贝叶斯网络决策在房地产投资风险控制中的应用

文章结合总和一阶贝叶斯网络学习模拟,获得面向不同风险控制决策程度的房地产先验概率、后验概率及其对应的密度函数,从中比对不同投资风险控制效益对应的条件概率.结果表明,基于贝叶斯网络推理可以获得更具有确切显性特性的房地产投资风险控制决策信号;中层级获得了最高的测试值,最低的为高风险决策级.贝叶斯网络推理一定程度上削弱了原先的网络学习对投资风险控制的先验概率对关联强度的影响,应均衡房地产在风险控制绝对与管理之间的投资策略.     

供电企业员工动态优化配置的数理模型

文章在贝叶斯理论和最大熵原则的基础上,分别给出了企业内部员工和外部员工胜任工作的先验概率(岗位试用信任度)计算方法,并结合员工经过岗位试用后所得到的胜任工作的后验概率(岗位留用信任度),建立了一种企业员工动态优化配置的模型,从而为供电企业人力资源动态优化配置提供了一个具有一定理论支撑的可操作方案。     

大数据背景下贝叶斯模型平均的理论突破与应用前景

大数据统计分析过程中常面临模型比较和选择的不确定性问题。贝叶斯模型平均(BMA)方法可以通过先验和后验概率度量模型不确定性,并利用后验概率对模型的结果进行加权平均,最终得到更稳健的估计结果。在回顾贝叶斯模型平均发展历程的基础上,介绍贝叶斯模型平均的基本原理,综述其在一些难点问题上的理论进展,并介绍大数据背景下贝叶斯模型平均的应用前景。贝叶斯模型平均与复杂数据分析方法相结合,可能成为大数据研究的新思路。     

Polya后验方法在有限总体抽样估计中的模拟研究

polya后验方法作为一种无信息贝叶斯估计方法,在有限总体抽样中,通过观测的样本,构造一系列的模拟总体,然后进行统计推断。通过统计模拟研究了polya后验方法估计的一些特点,并和Bootstrap方法进行比较。模拟结果显示:polya后验方法能够很好地估计总体的均值,随着样本量的增大,估计值与真值的差距越来越小。采用polya后验方法构造的置信区间区间长度较小,能够很好地覆盖真值。     

基于正态-Gamma共轭先验分布的贝叶斯AR(p)预测模型

本文系统地分析了AR(P)时间序列模型的数学模型及其条件似然函数,并根据似然函数的统计结构构造了模型参数的共轭先验分布,研究了正态-Gamma先验分布情况下模型的贝叶斯推断理论,包括模型自回归系数和精度参数后验分布的统计推断、二次损失函数下参数的贝叶斯估计;同时,从统计数学方法上严格地证明了一步超前预测模型的预报分布为t分布.     

基于MCMC模拟的贝叶斯 AR-GJR-GARCH 模型及其应用

AR-GJR-GARCH模型是一种误差项为GJR-GARCH形式的自回归模型,该模型的贝叶斯推断很难得到其具体形式的条件后验密度。文章利用Metropolis-Hastings抽样方法对模型参数的条件后验分布进行MCMC模拟,然后运用模拟得到的样本对模型的参数进行贝叶斯估计。该方法解决了参数估计过程中的高维数值积分问题。模拟结果表明了该模型在中国股市波动性分析过程中的直观性和有效性。     

基于多阶段抽样的贝叶斯序贯过程质量监控分析

文章针对参数随机化情况下的质量控制问题,提出了新的过程质量方法。通过质量控制模型的统计结构分析,研究了Jeffreys先验分布下参数的后验分布和贝叶斯估计,据此构造了具有预警线的过程样本均值-标准差监控图,以及贝叶斯过程能力指数评价模型;然后,将过程状态稳定的模型参数后验分布作为下一阶段的参数先验分布,进行样本数据信息融合、模型迭代更新,建立了基于共轭先验分布的贝叶斯序贯均值–标准差监控和贝叶斯动态过程能力指数估计模型。研究结果表明:与现有的统计过程质量控制方法比较,贝叶斯序贯过程质量监控方法能够融合产品质量指标的历史信息,及时更新过程控制限,动态监控过程质量波动。     

基于贝叶斯搜索方法的TAR模型研究

文章基于贝叶斯随机搜索方法的思想,提出一种有效解决门限自回归(TAR)模型的贝叶斯方法,在不假设固定的机制个数条件下,借助拉丁变量建立贝叶斯随机搜索TAR模型.在此模型下,拉丁变量的后验分布包含了机制的个数和门限参数的信息,因此滞后阶数、门限值和所有回归系数等的估计均通过MCMC方法从其后验分布抽样.并从模型AR(1)、TAR(2,1,1)、TAR(3,1,1,1)中产生样本,模拟结果表明此方法能很好地估计机制数、延迟参数、门限值及各机制下的回归系数.用贝叶斯随机搜索TAR模型对太阳黑子年度数据集进行分析,找到三个门限值,即10.2,40和73,与已有文献中用其他方法得到的结果一致.     

正态均值变点识别的非迭代抽样算法

文章提出了估计正态序列均值变点位置的非迭代抽样算法.利用逆贝叶斯公式,得到了变点位置的精确后验分布,通过对该离散分布抽取样本,得到变点位置的贝叶斯估计.模拟显示该算法能有效地估计变点位置,并且计算速度比迭代的Gibbs抽样算法快.     

基于混合参数先验分布的贝叶斯因子分析

因子分析模型的贝叶斯推断是贝叶斯多元统计推断理论的重要组成部分。本文通过分析因子分析模型的统计结构,构造了模型参数的混合先验分布;利用贝叶斯定理,结合模型样本似然函数和参数的先验分布推导了参数的后验分布;证明了因子载荷阵的条件后验分布为矩阵t分布,协方差阵的条件后验分布为逆Wishart分布。实证研究结果表明:由于参数先验分布的作用,贝叶斯因子分析的结论与传统的因子分析之间存在显著性的差异。     

带线性约束的多元线性回归模型参数估计

本文首先构造线性约束条件下的多元线性回归模型的样本似然函数,利用Lagrange法证明其合理性。其次,从似然函数的角度讨论线性约束条件对模型参数的影响,对由传统理论得出的参数估计作出贝叶斯与经验贝叶斯的改进。做贝叶斯改进时,将矩阵正态-Wishart分布作为模型参数和精度阵的联合共轭先验分布,结合构造的似然函数得出参数的后验分布,计算出参数的贝叶斯估计;做经验贝叶斯改进时,将样本分组,从方差的角度讨论由子样得出的参数估计对总样本的参数估计的影响,计算出经验贝叶斯估计。最后,利用Matlab软件生成的随机矩阵做模拟。结果表明,这两种改进后的参数估计均较由传统理论得出的参数估计更精确,拟合结果的误差比更小,可信度更高,在大数据的情况下,这种计算方法的速度更快。     

基于超级贝叶斯方法的专家意见先验概率修正研究

针对传统贝叶斯网络方法在先验概率设定中的不足,文章提出采用超级贝叶斯方法,通过对每个专家意见赋予不同的权重,帮助决策者修正初始判断,得到更为准确的贝叶斯网络先验概率,并采用银行风险管理中的实例介绍了该方法的具体操作过程.     

贝叶斯方法在证券市场中的应用

证券市场中股票的统效对投资者而言显得特别重要，股票绩效总是从以往股票数据的统计分析获得的。投资者试图在小的投资区域获得绩优胜，这就有赖于对数据进行进一步的分析。贝叶斯统计方法是以新获得的数据信息更新先验信息而对数据进行推断，本文是将贝叶斯方法运用于证券市场的一点粗浅尝试。一、公式及推断已知H表示发生了某件事件，H表示某件事件没有发生，E表示已知某一信息，E表示未知某一信息。相应地，P（H）表示H的先验概率，P（HIE）表示H的后验概率，P（HE）表示H、E的联合概率。我们可得到贝叶斯公式：用0（H）表示H的…     

模式识别课程中的统计学方法概述

模式识别是近年来迅速发展的一门学科,在工业、信息处理等领域有广泛应用。本文对模式识别、模式识别与统计学的关系进行了简单介绍,同时介绍了模式识别课程中两种基本的统计学方法：贝叶斯统计决策理论及概率密度估计理论。     

平滑转移空间随机前沿模型的贝叶斯估计

经济数据常存在空间相关性,忽略空间相关性会引发内生性问题,导致相应估计量有偏且不一致。空间随机前沿模型在随机前沿模型的基础上考虑了生产单元的空间相关性,更利于效率测算。然而现有空间随机前沿模型的生产函数形式单一,适用性较差,实证分析存在局限性。文章在空间随机前沿模型中引入平滑转移效应,构建了平滑转移空间随机前沿模型,该模型同时考虑了空间相关性和个体异质性,适用性较佳。为丰富估计方法,同时采用极大似然方法和贝叶斯方法估计模型,其中极大似然估计的核心在于推导对数似然函数、对数似然函数的最优化以及使用JLMS法估计技术效率,贝叶斯估计的核心在于推导未知参数的后验分布及执行MCMC抽样。数值模拟结果显示：（1）极大似然估计和贝叶斯估计的估计精度均较高,其中贝叶斯估计的估计精度略高于极大似然估计;增加样本容量,贝叶斯估计和极大似然估计的估计精度更高。（2）若忽略空间效应或者平滑转移效应,则估计精度较低。     

基于辅助粒子滤波的DSGE模型识别方法及应用

动态随机一般均衡模型中涵盖无法直接观测的变量,同时跨方程约束涉及复杂的非线性关系使方程的解析估计难以实现。在贝叶斯框架下识别动态随机一般均衡模型,基于状态空间方法建立度量方程和状态转移方程,采用辅助粒子滤波预测条件后验分布,建立贝叶斯误差带描述宏观经济变量脉冲响应函数的动态特征。实际数据分析验证了贝叶斯识别方法的有效性。     

部分状态可见的隐马尔可夫模型状态序列的估计方法

本文考虑了部分状态可见的隐马尔可夫模型的状态序列估计问题,在分析了现有算法无法合理估计状态路径之后,以状态转移概率、观测概率和可见状态作为先验信息,通过贝叶斯分析计算可见状态前后向状态的后验概率,并给出初始条件和递推公式,运用动态规划递推得到每个观测值对应的最可能状态以及最可能的状态路径。最后,本文给出一个系统故障识别的应用例子,验证了所设计算法的可行性。     

结构方程模型的Gibbs抽样与贝叶斯估计

吉布斯(Gibbs)抽样可以在给定协方差数据和参数的先验分布条件下获得结构方程参数的后验分布样本.参数的点估计、区间估计和标准误就可以用这些样本数据计算.然而,在小样本的情况下,不考虑样本规模和似然面形状时,吉布斯抽样能得到较为正确的后验分布.当参数的先验分布充分,它的后验估计值可以被用于对不可识别结构方程模型的参数进行贝叶斯推断.     

VaR模型后验测试的贝叶斯方法

本文提出了VaR模型后验测试的贝叶斯方法.以二项分布为参数统计模型,选取Beta分布为先验分布,给出了超参数的矩估计法.对于VaR模型的准确性检验,得到了贝叶斯因子和后验机会比的表达式.通过一个投资组合的实证分析,验证了本文所提方法的可行性与合理性.     

专家权重的贝叶斯修正法

将群决策中关于专家权重和意见集结等问题所涉及的一些要素与概率之间建立对应关系,进而利用贝叶斯方法对专家的先验权重加以修正,修正后的权重是针对不同的集结对象而做出相应调整与改变的后验权重,从而在最终的群组意见集结过程中能够对专家权重实施可变操作,同时也使主、客观权重有机的融合起来。