基于Petri网的微博网络信息传播模型

微博网络中的信息传播模型是分析用户行为，找出传播路径，确定领袖人物，发现舆情热点等研究的基础。虽然多种不同角度的信息传播模型已经得到广泛研究，但缺乏对信息动态传播过程的直观描述。本文基于Petri网的结构和特征，针对微博网络信息传播过程，提出了一种简单直观的描述模型，该模型首先对微博网络的信息动态传播过程中的对象进行结构化描述。本文根据微博网络的用户结构关系，并利用Petri网的相关理论，形式化解释和定义信息传播基本对象，从而更加直接描述了微博网络中的转发、评论、回复等多种用户行为。在此基础上，本文利用Petri网能够描述信息流动问题的特征，结合颜色Petri网和时延Petri网，从Petri网系统的角度表示信息动态传播路径，并研究网络的动态性质和传播条件，使得信息传播模型更加真实地模拟信息传播情况。最后本文分析信息传播算例和新浪微博真实数据实验，验证了模型的有效性和可行性，为舆情态势分析以及用户行为的研究提供帮助和支持，同时也为其它社交网络信息传播的用户行为描述提供了新的思路。     

大型数据库中数据挖掘算法SLIQ的研究及仿真

大型数据库中的数据挖掘是目前数据挖掘领域重要的前沿课题.SLIQ算法是处理大型数据库数据的有效算法之一.该算法分为三个阶段在预处理阶段,对数值属性进行预排序;在树的构建阶段采用了树的宽度优先增长策略,使得SLIQ能够处理海量的磁盘数据;在树的修剪阶段,采用了一种基于最小描述长度原理的修剪算法.实验结果表明,SLIQ能够较快且准确地处理海量的数据.     

一类稀疏投资组合双层参数估计模型及其应用

带基约束的投资组合问题是近年来投资组合领域的热点问题，但是参数不确定性直接影响了模型的效果。带基约束的投资组合问题所涉及的参数不仅包括以往研究认为非常重要的预期收益率，还包括控制投资组合规模的稀疏度，尤其是最优稀疏度估计方面的专门研究还十分匮乏。为了使带基约束的投资组合模型更好地为投资决策服务，本文从投资者效用出发，用双层规划的思想构建了带基约束的投资组合双层参数估计模型。然后根据模型的特点，设计了无导数优化算法框架，并基于ADMM对算法子问题进行求解。本文实验针对真实的市场数据给出了预期收益率和最优稀疏度的估计，接着通过与等权重策略和含上下界约束的均值-方差模型进行比较，说明了模型及算法的有效性和实用性。最后，将本文提出的双层参数估计模型推广到了更一般的形式。     

基于在线评级和评论的评价者效用机制研究

互联网中对产品和服务的评价越来越受到重视,因为评价能够消除消费者的不确定性,辅助其做出购买决策。大多数在线购物网站中用户的评价包括评级和评论。现有的评价反馈系统和评价研究往往只单独关注评价者之间的评级或评论,而忽略了两者之间的有机统一。评价者的评级并不一定反映评价者的真实评价,很多评价者更倾向于选择评论文本来表达自己的真实情感。本文以从淘宝网抓取的852071条评价数据为基础,通过分析评价者评级和评论之间的不一致性,结合RFM模型,考虑评级和评论两种信息形成的评价效用,提出了RFMA模型来计算评价者的总体评价效用。并据此对好的与不好的评价者进行区分,进一步为消费者的购买决策提供支持。通过对评价者的总体分析可以得出,本文提出的机制更加具有可用性和有效性。     

基于互联网股市信息量和神经网络的股价波动率预测

影响股市价格波动的因素有很多,本文从互联网信息量角度进行讨论.在一般情况下,当有较少的股市信息时,股市相对平静,股价变动也常常较小;当有较多的股市信息时,股市相对波动,股价变动常常也较大.互联网股市信息量的较大变化常常是该公司有特殊事件发生的反映,而股价波动必然是一种连带反应.本文首先从互联网获取金融信息,然后对互联网信息量进行了预处理,接着借助神经网络的学习功能,完成了对殷市信息量和股市价格波动的关联学习,最后将神经网络预测的结果以图形的方式显示给投资者,帮助投资者决策.     

互联网金融信息搜索

传统的搜索引擎对于金融等领域的专业信息的搜索效果不尽如人意,不适合金融专业人士对于专业信息高效准确收集的需求.本文在传统搜索引擎技术的基础上,使用Java技术,提出并完成了适合于金融专业信息收集的基于自然语言的金融信息搜索引擎,并使用排队论,完成了其效率分析.金融专业搜索引擎原型的初步实验表明,对于金融这个特定领域,利用其特点,搜索的结果会比通用性搜索引擎给出的结果要好.本文的金融信息搜索引擎可以帮助金融专业人员高效地收集信息,以及普通投资者对金融领域的专业信息收集,是金融研究应用在互联网和计算机技术上的延伸.     

基于TrTS取样的股票收益率RV测度的改进

由于噪声的存在使得高频数据的分析过程存在着诸多困难,本文探讨了高频数据情况下的金融资产收益率已实现波动率的估计问题。在离散化的跳跃模型基础上,通过混合泊松分布而非传统的连续扩散模型来描述价格过程,并进一步提出了不同于以往文献研究的噪声假设,即在独立同分布的噪声假设基础上放松约束条件,保持噪声的独立性,但是允许噪声强度随时间变化,以此改善了传统的固定时间间隔取样模式。为了进一步改善估计效果,我们结合了TrTS(Transaction Time Sampling)以及一阶偏误修正的RV(realized variance)估计方式RVAC(1) (first-order AutoCorrelation to RV)。对来自两个交易所不同板块股票的价格数据进行的实证研究结果表明,本文的估计方式虽然对于个别股票价格数据会产生与实际背离潜在真实价格参数,但整体上对于已实现波动率的估计效果是比较稳健的。