FEPA-金融时间序列自适应组合预测模型

本文报告一种金融时间序列预测的信号分析、信息融合与智能计算组合模型，简称FEPA，由针对金融时间序列（FTS）信号分析的经验模态分解（EMD）、用于数据降维的主成分分析（PCA）和用于非线性建模的人工神经网络（ANN）三部分组成。该模型首先应用滑动窗口截取原始金融时间序列最近期数据集，应用EMD分解算法把数据集分解成不同尺度的本征模态函数（IMF），然后通过主成分分析将分解后的数据降维，提取最有信息量的特征；然后将这些特征输入到神经网络进行组合预测。本文提出的组合预测模型FEPA是基于分解-提优-合成的信息融合思想，有效提高了预测可靠性。其创新点在于：1）首次给出了EMD算法的结构化表达，提供了今后融合更多信息的算法接口；2）通过多步长预测输出深入研究EMD分解的有效信息结构；3）通过切换到更细时间框架来处理EMD的端点效应，并探索了两级时间框架下的预测效果；4）给出了金融时间序列组合预测模型的一般性架构，具有可升级性和可扩展性。并且通过滑动窗口EMD使得实证更能切近实际。通过在沪深300股指和澳大利亚股指上的实证，结果表明FEPA预测模型在沪深300股指日线和15分钟线上的预测命中率高达78%和82%，在澳大利亚股指日线上也达到了74%的命中率，经比较，明显高于文献中常见的5种模型。     

四川省决策咨询研究中分析技术使用现状研究

本文运用结构化标识和多特征组合的分析方法对四川省决策咨询研究中数据分析技术应用现状进行研究。首先,通过文献采样设计和分析主题维度设计原理,选取了近5年来共计3880篇不同刊物类型的研究文献进行了结构化标识;对"定量分析方法"和"数据展示技术应用"两个维度设计的多特征组合问题采用聚类分析方法进行了降维处理,并使用交叉表方法对降维后的特征组合类别进行了解读,在此基础上,对4个维度分别进行统计分析。结果表明:四川省决策咨询领域的报告或文章在定量分析方法使用方面,相对较多地使用因果分析型方法,具有自己的特色;但在定量分析比例、决策和建议部分使用数据支持的比例和数据展示技术等方面尚低于平均水平。     

高维数据对象聚类算法效果分析

虽然经典聚类算法能够有效地处理维度较低的数据对象,但随着维度的增加,算法的性能和效率就会明显下降.本文在对数据对象间的最大距离和平均距离随维数增加的变化趋势实验基础上,对聚类算法的聚类精度随数据对象维度增加的变化特征进行了实验研究.同时,利用复相关系数的倒数对属性进行加权,提出了利用复相关系数倒数阈值实现降维的方法,并取得了良好的实验结果.     

基于近邻截断的跳跃扩散过程波动函数的设定检验

高频数据环境下的波动函数设定检验容易受到数据中跳跃的影响。为此，本文基于近邻截断（nearest neighbor truncation）方法，利用残差构造部分和（partial sum）过程构造出波动函数参数形式的设定检验方法，并分析了该检验方法在原假设条件下的近似极限性质与自助检验步骤。所提出的波动函数设定检验方法能渐近有效的避免跳跃扩散过程的漂移项与跳跃项的影响。蒙特卡洛模拟结果表明这些检验方法对跳跃的影响具有稳健性，且具有合理的检验水平（size）和检验功效（power）。利用这些检验方法对我国的上海银行间同业拆放利率（Shibor）数据进行实证分析，结果表明本文所提出的跳跃稳健的波动函数检验方法比非跳跃稳健的波动函数检验方法具有更好的区分度。     

动态综合评价中的数据预处理方法研究

数据预处理是综合评价的基础，通常包括指标类型一致化处理和无量纲化处理，指标值预处理结果会对后续的评价结论产生较大的影响。针对利用现有静态数据预处理方法对动态综合评价中的三维数据进行处理时会消除数据中隐含增量信息的问题，提出一种动态综合评价的数据预处理方法来解决该问题。通过介绍现有常用评价指标预处理方法，并分析这些预处理方法的特点，扬长避短，提出全局改进归一化方法，作为动态综合评价中指标一致化及无量纲化方法，对指标值进行预处理。最后通过算例比较分析，说明各方法特点，验证全局改进归一化方法是一种有效的动态综合评价数据预处理方法。     

对偶性在线性规划预处理中的应用分析

在当今大数据背景下,从实际应用中抽象出来的线性规划问题的规模越来越大,复杂性越来越高,因此数据预处理技术在线性规划问题求解中的重要性日渐突显。对偶性不仅有助于原始问题的算法（如对偶单纯形法）求解,而且是进行算法求解前的预处理步的重要组成部分。针对后者,本文基于有上下界的线性规划模型,详细分析总结了将对偶性应用于预处理中的两种方法：优先列和比例列的处理,并利用无效约束的概念证明了弱优先列的性质,最后应用C语言将预处理方法进行编程实现,以国际通用题库中变量个数大于1500的标准线性规划问题为实例进行测试。实例测试结果表明：（1）对于一般线性规划问题而言,对偶性在预处理中的应用能够有效减小问题规模,一方面体现在直接减少问题的变量数和非零元数,另一方面通过影响其他预处理方法间接减少问题的约束个数;（2）从减小问题规模的角度,对大部分问题而言比例列的预处理效果优于优先列。     

成分数据预测模型及其在中国产业结构趋势分析中的应用

在社会经济技术等领域的数据分析中，饼图是一种很常用的统计图形，用以表示在某一事物中各种成分所占的比重。饼图中各份额数据的组合又被称为成分数据。对于一序列按照时间顺序收集的成分数据，本文利用球面投影的方法，给出一种成分数据的降维方法和预测模型，用于分析成分数据中每个份额随时间的变化规律。根据成分数据的预测建模方法，建立了中国产业结构的预测模型，并对中国三次产业结构的发展趋势和未来状况进行分析。     

基于关联规则算法的电力企业财务信息异常数据智能挖掘方法

常规的电力企业财务信息异常数据挖掘方法以集群挖掘与分段挖掘为主,同一类别的异常数据挖掘效率较低,影响财务数据整合效果。因此,本文设计了基于关联规则算法的电力企业财务信息异常数据智能挖掘方法。此方法标注电力企业财务信息数据挖掘异常点,建立电力企业财务信息数据集,逐步探查数据集中的异常数据,并将异常数据汇总到一个数据单元中,形成财务信息数据异常点。本文基于关联规则算法挖掘电力财务异常频繁项集,在电力财务数据异常点中,挖掘出存在价值的信息,确保异常数据挖掘的准确性。采用对比实验,验证了该方法的数据挖掘准确性更高,能够应用于电力企业财务管理工作中。     

基于UPM-LPM的增强指数投资策略

增强指数投资策略的理念是基于部分成份股构建指数跟踪组合，以期在跟踪指数趋势的同时，获取超出指数平均收益的超额收益。本文将指数收益率作为目标收益，拓展经典下偏矩（Lower Partial Moment，LPM）的概念，使其适应于增强指数投资策略建模，同时给出上偏矩（Upper Partial Moment，UPM）的定义，进而构建基于UPM-LPM之比的增强指数模型。为解决模型的求解复杂性和高维投资组合的"维数灾难"问题，本文运用非参数核估计方法直接得到跟踪组合的密度函数，进而得到跟踪组合的LPM和UPM的解析表达式，避免对组合中各资产之间的高维联合分布进行估计，大幅度降低了估计的维度，克服"维数灾难"问题。而且LPM和UPM的核估计量是组合头寸的光滑函数，具有任意阶导数，便于优化问题求解。最后，本文运用沪深股票市场上五个常用指数及其成份股数据，检验模型在实际金融市场中的表现，结果表明：本文提出的增强指数模型能够战胜指数，同时实现跟踪指数趋势并获取稳健超额收益的目标。     

机组组合优化问题的一种改进的动态规划方法

本文提出一种确定机组组合的降维半解析动态规划方法,可以与其他经济调度算法相结合,用以解决多种约束条件下的机组组合问题.该方法通过比较各时段负荷及机组参数,剔除各时段下不满足要求的组合状态,从而减少动态规划中的状态点数;根据机组的最小连续运行、停运时间限制,以及机组功率上升、下降速度的约束,剔除了状态点间的无效路径,从而减少了动态规划的路径个数,达到降维的目的;在确定机组启停状态后,再采用解析法进行机组的功率分配,可以大大提高动态规划方法的效率.     

中文专利文本聚类方法研究

该文提出了一种针对中文专利文本的聚类方法.使用自组织特征映射算法获得初始的聚类中心,并以此作为K-means算法的初始输入,从而得到最终的聚类结果.这样的组合可以在提高聚类准确率的同时,降低运行时间.在聚类之前还对文本进行LSI降维操作,降低了特征向量的维数,使得SOM和K-means两个对维数敏感的算法可以更加有效和快捷.     

个体投资者情绪与股票价格行为的互动关系研究

本文运用情感分析技术，在情感倾向点互信息（SO-PMI）算法的基础上，引入"拉普拉斯修正"和"情绪分类阈值"，提出了一种改进的个体投资者情绪度量的SO-LNPMI算法；基于上证指数股吧的31万条论坛信息，运用格兰杰因果检验方法研究了个体投资者情绪与市场收益率和成交量的互动关系。研究表明：（1）与经典的SO-PMI算法相比，本文提出的SO-LNPMI算法的情感识别精度更高；（2）积极情绪是股票收益率的格兰杰原因，消极情绪对其影响不显著；（3）投资者情绪与成交量存在双向的格兰杰因果关系；（4）当投资者处于积极状态时，会热衷于使用表情符号表达情绪。本文的研究为投资者情绪度量提供了一种新的有效算法，有助于投资者更好的利用网络论坛信息进行投资决策。     

基于项目网络支配和扩散关系的研发项目组合选择

项目组合包含多项目且项目间存在相互作用和依赖关系，针对传统项目组合评价方法忽略了各项目间依赖关系的不足，本文采用复杂网络理论和PageRank算法，提出一种新的项目优先级排序方法（PPRM）。首先，本文建立研发项目多属性评价准则，分析了项目间的支配关系以及技术和经验在项目间的扩散关系。然后，以项目为节点、以支配和扩散关系为边，分别构建了项目支配和扩散网络，进一步，采用设计结构矩阵（DSM）和K-shell方法建立了基于支配网络的项目影响力模型，并建立了考虑项目之间多次扩散传播的综合扩散概率模型。综合项目节点影响力和扩散关系，本文构建了基于PageRank算法的研发项目优先级排序模型。最后，以某研发项目组合选择为例，验证了本文所建立的模型和算法可有效分析项目组合中的排序问题。     

基于KPCA-CNN-DBiGRU模型的短期负荷预测方法

本文针对已有神经网络模型在短期负荷预测中输入维度过高、预测误差较大等问题,提出了一种结合核主成分分析、卷积神经网络和深度双向门控循环单元的短期负荷预测方法。先运用核主成分分析法对原始高维输入变量进行降维,再通过卷积深度双向门控循环单元网络模型进行负荷预测。以第九届全国电工数学建模竞赛试题A题中的负荷数据作为实际算例,结果表明所提方法较降维之前预测误差大大降低,与已有预测方法相比也有大幅的误差降低。     

基于变量选择和遗传网络规划的期货高频交易策略研究

高频交易在当前国际金融市场上炙手可热,股指期货的推出、融资融券和转融通业务的开通,使得我国高频交易市场初现端倪。本文立足于我国金融衍生品市场的现状提出了基于LASSO变量选择方法和遗传网络规划的期货高频交易策略。该策略首先使用LASSO从众多技术指标中,选出极少数最有效的指标作为判断函数,然后通过一种进化算法遗传网络规划来搜索合适的买点和买点,从而构建交易策略,并以黄金、铝和橡胶期货的5分钟高频交易数据为例进行回测检验。结果显示:第一,与最优子集法相比,LASSO方法在不降低预测精度的情况下,选出的指标数量最少,且均集中在趋势指标和震荡指标中。第二,通过结合遗传网络规划模型与Q强化学习法,搜索效率得到了显著提高,构建出适合于衍生品市场的简洁有效的交易策略,且在不同品种的期货交易中均超越了"买入并持有"策略,并获取超额收益,在量化投资领域充分体现了实践价值。     

金融时序中异常数据挖掘算法设计及实证分析

金融市场中的数据由于其内在联系,通常表现为相互关联的时间序列。本文主要讨论如何将金融市场中时间序列模型简化为相应的线性模型,继而用传统的线性模型方法去检验异常值的存在,并且判断该异常值是加性异常值还是创新异常值。创新异常值的挖掘对于金融风险的研究不仅具有理论上的意义,而且具有很强的现实意义。最后进行了算法的实证分析,结果表明本文的两种方法在金融市场的研究中是可行的并且行之有效。     

基于WEKA平台的文本聚类研究与实现

文本聚类是文本挖掘领域的一个重要研究分支.是聚类方法在文本处理领域的应用.本文首先对基于空间向量模型的文本聚类过程做了较深入的讨论和总结.另外,本文回顾了现有的文本聚类算法,以及常用的文本聚类效果评价指标.在研究了已有成果的基础上,本文利用20Newsgroup文本语料库,针对向量空间表示模型,在开源的数据挖掘平台WEKA上实现了文本预处理和k-means聚类算法,并根据实际聚类效果,就文本表示、特征选择、特征降维等方面提出优化方案.     

基于特征融合的生鲜商品短期销量组合预测

生鲜产品由于保质期短、易腐易损等特点,对短期销量预测的准确度和可靠性要求极高.为此,本文综合时间、定价、竞价、新鲜度等多种微观层面因素,开展了特征工程分析,并在此基础上提出了生鲜商品销量的ARIMA-NARX组合预测模型.该组合模型首先利用ARIMA模型描述销量时间序列中的线性规律,然后借助衍生降维处理后的特征矩阵,采用NARX捕捉ARIMA残差中的非线性关系,并利用NARX残差预测结果修正ARIMA预测值.最后,将该组合模型的预测结果与ARIMA、NARX、ARIMA-NAR、SVM及回归决策树等模型预测结果及真实观测值进行对比分析,通过MSE/MAPE预测误差评价和DM检验,验证了该组合预测模型的预测能力合理性和有效性,并能较大幅度提高生鲜产品短期销量的预测精度.     

基于数据驱动平滑检验的密度预测评估方法——以香港恒生指数、上证综指和台湾加权指数为例

本文提出了样本内和样本外密度预测评估的数据驱动平滑检验（data-driven smooth test）方法，并分别采用Newey-Tauchen的方法以及West-McCracken的方法来纠正参数估计对样本内和样本外密度预测评估的影响。运用本文提出的检验方法，我们比较了各种最大熵GARCH模型对中国三个股指数据（香港恒生指数、上证综合指数和台湾加权指数）的样本内和样本外预测绩效。结果显示：（1）最大熵GARCH模型可以用来刻画中国股指数据的典型化事实，GARCH模型中考虑了厚尾和偏态特征的Pearson IV分布对中国股指收益率的样本外预测绩效是很重要的；（2）具有较好样本内拟合优度和样本内预测效果的模型未必有很好的样本外密度预测效果，考虑到样本外预测的重要性，实际应用中我们应采用具有较好样本外预测效果的模型。     

基于投资者情绪和深度强化学习的股票投资组合优化研究

我国股票交易市场每天都在产生大量交易数据,为了解决传统交易分析方法难以处理海量数据的缺陷,引入量化投资的方式。但是,量化投资是利用计算机技术建模以挖掘交易信号的一种投资方式,不能脱离传统分析方法和解决投资者对于投资组合管理的需求。为此,本文提出一种融合投资者情绪和改进特征提取网络的深度强化算法的股票投资组合模型,可以借助深度神经网络来处理原始数据,提取新闻和评论情感与股票的时间序列交易数据的特征信息,再利用强化学习不断训练以实现智能决策。为了验证模型的效果,使用HS300成分股中100只流通性好的股票作为资产池,首先改善深度强化学习算法的特征提取网络,使用多层感知机神经网络（MLP）、卷积神经网络（CNN）和长短期记忆神经网络（LSTM）作为特征提取网络,应用到深度确定性策略梯度算法（DDPG）、双延时深度确定性策略梯度算法（TD3）、柔性演员—评论员算法（SAC）中。其次,使用基于新闻和评论文本的情绪分析模型计算投资人情绪影响力分值。最后,融合情绪影响力分值输入后重新训练智能体,在测试数据集上,CTD3-LSTM模型最高收益率达到38.81%,欧米伽率为1.35,最大回撤率为14.3...