排序方式： 共有4条查询结果，搜索用时 15 毫秒
1
1.
内容提要：向量自回归模型是多元时间序列分析中最常用的方法之一。在建立模型的过程中模型选择是非常重要的一个环节,如果候选模型不是很多时,可以通过比较每个模型的准则值如AIC、AICc、BIC或HQ进行模型选择。可是,当存在大量候选模型时,我们无法一一比较每个模型的准则值。为了解决这个问题,本文提出一个基于吉伯斯样本生成器的向量自回归模型选择方法,结果表明应用该方法能够从大量候选模型中准确、高效地确认准则值最小的模型。 相似文献
3.
本文从金融科技大数据出发,以人工智能的吉布斯随机搜索(Gibbs Sampling)算法为工具,在大数据框架下建立了针对公司财务欺诈风险的特征因子筛选的一般处理方法与特征提取推断原理,并结合上市公司的财务报表数据进行实证分析,结合从2017年1月到2018年12月证监会对上市公司财务报表信息披露违规的数据样本,筛选出刻画财务欺诈的特征因子并进行了验证测试,支持财务欺诈的识别。本文提出的框架和模型方法可以加强和提升对上市公司财务欺诈风险的识别能力,并实现对公司财务在欺诈方面的探测与预测(Detecting and Predicting)功能。 相似文献
4.
ARMA模型在管理科学领域有着广泛的应用,组合预测可以提高ARMA模型的预测效果,但是如何选择最优模型组是十分重要但尚未解决的问题。本文提出了一个基于Kullback-Leibler信息量(简称K-L信息量)的最优模型组选择方法确定那些与最优模型无显著差异的模型形成最优模型组。最后,本文通过模拟数据比较了基于最优模型组的组合预测与根据AIC准则确定的单个最优模型的预测效果,组合预测效果要优于单模型预测。 相似文献
1