细胞周期蛋白依赖性激酶CDK4抑制剂的3D-QSAR研究

采用比较分子场分析法（comparative molecular field analysis，CoMFA）和比较分子相似性指数分析法（comparative similarity indices analysis，CoMSIA），系统研究了57个CDK4酶抑制剂的三维定量结构-活性关系．所建立CoMFA和CoMSIA模型的交叉验证系数q^2值分别为0．656和0．811，非交叉验证相关系数r^2分别为0．954和0．969，都具有较好的预测能力．CoMFA和CoMSIA模型的三维等值图直观地解释了化合物的构效关系，为进一步研究提供了重要依据．     

基于最小二乘加权支持向量机的个人信用预测模型研究

针对不同类别样本数差异和不同误分代价的分类问题，提出了一种基于最小二乘加权支持向量机的分类预测方法。在最小二乘加权支持向量机的基础上，考虑不同类别样本数差异和不同误分代价，提出了新的最小二乘加权支持向量机分类模型，构造了新的最优分类函数。将该模型应用于个人信用预测实验，与已有方法的对比实验结果表明，提出的模型在解决不同类别样本数差异和不同误分代价的个人信用预测问题时，有效地降低了总误分代价，提高了个人信用预测精确度。     

外噪声作用下可激发系统中的预测同步现象

采用数值模拟方法研究了由2个完全相同的可激发系统,通过单向延迟反馈耦合连接所组成主动-从动系统中的预测同步现象.结果表明在相等的外噪声作用下,当延迟时间和耦合强度在适当的范围内取值时,从动系统发生放电活动时所产生的动作电位能够预测主动系统发生放电活动时所产生的动作电位,即出现了预测同步现象,并且预测时间不可能大于主动神经元的响应时间.     

有限总体QR—型予测的影响统计量

本文利用超总体模型,得到了Wright引进的QR-型予测的影响统计量及统计量的分布。并把这些结果应用到比率模型中人们所熟悉的几种子测。如Horvitz-Thompson比予测,最佳线性一无偏予测和Brewer的予测等     

小波分析方法在金融股票数据预测中的应用

利用小波分析预测方法对金融数据—股票收盘价这一典型的非平稳时间序列进行预测.使用M a llat小波分解算法对数据进行分解,对分解后的数据进行平滑处理,然后再进行重构,而重构之后的数据就成为近似意义的平稳时间序列,这样就得到了原始数据的近似信号,再应用传统时间序列预测方法对重构后的数据进行预测,将预测结果与实际值,以及和传统预测方法预测结果比较,小波分析方法预测效果更为理想.     

对2000年高考数学试题的预测

每年的高考数学试题将会如何改革 ,以何种形式面世 ,都是广大数学教育工作者非常关注的问题 .要做高考数学试题的预测是非常困难的 ,属于国家级机密的高考试题是很难猜中的 .但是 ,由于高考是国家组织的选拨人才的重要考试 ,受到政治形式、社会思潮、招生需求、考试条件、学科观念等的影响甚至制约 ,其试题的改革与发展也必然是有一定规律可循的 .那么 ,世纪之交的高考数学试题将会怎样改革呢 ?要回答这个问题 ,笔者以为 ,首先要学习全国第三次教育工作会议精神 ;其次是要学习教育部 1998年底公布的高考改革方案、教育部考试中心公布的1999…     

权马尔可夫链在人口死亡率时序误差预测中的应用

针对人口死亡率时间序列既有摆动又有一定趋势的特点,首先对人口死亡率的时间趋势项进行拟合,然后对人口死亡率的误差序列进行分析,提出了以规范化的自相关系数为权,用加权的马尔可夫链来预测人口死亡率状况。并通过实例对该方法进行了具体的应用。     

基于支持向量机的中国工业增加值预测研究

工业增加值是衡量一个国家工业发展水平的重要指标。由于其受多种因素影响，对其预测相对困难。本文提出运用时间序列预测方法对其预测，并利用支持向量机和微分进化算法（differential evolution，DE）相结合的方法对中国工业增加值数据进行预测。数据仿真显示该模型比核主成分分析的最小二乘支持向量机（KPCA-LS-SVM）以及岭回归（ridge regression，RR）具有更高的预测精度。     

基于损失函数的GARCH类模型波动率预测评价

本文的目的是通过利用多种损失函数评估三种GARCH模型的预测精度，找到最优的股指期货日内波动率研究预测模型。利用之前的研究结果，三个沪深300股指期货日内一分钟日内收益率被用作研究对象，对标准GARCH,eGARCH以及RealGARCH三个模型做了实证检验，并利用多种损失函数，从不同角度衡量三个波动率模型的预测精度。研究发现：Sample1样本的RealGARCH模型有最好的预测效果，而Sample2样本与Sample6样本的eGARCH模型有最好的预测精度。因此，在对沪深300股指期货日内波动率研究时，应根据其样本特征，优先选择具有能够反映非对称特征的波动率模型来刻画波动过程，对未来波动率做预测。     

基于Stacking算法集成的我国信用债违约预测

通过对2014～2019年我国信用债违约案例的原因分析及相关文献综述，从债券资质、债务主体、财务数据、宏观因素四个维度构建债券违约的指标体系，利用随机森林算法优化，研究发现当影响因素选择18项与37项时，样本内外预测结果达到均衡。基于不同角度的七种算法对比分析，择优选取三种作为底层算法：随机森林算法、梯度提升决策树算法与贝叶斯算法，并结合逻辑回归算法为次级训练算法融合构建基于Stacking算法集成的债券违约预测模型。实证结果表明，第一，Stacking算法的双重集成作用相对底层的单次集成总体精确度提升了1%到8%;第二，对不同指标数量的Stacking算法集成模型的评估表明所构建的指标体系提高了预测水平；第三，基于样本内外预测均衡的底层算法选择方法有效可取，分别纳入相对劣势的底层算法时，会逐渐影响模型稳定性。研究成果可以为我国债券市场风险管理提供技术支持与参考。