基于SODM的贝叶斯分类器结构学习及其在客户分类中的应用

将自组织数据挖掘理论引入贝叶斯分类中,提出一种新颖的贝叶斯分类器结构学习算法.算法将基于依赖分析和评分搜索两种贝叶斯网络结构学习思想相接合,根据互信息测度值选择初始模型,用贝叶斯评分作为筛选中间模型的外准则,能够在不同数据集上完成自适应建模过程,包括选择进入模型的变量、确定具有最优复杂度的模型结构等.在 10 个UCI数据集上进行分类测试,结果表明,贝叶斯分类器结构学习算法分类器的分类精度要高于常用的朴素贝叶斯、树扩展朴素贝叶斯以及基于K2算法的分类器.进一步地,在信用卡客户分类数据集german上的学习曲线和抗干扰试验还表明,与朴素贝叶斯、树扩展朴素贝叶斯以及K2等分类器相比,贝叶斯分类器结构学习算法分类器具有更加稳定的分类性能和更强的抗干扰能力.     

产业结构变动与经济周期波动——基于劳动力市场视角的分析与检验

本文旨在从劳动力市场视角分析我国产业结构变动对经济周期波动的影响机理。首先,通过动态因子模型从各省份城镇单位人均工资变动和就业人数变动中提取全国经济周期波动,同时捕捉省份城镇单位人均工资变动、就业人数变动与全国经济周期波动的协动程度,揭示出产业结构变动对经济周期波动影响的两条路径。然后,运用贝叶斯空间计量模型研究三次产业以及第二产业分行业通过上述两条影响路径对经济周期波动的影响。研究结果显示,第一产业对经济周期波动影响较为模糊,第二、第三产业在两条影响路径上对经济周期波动具有显著的非对称加剧作用,而制造业是第二产业经济周期波动效应的主要来源。本文的研究结论对于我国当前如何在加快产业结构升级过程中缓解经济周期波动下行压力具有重要的政策含义。     

基于贝叶斯因子模型金融高频波动率预测研究

构建了包含时变系数和动态方差的贝叶斯HAR潜在因子模型(DMA(DMS)-FAHAR),并对我国金融期货(主要是股指期货和国债期货)的高频已实现波动率进行预测.通过构建贝叶斯动态潜在因子模型提取包含波动率变量、跳跃变量和考虑杠杆效应的符号跳跃变量等预测变量的重要信息.同时,在模型中加入了投机活动变量,以考察市场投机活动对中国金融期货市场波动率预测的影响.预测结果表明,时变贝叶斯潜在因子模型在所有参与比较的预测模型当中具有最优的短期、中期和长期预测效果.同时,具有时变参数和时变预测变量的贝叶斯HAR族模型在很大程度上提高了固定参数HAR族模型的预测能力.在股指期货和国债期货的预测模型中加入投机活动变量可以获得更好的预测效果.     

基于动态跳跃的中国短期利率研究:1997—2010

短期利率研究对固定收益定价和风险管理具有重要意义.把GARCH-Jump及其动态扩展形式引入到VASICEK短期利率模型中,拟合了中国的短期利率过程,检验了理性投资者人假说.实证结果表明:中国的短期利率过程不仅存在GARCH波动,还存在动态的跳跃波动因素;非参数检验表明以贝叶斯决策过程为设定条件的动态跳跃模型,对短期利率拟合得更好,并且预测能力更优,从而验证了中国短期利率市场的投资者在应对异常事件时采取贝叶斯理性决策法则;短期利率跳跃模型对投机和宏观信息冲击有一定的解释能力.     

时间贝叶斯网络及其概率推理

针对贝叶斯网络应用中出现的循环和动态问题,研究贝叶斯网络的时间扩展.给出了时间贝叶斯网络的定义;探讨了时间贝叶斯网络中环的存在合理性判断问题;给出了时间贝叶斯网络的概率推理算法,应用示例说明了方法的可行性.     

基于EMD与DVG的非线性时间序列预测模型及其应用研究

针对具有非线性和不稳定性的时间序列,提出一种结合经验模态分解(EMD)、有向可见图(DVG)网络的动态预测模型。利用经验模态分解将原时间序列分解为多个固有模态函数(IMF),然后对分解后的高频和低频IMF利用快速傅里叶变换得到各自的周期;依据每个周期,从原时间序列的尾部截取长短不一的子序列,然后采用有向可见图算法转换为多个有向网络,利用随机游走在每个有向网络中寻找与时间序列最后一个节点相似的节点;最后,依据平行线法,预测时间序列的下一个数值。原油价格的时间序列是一类典型的具有非线性和不稳定性的序列,利用此模型对WTI原油每日价格进行实证分析。研究结果表明,此模型不但可以有效地预测时间序列的变化趋势,而且具有较高的预测精度。     

预测日元汇率的马尔科夫链方法

对汇率的预测一直是各国政府、金融组织、国际性企业需要面对的问题,汇率的预测方法大体可分为技术分析法和基本因素分析法。其中基本因素分析法更适合长期预测,而Box-Jenkins技术分析法把汇率看作一个随机波动的时间序列,通过对其波动规律的分析,对趋势变动、季节变动和循环变动进行预测,此方法对于短期预测有相当高的精度,但它的不足之处在于对数列中的转折点预测不准。     

金融经济周期模型拟合中国经济的效果检验

金融经济周期理论是经济周期理论领域最新发展的前沿热点。本文将银行部门嵌入DSGE框架中建立金融经济周期模型,依据1992Q1~2011Q1的实际中国经济季度数据校正模型,研究模型拟合实际中国经济的效果。研究发现:(1)基本模型在较大参数范围内能够较好地模拟实际经济中主要变量的数据特征;(2)规则性政策模型和无规则政策模型都不是最接近实际经济的情形,半规则性模型预测的波动特征最接近实际经济的波动特征。     

中国外商直接投资时间序列趋势的实例验证

本文利用时间序列分析理论,对我国外商直接投资(FDI)的发展趋势建立了动态模型,并预测了未来几年我国FDI的发展趋势。此模型利用小波分析剔除噪声对未来预测的干扰,提高了时间序列模型的预测精度。     

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。