基于离散型Kalman滤波器的财务危机预警

文章研究引入时域角度的信号控制对未知数的白噪声控制,并结合离散型Kalman滤波器的递推,进而获得动态样本预测与真实值之间的振荡滤波一步改进,并将增进后的离散型Kalman滤波进行针对企业财务危机预警的适用性.结果证实:控制白噪声的滤波增益可以显著改善基于Kalman滤波的财务危机预警精度,而结合离散Kalman滤波进行递推样本训练,有利于离散样本向量动态信息的精度解释,从而提升基于改进离散型Kalman滤波的企业财务危机预警能力.     

运用Gibbs抽样解决数据缺失

在数据仓库中,传统的缺失值处理方法均存在一定程度缺陷.文章主要论述将统计中的Gibbs抽样仿真概念应用到数据仓库中的缺失值处理中,在满足原有数据条件分布充足的条件下,能够解决传统数据仓库缺失值处理工作量大、数据偏置等问题,并且该方法能够使用excel完成仿真过程,简单易行,可操作性强,能够更为直接和有效的解决现实中的数据仓库中缺失值处理问题.     

基于统计相关的缺失值数据处理研究

针对数据库中存在缺失值的问题,文章建立了统计相关分析与机器学习相结合的缺失数据处理方法.首先利用统计相关性对原始数据进行分析,找出与缺失值属性相关度较大的属性,提取这些属性的已知值作为训练数据建立模型,再利用建立起来的模型估算缺失值.以UCI数据库真实的数据为例进行仿真,并对比分析了支持向量机、神经网络和决策树三种机器学习算法,实验结果表明利用相关度较大的已知属性值来训练学习,其估算值精度明显提高.     

Kalman滤波在未决赔款准备金评估中的应用

未决赔款准备金是非寿险公司负债的主要构成部分,提高对其评估的精度有着重要的意义。动态模型能够提高未决赔款准备金评估的精度,在动态模型中最重要的是Kalman滤波模型。文章运用Kalman滤波模型进行了未决赔款准备金评估,并对其进行了研究分析。     

时间序列ARFIMA模型的贝叶斯预测分析

ARFIMA模型是时间序列分析理论体系中的一个新领域,其模型结构比较复杂.本文系统地研究了时间序列ARFIMA(p,d,q)模型的贝叶斯预测问题,给出了模型的似然函数形式,构造了模型参数的先验分布;根据贝叶斯定理严密地推断了参数的后验边缘分布密度函数,建立了贝叶斯ARFIMA模型预测的基本程序,并且进行了实证研究分析.     

广义线性滤波模型在非寿险准备金评估中的应用

文章在非寿险未决赔款准备金评估中,借鉴状态空间模型如Kalman滤波在准备金评估中的应用,以广义线性模型为基础,通过在贝叶斯估计中利用泰勒展开式的二阶近似式构造了离散指数族内的后验似然函数,生成广义线性滤波,可实现动态广义线性模型的参数估计,从而能够向模型中引入新的观测数据递归出更新的参数估计结果。文章通过实例演示了伽玛广义线性滤波模型在准备金评估中的应用。     

基于Bayesian Gibbs Sampler的状态空间模型估计方法研究及其在中国潜在产出估计上的应用

 本文将贝叶斯吉伯斯样本生成（Bayesian Gibbs Sampling,BGS）方法应用到状态空间模型的估计。首先介绍了BGS方法的基本内容和计算步骤,然后给定参数生成满足状态空间模型的模拟数据,并对模拟数据应用BGS方法估计。结果表明参数与状态向量的估计值与参数值与状态向量的真实值相当接近,明显优于基于Kalman滤波的最大似然估计结果。最后,本文将BGS算法应用于中国1980年至2008年的潜在增长率与增长率缺口的估计。     

正态线形模型下缺失值的Bootstrap多重插补与比较

缺失值是调查中普遍存在的问题,对缺失值进行插补是处理缺失值的较好方法.如果变量之间存在相关关系,可以通过正态线形模型利用不存在缺失值的变量对有存在缺失值的变量进行插补.较之单一插补,多重插补更能有效地估计总体方差,因此更多地被使用.文章借助Bootstrap法,让模型的参数和残差来自完全观测的Bootstrap样本的最小平法估计,可进一步准确估计总体方差.通过大量模拟试验,发现Bootstrap多重插补较之单一插补和一般多重插补能构建更宽的置信区间从而有更准确的总体参数覆盖率,这点在数据缺失比重很大时优势更明显.     

基于随机森林模型的分类数据缺失值插补

缺失数据是影响调查问卷数据质量的重要因素,对调查问卷中的缺失值进行插补可以显著提高调查数据的质量。调查问卷的数据类型多以分类型数据为主,数据挖掘技术中的分类算法是处理属性分类问题的常用方法,随机森林模型是众多分类算法中精度较高的方法之一。将随机森林模型引入调查问卷缺失数据的插补研究中,提出了基于随机森林模型的分类数据缺失值插补方法,并根据不同的缺失模式探讨了相应的插补步骤。通过与其它方法的实证模拟比较,表明随机森林插补法得到的插补值准确度更优、可信度更高。     

基于AR模型的Kalman滤波在股票价格预测中的应用

文章在分析AR(n)模型和Kalman滤波模型具有的预测功能的基础上,将二者结合起来而提出一种基于AR模型的卡尔曼滤波模型.该模型用1至n阶的AR模型组合建立新的多维状态空间模型,再应用Kal-man滤波方法预测股票价格.通过对股票价格预测的具体实验表明,提出的新模型克服了单一方法使用的缺点,具有较高的预测精度.     

中国股市存在“约瑟夫”效应吗？——对我国股票市场的实证分析

"约瑟效应"即长记忆性,是指股票价格存在长期持续与非周期的循环现象。为了对我国证券市场的长记忆性作比较全面的分析,文章选取上证综合指数和深圳成分指数,分阶段利用R/S方法、ARFIMA过程来识别收益率的记忆特征,并用FIGARCH模型来刻画波动的记忆特征。分析发现,hurst指数以及ARFIMA模型表明收益率序列存在比较微弱的长记忆特征,而利用FIGARCH模型则发现序列的波动存在较为强烈的长记忆性。     

运用动态线性模型对未决赔款准备金的评估

随机准备金评估方法不仅可以得到准备金的估计值,还能够得到评估的精度.本文介绍了将随机方法与传统链梯法联系,结合Kalman滤波建立的动态线性模型,并运用动态线性模型对我国非寿险公司的数据进行评估.结果表明,运用动态线性模型评估未决赔款准备金可提高评估精度,并能够对模型参数进行校核.     

高次插值的GM(1,1)模型预测方法的改进

文章分析了GM(1,1)模型改进方法,针对低次插值容易失真和增加插值节点会带来Runge现象的问题,提出一种使用高次插值构造背景值的方法,通过生成背景值节点的一阶导数值,构建高次插值多项式来逼近背景值函数,实现对背景值的重构,建立基于高次插值的GM(1,1)模型.最后分别对稳定型数据、波动型数据和缺失型数据进行实例验证.     

公共突发事件应急统计中纵向缺失数据的处理方法研究

缺失数据在公共突发事件的应急统计数据分析中是一个非常普遍的问题,针对公共突发事件应急统计数据的纵向数据集,提出用一种得分匹配法来进行缺失值的借补处理,并将其与另外三种缺失值处理方法进行比较,即构造各种不同缺失率的随机缺失数据集,分别运用得分匹配法、LVCF借补法、无条件均值抽取法和多重借补法四种不同的缺失值处理方法对每一种缺失率的数据集缺失值进行处理。统计分析结果表明,少数缺失值发生时,LVCF法简单而有效;随着缺失率的增加,均值抽取法和多重借补法处理效果更稳定;得分匹配法借补缺失值考虑了变量之间的相关性,最大程度地利用了数据集包含的信息,同时考虑了含缺失值变量的实际变异程度,因此取得了最好的借补效果。     

基于Kalman滤波法的M2对证券市场的有效性分析

文章采用Kalman滤波的方法研究沪深股市随时间变化的市场有效性,首先通过构建一鞅的表达式来描述市场有效假说,利用非对称GARCH模型描述收益的波动率,进而利用Kalman滤波来计算波动率与其滞后量系数随时间而变化的关系,从而得出沪深股市随时间而变化的有效性参数.通过研究市场有效性参数与宏观经济变量的关系,发现M2与市场有效性参数之间的关系显著,即在沪深股市趋向弱有效的进程中,M2起了主要推动作用.     

经济预测中的指数平滑法

指数平滑法是回归分析和时间序列相结合的一种预测方法。华伯泉同志在《统计研究》1986年第2期中介绍了这种方法,但没有解决平滑常数和初始统计量的合理确定问题,也没有提到模型和实际数据是否适合的检验问题;并且以普通回归方程中y的预测区间代替指数平滑法中Z的预测区间,这是不合适的。本文试图解决这些问题,并研究K个观测值总和的预测区间。 -、以时间为独立变量的回归模型 设Z_(n j)表示在时间n j的观测值,考虑如下形式的模型:     

多重稳健的高维缺失数据插补研究

缺失数据问题在抽样调查、社会科学、流行病等领域普遍存在，这一现象在高维情形下更为凸显；而与高维数据相伴的信息海量化、复杂化、异质化、缺失化等问题，给高维缺失数据理论建立及应用研究带来极大的挑战。如何建立一种稳健高效的高维缺失数据插补方法，已成为当今学者研究的焦点。为解决上述难题，创新性地将增强的逆概率加权(IPW)与加法模型融合，应用协变量平衡倾向评分法(CBPS)估计缺失概率，提出一种适用于高维缺失数据的可加协变量平衡倾向评分插补方法(CBPS-AM),期望对高维缺失问题提供更为有效的解决方案。CBPS-AM方法不仅具有多重稳健性，避免了模型误设带来的严重风险，还能够有效规避高维缺失数据具有厚尾分布而使得传统插补方法失效的问题，起到双重降维的作用，实现建模的灵活性与广泛适用性。其次借鉴广义矩估计方法和Backfitting算法给出了CBPS估计算法，该算法简洁有效，能够提高数据使用效率与插补精度，同时研究了估计量的理论性质，对比了所提方法与传统方法在数值模拟中的表现。最后将CBPS-AM方法分别应用于存在缺失的HIV临床试验数据和中国新冠病毒感染疫情数据中，建立科学的综合评价以及针对...     

基于高频数据的股指风险价值预测

以高频数据为基础,本文比较研究了股指风险价值的预测问题。通过构造日"已实现"波动,并建立对数"已实现"标准差的ARFIMA模型,进而构造高频风险价值预测模型。同时,该模型与能够考察非对称性和长记忆性的APARCH模型进行比较。研究结果表明,高频风险价值预测模型具有明显的优势,能够更好的预测风险。     

中国产出缺口与通货膨胀关系的实证研究

文章为研究我国经济收缩时政府短期需求管理政策与通货膨胀问题提供了一种理论分析框架.构建多参数动态系统进行Kalman滤波测算我国1978～2008年的产出缺口变动轨迹,应用基于向量自回归模型的Granger因果关系检验模型实证分析产出缺口与通货膨胀的关系,确定我国当前菲利普斯曲线形式,得出我国面临适应性预期通货膨胀压力的结论并提出相应的政策建议.     

金融时间序列长记忆性分析的非线性估计

学术界对股市长记忆性分析结论存在分歧现象,长记忆性分析方法的精准性是一个重要的影响因素.文章通过对R/S、MR/S和V/S分析方法的参数估计问题进行探究,剖析了线性近似求解方式的不足之处,并采用梯度下降法估计非线性回归方程的Hurst指数,同时借助ARFIMA模型对估计精度进行了对比验证.采集我国A股市场股票样本的收益率数据实证,结果表明,非线性估计能提高分析方法对Hurst指数的估计精确度.