改进随机森林的集成分类方法预测结直肠癌存活性

 癌症是人类死亡的主要原因之一，许多国家在癌症方面的支出占医疗总支出的很大比例。癌症存活性预测作为癌症预后的一项重要工作，可以辅助医生做出更精准的诊疗决策，进而降低癌症治疗成本。近年来，基于数据驱动的癌症存活性预测方法逐渐得到应用，而预测的准确性是评价预测方法性能的主要指标，因此提高癌症存活性预测方法的准确性一直是一个活跃的研究领域。        结直肠癌是一种具有高发病率和高死亡率的癌症，为了提高结直肠癌存活性预测的准确性，利用遗传算法对随机森林进行改进，提出基于GA-RF的集成分类方法。该方法通过遗传算法对随机森林中的决策树实行进化搜索，以提高集成分类准确率为目标选出决策树的满意集成。实验分别使用基于GA-RF的集成分类方法、决策树和参数优化的随机森林训练预测模型预测结直肠癌患者的存活性，利用SEER数据库的结直肠癌数据集对3种方法分别进行10折交叉验证，然后用准确性、敏感性和特异性3个指标对它们进行评价。        实验结果显示，基于GA-RF的集成分类方法的预测精度最高(88.2%)，参数优化的随机森林的预测精度次之(86.4%)，但集成复杂度远高于基于GA-RF的集成分类方法，决策树的预测精度最差(74.2%)，而基于GA-RF的集成分类方法还表现出了最好的泛化性能。        该集成分类方法对随机森林进行了有效的改进，能以更高的运算效率和更好的准确性预测结直肠癌存活性，可以为结直肠癌的预后提供决策参考，弥补经验预测的不足，该方法的提出对节约医疗资源、降低医疗成本、提高患者满意度具有实际意义。     

移动医疗服务中医患互动对患者感知价值的影响——以知识共享为中介变量

 移动通信和物联网等技术的迅速发展和深入应用，促使移动医疗成为公立医院医疗服务创新的重要技术手段。在三甲医院大力推广移动医疗的背景下，如何确保系统的有效使用、提高患者就诊的感知价值进而实现以患者为中心的服务创新成为行业和学界专家共同关注的问题。        从患者的层面分析移动医疗中医患互动对患者感知价值的影响。①从价值共创理论视角探讨移动医疗中医患之间的知识共享为医疗服务带来的价值创新，比较移动医疗与传统医疗服务中医患互动的变化；②提出医患互动对患者感知价值的积极影响以及知识共享在两者之间的中介作用的研究模型；③通过结构方程模型方法进行实证分析。研究人员在三甲医院的内科、外科和儿科挑选使用移动医疗技术的患者进行访谈，收集线上和线下不同科室420份患者的有效数据，运用Spss和Amos验证患者感知价值的结构维度以及知识共享的中介作用。        研究结果表明，医患互动对患者感知价值有积极作用，知识共享在医患互动与患者感知价值之间起中介作用，并将模型解释度提高到0.683。传统医疗注重医生与患者的临床知识转移，移动医疗不仅实现了临床知识的充分转移，还实现了患者知识的采集，形成了医生知识和患者知识的聚集效应，以及所有知识在网络中的共享机制，这些知识的共享为患者就医带来效率价值、功能价值、情感价值和社会价值。        研究结果进一步丰富了移动医疗中患者感知价值形成机制的范式研究，以及医患互动和医患知识共享行为等领域的研究，为医院如何设计移动医疗应用、满足患者就医需求提供理论指导依据。     

在线医疗健康服务医患信任影响因素实证研究

 在线医疗健康服务作为线下医疗健康服务的补充对缓解医疗资源相对不足等问题有着重要的意义，而信任作为人际关系的基石对在线的医患关系有深刻影响，因此有必要研究在线医疗健康服务中的医患信任问题。        有诸多因素影响医患信任，医患信任的提升对患者的行为意向也有积极影响。以在线医患信任为核心，重点从患者角度研究在线医疗健康网站中医患信任的影响因素，分析个人、网站、医院和医生4个方面的影响。同时，感知风险和感知收益从宏观上也会影响在线患者信任和患者行为意向，也将其纳入分析。基于此，以信任模型的概念框架以及感知风险和感知收益等理论为基础构建模型，提出9个假设。以有在线医疗健康网站中服务经验的用户为研究对象，使用问卷调查的方法进行调研，获得271份有效样本，利用结构方程模型的实证方法对研究假设进行检验。        研究结果表明，除个人信任倾向外，医患信任影响因素中的网站、医院和医生的可信度均对在线患者信任有显著影响，其中网站因素的影响程度最高，在线患者信任也显著影响患者行为意向。感知收益和感知风险对在线患者信任也有显著影响，但对患者行为意向的影响不显著。        将医患信任的研究从线下延伸至线上，探讨在线患者信任的影响因素。研究结果为研究在线医疗健康服务中的患者信任提供理论依据，同时为在线医疗健康服务的发展提供参考策略。     

广义双指数分布的跳跃扩散模型下股指期货波动研究

 金融期货市场既存在平常信息引起的连续性波动，又存在突发冲击造成的跳跃式波动，金融市场波动同时具有扩散性和跳跃性特点。同时，金融期货市场与现货市场间的跳跃和波动行为存在着风险溢出效应和羊群效应等。并且，金融资产收益在跳跃过程中呈现出非高斯属性，正态分布假设不能刻画跳跃和波动中的程式化现象，如噪音分布的尖峰厚尾、有偏特征等。        考虑到金融期货序列分布的尖峰厚尾、有偏、非对称现象，采用非对称、有偏的广义双指数分布刻画收益率非高斯特征；同时考虑到金融波动序列的时变性、集聚性和异方差性以及收益与波动之间存在着杠杆效应，将有偏的广义双指数分布引入到收益序列和波动序列均存在跳跃且跳跃相关的双层跳跃扩散模型，构建广义双指数分布驱动的双层跳跃扩散模型，并从理论上分析模型的优越性。根据模型的似然函数估计式，使用马尔科夫链蒙特卡洛模拟迭代求解广义双指数分布驱动的双层跳跃扩散模型参数，将构建的模型应用到中国股指期货和现货市场进行实证研究，分析中国股指期货和现货市场各自的跳跃和波动行为特征以及市场间跳跃和波动的风险关联性，包括对两类市场跳跃形态的非高斯特征分析股指期货市场与现货指数的波动协同性描述，以及股指期货与现货间的跳跃溢出行为、跳跃强度和跳跃大小分析等。        研究结果表明，广义双指数分布驱动的双层跳跃扩散模型较好地捕获了收益率分布的尖峰厚尾特征；股指期货收益和股指现货收益上涨与下跌概率呈现非对称性；股指期货波动强度高于股指现货波动，而股指期货波动的持久性低于股指现货；股指现货的杠杆效应表现更强；股指期货和股指现货市场存在双向跳跃溢出效应。        研究结论有利于理解中国沪深300股指期货市场和现货市场之间的跳跃风险传染机制，对于深入认识期货和现货市场的风险溢出关系、促使投资者规避风险和监管机构加强监管具有一定的参考作用。     

基于强化学习算法的自适应配对交易模型

 配对交易是统计套利中最主要的交易策略，但随着市场有效性的逐渐提高，该策略的获利机会正变得越来越有限，传统的固定参数交易模型已难以保证配对交易一直获得最大利润，交易模型的参数不仅需要优化，而且还需要动态地、自动地调整优化值，因此有必要研究开发具有人工智能属性的参数动态优化交易模型，这对于提升交易模型的盈利能力和执行效率具有重要意义。        自适应配对交易模型是对传统的协整配对交易策略进行改进，推出一种基于强化学习模式的新型统计套利交易模型；将Sarsa强化学习算法和ε-greedy策略与新模型相结合，把模型参数的确定方法由传统的主观经验法和固定参数法改进为自适应模式的动态参数优化法；编制的计算机程序仿真实现了基于新模型的套利交易全过程，涵盖模型参数的动态优化、套利交易的模拟操作以及交易绩效的测量评估；以中国债市交易量最大的5种债券为样本，构建4组配对组合，采用Johansen协整检验法、T检验和Robust稳健性检验等方法对交易模型和测试结果进行实证分析。        研究结果表明，新模型的运行效果全面优于传统模型。新模型显著提升了交易系统的获利能力，收益率和索提诺比率大幅提高；同时降低了投资风险，最大回撤出现明显下降；还提高了套利交易的执行效率，交易次数明显减少，套利成本下降；具有持续学习的能力，能促进累计收益率不断上升并最后收敛于最大值。研究结果还表明，协整配对交易在中国债券市场同样具有有效性，能够获得显著正收益。        将强化学习思想与协整配对交易策略相结合，设计开发出一种新型配对交易模型，实现了模型参数的自适应动态调整。这种改进型交易模型有助于应对传统配对交易策略获利能力的下降，进一步提高配对交易策略的效率和绩效。在中国融资融券和股指期货等做空机制开闸的市场环境下，新模型可为投资者提供一种有效的套利手段和风控工具。     

工会公平感对工会公民行为的影响：基于公平敏感性

 工会公民行为对工会广泛联系员工、切实发挥各项职能有着积极作用，当工会发挥作用保障了工作场所的公平、公正时，可以引发员工的工会公民行为。在此过程中，已有研究关注到人所具有的不同动机，分别通过经济性和情感性作用机制对这一过程进行解释。但因不同员工个体的生活经历、教育背景和个性特质等差异，这两种机制在现实中发挥作用的强度也不尽相同，这一点鲜少受到已有研究的关注。        基于情景理论对人的解释，分别以工会工具性信念和工会支持感作为中介变量，引入公平敏感性作为调节变量，构建员工工会公平感影响工会公民行为的实证研究模型。以307名非公有制企业的工会成员为样本，构建层次回归模型，深入分析对公平偏好不同的员工受到经济性和情感性作用机制不同程度影响的变化规律。        研究结果表明，①工会公平感与公平敏感性的交互作用可以分别对工会工具性信念和工会支持感产生程度不同的影响，高公平敏感性员工易产生更强的工会工具性信念，低公平敏感性员工则会产生更强的工会支持感；②在公平敏感性由高到低的变化过程中，工会支持感的增强程度大于工会工具性信念的减弱程度。        研究通过实证方法验证了在工会公平感影响工会公民行为的过程中，对公平偏好不同的员工所受经济性与情感性机制影响存在强度差异，为工会公平感与工会公民行为的关系做出了适应不同情景变化的解释。而在调节作用的影响下，情感性机制的变化程度大于经济性机制，这与当前中国工会维稳职能强于维权职能的现状相符合。结合研究结果和中国工会的现状，分别为工会、企业和政府三方提出了按需提供帮助、增强工会-企业合作、进一步完善劳动法律体系等政策建议，以期推动工会更好地发展。     

序列相关性在资产组合绩效改善中的作用

  均值-方差理论是资产组合领域的经典理论之一，由于参数估计的不确定性，均值-方差最优风险组合在样本外检验中绩效较差。因此，构建估计误差更小的估计值成为资产组合领域的重点问题，现有方法主要从改善期望收益、协方差和利用边际信息来减少估计误差。         研究证券收益间的序列相关性在改善投资组合样本外绩效的作用。首先，将序列相关性引入资产组合构建过程中，以改进均值-方差最优风险组合，利用向量自回归模型挖掘序列相关性，并对证券收益的期望收益估计进行改进，实证检验向量自回归模型是否能够提高资产组合的样本外绩效。其次，针对改进后的均值-方差组合绩效不稳定和换手率较高的缺点，利用收缩估计的思想联合均值改善组合和简单分散化组合，给出最优收缩强度的估计值，从理论和实证两个方面说明新提出的资产组合对资产组合绩效的改进效果。最后，在1997年至2015年中国A股市场的4组数据集上进行实证检验，比较14种投资组合的样本外绩效。         研究结果表明，序列相关性有助于改善股票组合的样本外绩效。①向量自回归模型预测值的均值-方差组合取得了比样本均值的均值-方差组合更好的样本外绩效，向量自回归模型预测值比历史样本均值更适合作为资产期望收益的估计值。②收缩估计组合在样本外框架中取得了更加稳健的结果，在所有的数据集上都取得了高于简单分散化组合的确定性等价收益，最优收缩强度估计值的分布情况也肯定了收缩估计方法在减少资产组合估计误差中的有效性。         向量自回归模型和收缩估计方法有助于市场参与主体更好地认识和分析参数不确定性的影响，对于缓解参数不确定性的影响、减少估计误差、提高投资者的效用具有一定的参考意义，更好地利用序列相关性得到显式解是未来可能的研究方向。     

证券市场的期现基差与流动性

 2015年股市危机期间中国证券市场的流动性尽失，甚至一度出现“千股跌停”这一罕见情形，监管层随后对股指期货和股市现券卖空进行最为严厉的限制，这一系列举措给实证研究带来一个很好的拟自然实验场景，用来研究中国证券市场的流动性和期现基差问题。        选取中国沪深300股票指数和沪深300股指期货的5分钟高频数据和日度低频数据为样本，以经典的金融学套利交易理论为基础，对2015年股灾监管前后划分样本区间，使用VAR模型和OLS回归对市场的流动性和期现基差进行分析。        研究结果表明，期现基差是导致套利交易的原因，进而造成订单不平衡，从而减弱了流动性。期现的正向基差比负向基差对流动性的影响大，且这种非对称效应在极端行情下差别更大；当期现基差为正时，套利者可以很容易的卖空股指期货并做多现货，这种订单的不平衡引起现货市场的流动性增加，但是一旦出现负向期现基差，很难卖空股票现货同时做多股指期货，导致流动性下降；高频和低频数据的结论都证明正向期现基差会引发套利，从而使流动性增加。在股指期货和融券交易被限制后，套利交易难以有效进行，期现基差为负，无法通过套利交易增加流动性，这可能是造成2015年股市危机期间流动性尽失的一个原因。        研究结论不仅对2015年中国股市危机期间流动性缺失提供了一种解释，同时也对监管机构如何应对股票市场危机具有启发意义。     

基于随机游走的电子商务退货风险预测研究

 随着电子商务的迅猛发展，电子商务环境下的退货问题日益重要。产品销售中的高退货比例会为企业带来额外的物流和返修等成本，影响企业的正常运营。因此，有效防范退货风险、识别潜在的退货倾向对于提高电子商务企业的管理决策水平具有重要意义。在大数据背景下，电子商务企业积累了大量销售、退货和客户等多源异构数据，可基于此挖掘用户在电子商务平台中购买和退货的行为模式，进而预测退货风险。        针对电子商务环境下的退货风险建模，引入二部图结构组织历史退货记录，并将问题形式化为二部图上的节点排序问题。根据退货的用户和被退货产品的结构特点，在退货二部图中定义随机游走规则，以表征退货风险在不同产品与用户之间的传递，即将客户的退货风险表征为其退货的产品，而产品的风险表征为相关的客户。此外，考虑到退货记录的稀疏性问题，进一步引入影响退货的用户和产品等各类特征，作为随机游走的先验信息，从而提出一种融合特征的退货风险预测方法。        针对提出的预测算法，采用淘宝网一户商家的真实退货数据进行实验，实验结果表明，提出的退货风险预测方法与同类方法(如SVD和NMF等)相比具有更高的预测精度，同时相关特征的引入有效提升了模型的预测能力，特别是产品价格和质保证书对于预测精度具有显著的提升。        该方法对于电子商务企业有效防范退货风险、加强客户管理等方面具有较强的实际意义。一方面，可以帮助企业识别具有高退货风险的客户，并加强特定客户的关系管理；另一方面，可以改进对于高退货风险产品的规划，如改进质量、加强包装等。     

数字化时代的区域卫生信息平台顶层设计研究

 近年来政府下大力气开展区域卫生信息平台建设，致力于在医疗服务机构间进行安全和标准化的信息共享，旨在对业务流程和医疗服务效果产生积极影响。但区域卫生信息平台的规划设计相对传统，而医疗领域的环境和技术发展已发生巨大变化，即平台涉及到多方利益的协调和对复杂技术组件的编排，对平台的开发和应用提出了挑战。对此，数字化平台和医疗信息系统的研究强调一个全面系统的顶层设计对促进平台深度应用具有重要意义。        从社会技术系统的视角出发，以服务主导逻辑和网络实体系统为理论基础，提出框架模型。以佛山区域卫生信息平台为例，对参与平台设计、实施和应用的相关组织和人员进行深度访谈，通过明晰区域卫生信息平台中社会和技术元素的交互过程，实现对理论框架的深化和拓展。        研究结果表明，区域卫生信息平台中医疗服务提供者和接受者的角色正在模糊化，平台通过整合和分享多元化的信息、知识和制度等资源，促进不同成员间的价值共创。相应地，各项技术组件被编排成五层级架构，促进平台实现资源整合和再利用。基于此，提出融合社会和技术元素的全面的区域卫生信息平台顶层设计架构。        将服务主导逻辑纳入到区域卫生信息平台的研究，探讨在数字化带动的医疗服务变革环境下平台的角色价值，弥补了已有研究从产品输出的角度分析平台问题而导致的对社会属性探讨的不足。另外，强调平台技术在价值共创研究中的关键作用，认为价值共创要建立在整合并重新组织异质性资源的基础上，拓展了价值共创的研究范畴。提出的顶层设计架构既强调了平台在实践中的服务意识，也阐述了实现医疗服务价值共创的具体过程，为全国各地区的区域卫生信息平台建设提供参考。     

基于结构可变的RBF神经网络的时间序列预测

基于神经网络的时间序列预测方法,需要正确确定网络结构,它关系到所建模型的合理性以及预测的准确性。目前确定网络结构的绝大多数方法,其网络结构一经训练确定便保持不变。然而现实中许多时间序列呈现非平稳性,其结构经常发生变化,这就要求网络结构能够动态可调,因此本文提出结构可变的径向基函数(RBF)神经网络预测模型。并采用序列蒙特卡罗(SMC)方法实现基于结构可变RBF网络的时间序列在线预测;最后采用CRU钢铁价格指数月数据进行实证研究,结果表明该模型的有效性。     

具有最优学习率的RBF神经网络及其应用

传统固定学习率的RBF神经网络在金融时间序列预测方面已经有比较成功的应用,但网络学习率的选择问题却给传统RBF神经网络的使用带来了不便.利用梯度下降法及优化方法推导出了RBF神经网络的动态最优学习率并将其应用于网络学习算法,具有最优学习率的RBF神经网络能够在保证网络稳定学习的同时兼顾网络的收敛速度.为了检验具有动态最优学习率的RBF神经网络的预测效果,对沪深300指数波动率进行了预测实验.实验结果表明,具有动态最优学习率的RBF神经网络比传统的固定学习率的RBF神经网络有着更快的收敛速度,同时也避免了人为选定学习率的不便.     

基于集成支持向量机的企业财务业绩分类模型研究

要想正确预测公司财务业绩,首先必须选择合适的预测方法。现有文献所采用的财务业绩预测模型普遍存在着泛化能力不强的问题。本文提出用支持向量机方法来预测我国上市公司的财务业绩。为了提高预测准确率,本文还用AdaBoost算法对支持向量机进行了改进(集成支持向量机)。在支持向量机核函数的选择上,我们采用了实验法,即对每个核函数及其相关参数的预测效果都进行了测算,以期找出最适用的预测模型。实证结果表明,径向基核函数(rbf)的效果最好,支持向量机方法预测准确率远远高于其它方法。     

Hybridizing logistic regression with product unit and RBF networks for accurate detection and prediction of banking crises

As the current crisis has painfully proved, the financial system plays a crucial role in economic development. Although the current crisis is being of an exceptional magnitude, financial crises are recurrent phenomena in modern financial systems. The literature offers several definitions of financial instability, but for our purposes we identity financial crisis with banking crisis as the most common example of financial instability. In this paper we introduce a novel model for detection and prediction of crises, based on the hybridization of a standard logistic regression with product unit (PU) neural networks and radial basis function (RBF) networks. These hybrid approaches are fully described in the paper, and applied to the detection and prediction of banking crises by using a large database of countries in the period 1981–1999. The proposed techniques are shown to perform better than other existing statistical and artificial intelligence methods in this problem.     

基于RBF神经网络的财产保险公司全面风险预警系统研究

在尝试提出我国财产保险公司全面风险预警指标体系的基础上,利用RBF神经网络构建了财产保险公司全面风险预警模型。然后,对预警信号提出了相应的风险处理方案。最后,利用该RBF神经网络进行全面风险预警,结果表明该网络计算误差小、收敛迅速,网络具有良好的泛化能力。     

基于修剪平均的神经网络集成时序预测方法

由于复杂时序存在结构性断点和异常值等问题，往往导致预测模型训练效果不佳，并可能出现极端预测值的情况。为此，本文提出了基于修剪平均的神经网络集成预测方法。该方法首先从训练数据中生成多组训练集，然后分别训练多个神经网络预测模型，最后将多个神经网络的预测结果使用修剪平均策略进行集成。相较于简单平均策略而言，修剪平均策略不容易受到极值的影响，能够使集成模型获得鲁棒性强的预测效果。在实证研究中，本文构造了两种神经网络集成预测模型，分别为基于修剪平均的自举神经网络集成模型(Trimmed Average based Bootstrap Neural Network Ensemble, TA-BNNE)和基于修剪平均的蒙特卡洛神经网络集成模型(Trimmed Average based Monte Carlo Neural Network Ensemble, TA-MCNNE)，并采用这两种模型对NN3竞赛数据集进行预测，结果表明在常规和复杂数据集上，修剪平均策略比简单平均策略具有更好的预测精度。此外，本文将所提出的集成模型与NN3的前十名模型进行比较，发现两种模型在全部数据集上均超过了第6名，在复杂数据集上的表现均超过了第1名，进一步验证本文所提方法的有效性。     

季节型增长趋势电力消费预测研究：基于中国的实证分析

以我国月电力消费量为例,研究了季节型增长趋势中长期电力指标的预测问题。提出采用离散小波变换对季节型增长趋势历史数据进行分解并对各频率分解系数分别进行重构,在剔除随机性波动后,将长期增长趋势及各规律性波动趋势通过RBF网络进行趋势外推预测,进而通过对不同趋势预测结果进行组合得到电力消费量的预测值。实证分析表明,经过离散小波分解处理后,RBF网络样本的规律性得到增强,其在有效模拟非线性变化规律的同时,泛化能力得以提高,因而具有较好的预测精度。     

粗集与神经网络相结合的股票价格预测模型

粗集和神经网络结合反映了人类智能的定性和定量、清晰和隐含、串行和并行相互交叉混合的常规思维机理。本文建立这样一种混合杂交模型用于股票价格波动趋势的预测,通过粗集对数据的二维约简预处理消除了样本中的噪声和冗余,在提高神经网络预测精度的同时降低了学习负担。为了获得最优的预测精度,本文还利用遗传算法进行属性离散化和网络学习。通过对上证综指的实证研究表明,这种混合杂交模型的性能明显优于BP和GA神经网络模型。     

基于自组织算法的改进型GAANN预测模型

在传统的基于GA算法人工神经网络的基础上作了改进,将训练集分为两部分,在前一训练集训练后获得的网络基础上使用后一训练集进行进一步的训练获得更为优化的网络结构。针对复杂系统建模输入节点难以确定的问题,提出将其与自组织理论相结合,首先使用GMDH方法获得神经网络的初始化节点,然后使用训练好的神经网络模型进行预测。最后,将由此建立的预测模型应用于国家粮食产量预测,取得了令人满意的效果。