),进行了模拟比较,结果表明修正极大似然估计优于极大似然估计且考虑环境因子的可靠性评估结果较好.     

关于线性回归模型的有偏估计

有偏估计方法是近代回归分析的常用方法．本文研究了几种常用的有偏估计方法，澄清了这些方法的区别和联系．对有偏估计的一些关键点进行研究，给出了一种新的岭参数确定法和一种新的主成分概念，并讨论了这些方法的优良性．为了提高有偏估计的效率，提出了用比例因子规范模型的方法．最后，给出了说明本文方法的数值例子．     

链梯法中进展因子估计的数学规划法

对传统链梯法中进展因子估计方法的不足进行了简要分析,提出将两种形式的偏差函数作为目标函数,建立二次规划和目标规划模型对进展因子进行估计.同时,对不同事故年赋予不同的权重因子,以区别不同数据信息在进展因子估计中的作用,弱化异常数据对进展因子估计的影响.通过数值实验对所述方法的可行性进行验证.     

存在项目无回答时的因子分析

在进行因子分析时，调查数据常常存在项目无回答的情况，本文将诸因子作为隐含变量，建立无回答概率与诸因子的统计模型。并给出模型参数的两步估计方法，从而得到了存在项目无回答时的因子分析．实际计算结果说明了本文模型和方法的实践意义．     

基于因子收缩方法的高维协方差估计

高维协方差矩阵在经济、金融、生物等众多领域中有着广泛应用.基于收缩估计模型,构造样本协方差矩阵与因子模型协方差矩阵的凸线性组合,通过对因子模型的改进来提高模型估计精度.在构造因子模型时,引入因子选择准则(pc_p3(k))来确定因子个数:在确定最优权重α时,使用基于MSE(S)分解的思想求解.通过数据验证发现,相较于传统方法,提升了协方差矩阵估计精确性;在构造投资组合模型时,也可以有效降低投资风险.     

2(n1+n2)-(k1+k2)42混合水平裂区设计包含纯净效应的条件

混水平部分因析裂区设计在各类试验中有广泛应用. 在三因子及更高阶交互作用可以忽略这一很弱的假设下, 试验者可以得到纯净主效应或者纯净两因子交互作用成分的无偏估计. 本文给出了含有两个四水平因子和若干二水平因子的混水平裂区设计包含各类纯净主效应或者纯净两因子交互作用成分的条件以及构造相应设计的方法.     

指数和Weibull串联系统环境因子的统计推断

给出了Weibull串联系统环境因子的定义,且研究了元件寿命服从指数分布和Weibull分布时串联系统环境因子的点估计和区间估计,并利用模拟方法研究了所给点估计的精度和广义置信区间的覆盖率.模拟结果表明所给方法是令人满意的.     

一种单因子异方差模型的分析方法

本文提出了一种单因子异方差模型,导出这种异方差分析方法,并给出了模型中均值与方差的估计.通过对仿真和数字化设计模型数据进行检验,结果表明,采用此方法比传统方法更有效.     

动态系统的一阶特征模型与直线伺服系统的自适应迭代学习控制

就线性定常/时变系统以及非线性系统,依据特征模型理论,给出动态系统的一阶特征模型.其特征参数随时间变化,即以一阶时变差分方程描述受控系统的动态特性;与二阶和三阶特征模型相比较,一阶模型具更少参数.为解决由一阶特征模型描述的系统的控制问题,提出基于遗忘因子迭代学习辨识的自适应迭代学习控制方法.迭代学习辨识适于时变参数的估计,它允许被估计参数随时间快速变化,抑或突变.以直线伺服系统的位置跟踪控制为例,给出一种基于特征模型与LQ最优控制策略的自适应迭代学习控制方案.仿真与实验结果表明,提出的控制方案能够有效实现受控系统的位置跟踪控制.     

Gamma分布环境因子的统计分析

证明了Gamma分布环境因子的最大似然估计是有偏估计,且其偏差为正,进而导出了Gamma分布环境因子的近似无偏估计.利用Cornish-Fisher展开导出了Gamma分布环境因子的广义置信区间,另外也给了Gamma分布环境因子的Bootstrap-t置信区间.利用模拟方法研究了所给近似无偏估计和区间估计的精度,模拟结果显示所给近似无偏估计和区间估计的精度是相当好的.     

平衡指数损失函数下具有通货膨胀因子的信度估计

在经典的信度保费模型中,得到的信度保费估计均是考虑的是纯保费,然而在保险实务中,保险公司收取的保费不可能是纯保费,必须具有正的安全负荷.在平衡指数损失函数下给出了具有通货膨胀因子的信度估计.结果表明,在考虑历史索赔数据的样本函数的情况下,当选取一个合适的权重,便可以得到下一期的最优信度保费估计.结论推广了仅在平方损失函数下得到的信度保费.     

基于公共因子扩展的因子分析的EM算法

在一般因子分析模型的基础上,假设连续的潜在向量(公共因子)与另一观察随机向量有关,并假定是一个多元线性回归模型,对由此扩展的因子分析模型进行分析.主要通过EM算法给出模型中参数的估计.文中给出了它的详细推导过程.     

基于协整系统内共同因子的真实GDP估计

能否准确统计GDP对于判断一个国家的经济形势与制定合理的经济政策有着重要意义.GDP有三种统计方法,分别是生产法、支出法与收入法,上述三种方法统计的GDP存在显著的统计偏差,因此单独使用其中任何一种方法统计的GDP反映经济形势都是不科学的。本文根据Gonzalo和Granger(1995)提出的共同因子模型估计中国支出法GDP与生产法GDP组成的协整系统中的共同因子,而该共同因子反映了两种GDP观测值的共同趋势,因此可以作为真实GDP的估计.本文的实证结果表明用上述方法估计的真实GDP优于目前广泛使用的生产法GDP.     

次可加势函数拓扑压及因子映射

本文在满足Standing hypothesis时,通过引入因子映射,给出次可加势函数拓扑压的一个上界估计.     

广义加权损失函数下未决赔款准备金的信度估计

为了使得估计的准备金不依赖于先验分布的具体形式,在贝叶斯链梯模型中,采用信度理论的思想,在广义加权损失函数下得到链梯因子的信度估计,建立了案均赔款法下的未决赔款准备金模型.最后,给出保险公司的实际例子,将得到的信度估计与经典链梯法和随机链梯法估计进行了比较.结论显示,方法对未决赔款准备金是有效的.     

一般最小低阶混杂设计的试验安排

为了更好地应用二水平因子试验估计试验者所关注的因子效应,一般最小低阶混杂(GMC)准则被提出并用于选取最优设计,称为GMC设计.文章旨在研究满足N/4+2≤n≤5N/16 GMC设计的试验安排问题,首先给出了满足N/4+2≤n≤5N/16的GMC2^n-m设计中各列根据因子别名效应数型排序的理论结果,然后讨论了在少数因子较为重要这一先验信息下,将这些重要因子安排到GMC设计列上的方法.     

基于因子隐马尔可夫模型的VaR与ES联合预测

VaR和ES是衡量金融资产风险的重要测度,对风险控制和金融危机的识别具有重要意义。本文以CAViaR模型为基础,通过因子隐马尔可夫模型构造潜变量,作为CAViaR模型的回归系数的组成部分,最终提出了一个含潜变量的VaR和ES联合估计方法(FHM-CAViaR),实现了VaR和ES的联合预测。在该模型中,潜变量由一个因子隐马尔可夫模型驱动,可以刻画市场信息对模型系数带来的长期效应与短期冲击,该因子隐马尔可夫模型的引入实现了分位数回归模型参数在上百个状态间的转换。最后,基于本文提出的FHM-CAViaR模型分别对上证综指、深证综指和纳斯达克指数的对数收益率数据进行实证分析。实证结果表明,本文提出的模型具有更优的预测效果。此外实证结果还表明,在危机期间VaR的序列聚集性有着显著的增加。本文提出的模型可以通过潜变量的变化识别市场的机制变换,且能更精确地对金融资产的VaR以及ES进行估计,给出金融风险度量一种新的研究方法。