基于贝叶斯网稀疏结构学习的信用影响因素结构发现

面对海量高维信用数据,传统贝叶斯网络在刻画变量复杂结构和概率关系时遇到了挑战。尝试将基于multi-logit回归的离散贝叶斯网络稀疏方法用于个人信用影响因素结构关系的发现,实现从多维变量复杂关系中抓取重要结构关系;基于解路径探讨了用于结构发现的稀疏贝叶斯网络模型的选择标准,并比较了稀疏贝叶斯网络与经典贝叶斯网络结构学习的性能;结合领域先验知识进一步改进贝叶斯网络结构,定性分析多维变量存在的主要结构关系;在确定多维变量稀疏网络结构的基础上,采用贝叶斯后验估计获取模型参数,并利用贝叶斯网络推理定量分析关键变量对信贷客户类型的直接或间接影响。     

基于稀疏结构连续比率模型的消费金融风控研究

近年来,我国消费金融发展迅速,但同时也面临着更加复杂的欺诈和信用风险,为了更好地对消费金融中借贷客户的信用风险进行监测,本文提出了基于稀疏结构连续比率模型的风控方法。相对于传统的二分类模型,该模型的特点是可以处理借贷客户被分为三类或三类以上的有序数据,估计系数的同时能从众多纷繁复杂的数据中自动筛选重要变量,并在变量筛选过程中考虑不同子模型系数的结构特征。通过蒙特卡洛模拟发现,本文所提出的稀疏结构连续比率模型在分类泛化误差和变量筛选上的表现都较好。最后将本文提出的模型应用到实际的消费金融信用风险分析中,针对传统征信信息不足的借款人,通过引入高频电商消费行为数据,利用本文提出的高维有序多分类模型能有效识别借款人的信用风险,可以弥补传统征信方法的不足。     

结构突变模型研究的新进展

对结构突变模型与基于单位根过程的模型的研究是平行发展的,国内对基于单位根过程的模型研究众多,然而对基于解释变量平稳性假定的结构突变模型的研究几乎为空白.文章总结了结构突变模型在估计和检验研究上的最新进展,并提出了一个可行的进一步研究的思路.     

基于稀疏聚类的高维数据特征选择及应用

文章研究了一种高维数据聚类特征选择方法——稀疏聚类,稀疏聚类是通过对特征变量赋予权重,并添加lasso惩罚因子,压缩权重,得到对变量的权重排序,即重要性排序,使其在进行分类预测的同时达到自动剔除冗余变量的效果,从而起到了对高维数据聚类时的特征选择作用.将此方法运用于中国环保问题,将中国31个省份根据环保情况分为3类,并从现有的104个环保指标中筛选得到20个重要指标.     

金融高维协方差阵的估计及其应用

文章克服了传统高维协方差阵估计方法的缺点,将主成分和门限方法相结合,提出了门限主成分正交补(TPO)估计量,该估计量主要通过前K个主成分来刻画高维协方差阵的信息,通过引入合适的门限函数来对矩阵的正交补进行稀疏估计,从而有效的降低了数据的维度并剔除了噪声的影响.模拟和实证研究发现:较严格的因子(SFM)模型而言,门限主成分正交补(TPO)模型明显提高了协方差阵的估计效率,并且将其应用在投资组合时,投资者获得了更高的收益和经济福利.     

函数型分位数回归的局部稀疏估计方法

文章针对协变量为函数型变量、响应变量为标量的函数型分位数回归模型，提出了一种局部稀疏估计方法，能够正确识别系数函数的空子区域。首先，使用非对称拉普拉斯分布构建函数型分位数回归的全似然函数，并通过EM算法推导出系数向量的估计式。其次，提出了一种结合样条光滑和平滑剪切绝对偏离方法的局部稀疏估计方法。数值模拟结果表明，该估计方法在不同的样本量和分位点下均优于传统方法。最后，通过实例证明了估计方法的有效性。     

Cox模型中的自适应Lasso变量选择

文章考虑了Cox模型的变量选择问题,将自适应Lasso引入到Cox模型中,提出了一类基于惩罚偏似然函数的自适应Lasso估计程序.通过对偏似然函数采用二阶泰勒展开式近似逼近,运用循环坐标下降法求解模型,再借助牛顿-拉普森迭代完成整个变量选择和估计过程.随机数据模拟的结果表明该方法具有优良的变量选择效果,并适用于高维数据.     

稳健高维协方差矩阵估计及其投资组合应用——基于中心正则化算法

高维协方差矩阵的估计问题现已成为大数据统计分析中的基本问题,传统方法要求数据满足正态分布假定且未考虑异常值影响,当前已无法满足应用需要,更加稳健的估计方法亟待被提出。针对高维协方差矩阵,一种稳健的基于子样本分组的均值-中位数估计方法被提出且简单易行,然而此方法估计的矩阵并不具备正定稀疏特性。基于此问题,本文引进一种中心正则化算法,弥补了原始方法的缺陷,通过在求解过程中对估计矩阵的非对角元素施加L1范数惩罚,使估计的矩阵具备正定稀疏的特性,显著提高了其应用价值。在数值模拟中,本文所提出的中心正则稳健估计有着更高的估计精度,同时更加贴近真实设定矩阵的稀疏结构。在后续的投资组合实证分析中,与传统样本协方差矩阵估计方法、均值-中位数估计方法和RA-LASSO方法相比,基于中心正则稳健估计构造的最小方差投资组合收益率有着更低的波动表现。     

含无误差协变量的重复测量误差模型及其应用

文章讨论响应变量和部分协变量含测量误差的重复测量数据的建模和估计问题,获得参数极大似然估计的EM迭代算法以及估计量的渐近协方差矩阵,并利用Monte-Carlo模拟说明估计的有效性和模型的价值.最后,将研究理论用于处理气象数据的测量误差校正问题.     

动态分层阿基米德Copula模型的构建与应用

Copula函数在金融中的应用大多限于二元情形,而对高维Copula函数及其动态模型的研究相对不足.文章在隐马尔科夫模型的框架下,构建了动态分层阿基米德Copula模型,并使用EM算法估计了模型的参数;然后将协变量引入到隐马尔科夫模型的转移概率中,以考虑其他因素对所考虑变量的相关性动态的影响;最后,将模型用于股票组合动态相关性的研究.