基于GMDH神经网络法的中小板上市公司ST分类预测研究

预测上市公司的上市状态对投资者与其他利益相关者至关重要.选取2019年1月1日至3月31日我国中小板116家上市公司的86个财务指标数据,运用GMDH神经网络法对ST公司和非ST公司进行分类预测,预测正确率达到78.26％.进一步采用1:1配对原则(43家ST公司和43家非ST公司)对中小板上市公司进行ST分类预测,预测正确率大幅提高,达到88.24％.由此发现,基于GMDH神经网络法的中小板上市公司ST分类预测具有较好的预测表现.     

基于卷积神经网络的在线产品销量预测分析研究

研究针对在线产品销售的决策需求,结合各行业在线产品的销量影响因素及深度学习算法优势,构建了适用于在线产品的销量预测模型,并重点评估了模型在不同种类在线产品上的适应性。研究过程将全连接模型与CNN的训练结果进行了对比,证明了CNN模型的精度和泛化能力。通过选取非深度学习模型Adaboosting作为对比基线,证明CNN模型在不同类别产品下的性能优势。另外,实验得出经过无监督预训练的CNN模型在销量预测问题上更有效、适应能力更强的结论。     

闽东地质灾害气象预警等级预报研究

降水是引发地质灾害最关键的因素。该文在分析降水与地质灾害产生存在关联性的基础上,提出前期实况雨量、预测雨量与闽东地区地质灾害之间的关系,设立地质灾害气象预报公式,筛选出连续阴雨、短时间强降水和台风期暴雨为主导可变诱发因子,以此为依据建立闽东地质灾害预警系统。     

民族地区碳排放驱动机制分析及趋势预测

使用PVAR模型和VAR模型,从经济、社会、能源三个维度,分析1997～2015年民族地区碳排放的影响因素和发展趋势。PVAR模型方差分解结果表明,当前民族地区碳排放的主要驱动因素为经济发展水平、人口规模和能源消耗量;与结构型指标相比,数量型指标对民族地区碳排放的驱动作用更显著。VAR模型方差分解结果进一步证实,结构型指标是未来民族地区碳减排的关键驱动因素,且作用强度逐年增加,但不同省份碳排放驱动因素的作用路径和贡献强度存在差异,各地区应根据其碳排放的重点影响因素和传导路径,采取差异化减排措施,建立低碳发展长效机制。     

上证50ETF隐含高阶矩风险对股票收益的预测研究

高阶矩是刻画资产收益涨跌非对称和“尖峰厚尾”现象中不可忽略的系统性风险。本文基于我国上证50ETF期权数据采用无模型方法估计隐含波动率、隐含偏度和隐含峰度,通过自回归滑动平均模型提取期权隐含高阶矩新息(Innovations),将它们作为高阶矩风险的度量,探讨其对股票收益的预测作用。研究表明:①在控制换手率和股息率等变量后,隐含波动率对于上证50指数和市场未来4周的超额收益有显著负向的预测作用;②隐含偏度新息越低,上证50指数和市场的超额收益越高,这种预测能力在未来1周和未来4周均显著,但随着时间的推移,隐含偏度新息的预测能力逐渐下降;③隐含偏度风险对于我国股市横截面收益也有显著的解释能力,投资组合在隐含偏度风险因子上的风险暴露越大即因子载荷值越大,则未来的收益会越低;④隐含峰度新息总体上与股票收益负相关。