改进粒子群优化算法及其在CVaR模型中的应用

文章基于CVaR模型进行投资组合优化,并利用粒子群算法对其进行求解.在具体应用过程中,为克服粒子群算法易陷入局部极值的缺陷,对算法进行了改进,并与标准粒子群算法(PSO)和遗传算法(GA)进行了比较,结果表明,改进后的算法应用于CVaR模型是行之有效的,且优于标准粒子群算法和遗传算法.     

中国通货膨胀的预测模型与实证

文章建立了一个带反馈机制多因素随机波动模型来刻画中国通货膨胀动态,基于粒子滤波与MH抽样相结合的贝叶斯方法估计模型参数,并利用粒子滤波方法得到通货膨胀的一步向前预测及随机波动分量的光滑估计.研究表明,与Stock and Waston(2006)的模型相比,带反馈机制的多因素随机波动模型可以刻画经济波动的随机性和经济波动的极端事件,能够较为准确地描述中国通货膨胀的动态行为,从而对通货膨胀可以做出更为准确的预测.     

大数据下Leverage重要性抽样方法的稳健改进

大数据以其巨大的样本容量或超高的变量维度使得直接计算变得不再可能,如何有效地抽取一个合适的计算样本是值得思考的问题.本文借鉴Leverage重要性抽样的思想,提出了两种稳健的改进抽样算法,不仅有效地抽取了代表性高的计算样本进行回归估计,还规避了方差大和异质性导致协方差矩阵估计不准的问题.模拟数据的分析显示,相比于Ma (2015)的方法,本文提出的方法具有更为优良的估计结果.     

面向不平衡数据集分类的LDBSMOTE过采样方法

文章针对传统SMOTE及BSMOTE过采样方法会导致多数类样本识别率下降的问题,提出基于局部密度的改进BSMOTE算法（LDBSMOTE）。首先,根据样本分布特点计算局部密度值并筛选根样本,最大限度地保证具有潜在价值的样本不会被丢失,然后通过SMOTE合成样本,最后利用集成学习算法进行分类。为了验证LDBSMOTE的有效性对15个公共数据集进行实验,结果表明,相比SMOTE和BSMOTE,LDBSMOTE算法在F1、G-mean及AUC上平均提升了2.25%,且平均得分均为最高,能在保证多数类样本识别率的基础上提升少数类样本的识别率,有效提升分类性能。     

中国股指波动率的智能预测模型与实证检验

文章提出将改进型粒子群算法与最小二乘支持向量机(LSSVM)相结合的中国股指波动率智能预测方法,利用径向基核函数LSSVM对股指波动率进行建模及预测,并将自适应惯性权重粒子群算法(AIWPSO)和动态加速系数粒子群算法(DACPSO)分别实现径向基核函数LSSVM的参数优化,建立了两种股指波动率的智能预测模型.以日内价格极差作为波动率的代理变量,通过对上证综指和深证成指的实证研究检验了两模型的有效性.检验结果表明,AIWPSO算法优化的径向基核函数LSSVM作为中国股指波动率智能预测模型,具有更高的波动率预测精度和更快的建模速度.     

一种求解基数约束投资组合优化的混合粒子群算法

如何有效求解基数约束投资组合优化问题,已成为金融学界近年来一直研究的热点.文章介绍了一种融合极值优化理论的混合粒子群优化算法(简称eo-PSO),利用极值优化方法(EO)以增强混合算法对搜索空间的挖掘能力,引入混沌变异算子提高粒子群(PSO)的探索能力.通过和其他一些智能计算方法对Markowitz基数约束投资组合优化目标函数的测试,以及应用风险范围理论的比较分析,结果显示混合粒子群算法具有良好的计算性能,其优化解也更具有效性.     

近似非齐次指数序列预测的新融合模型构建

DDGM(1,1)模型和LS-SVM模型都是针对小样本进行预测的方法,文章根据DDGM(1,1)模型和LS-SVM模型结构特点上的相似性,将LS-SVM算法引入DDGM(1,1)模型,构建了一种基于DDGM(1,1)与LS-SVM算法融合的预测模型.该模型基于DDGM(1,1)模型作为建模原型,利用LS-SVM算法优化了DDGM(1,1)模型的参数估计方法,增强模型的推广性.实验表明,新模型充分发挥两种小样本预测技术的各自优势,实现了优势互补,对近似非齐次指数时间序列的预测具有较高精度.     

经济结构调整背景下江苏经济增长区间估计

本文基于江苏省的季度GDP数据,分别使用六种方法估计了江苏省1999Q1至2014Q2的潜在经济增速。根据不同方法下产出缺口指标的对比分析,并结合江苏经济结构调整的实际情况,认为BK滤波(Baxter-King filter)和CF滤波(Christiano-Fitzgerald filter)两种方法比较适于刻画江苏经济增长。参照样本内估计结果,本文认为未来一段时间江苏省经济的潜在增长区间是9.3%-10.4%,但实际增长区间可能低1个百分点,即8.3%-9.4%。     

基于混沌PSO优化BP神经网络的碳价预测

随着全国碳排放权交易市场的启动,碳价的预测对碳市场参与者的风险管理具有重要意义。针对BP神经网络收敛速度慢、容易陷入局部极值的弊端,结合混沌的遍历性,构建基于混沌粒子群(CPSO)算法优化BP神经网络的碳价预测模型:利用Elastic Net方法降维,筛选出碳价的主要影响因素;再用CPSO优化BP神经网络的初始权值和阈值训练模型并预测碳价,结果表明:CPSO-BP碳价预测模型的精度和稳定性明显优于传统BP神经网络、粒子群优化的BP神经网络以及果蝇算法优化的BP神经网络。     

样本轮换的实施效果分析

一、引言样本轮换是定期抽样调查中经常采用的一种确定报告期样本的方法。所谓定期抽样调查是指对同一总体针对同类问题每隔一段时间 (一般是等间隔地 )进行一次的经常、连续的抽样调查 ,如我国的城市住户调查、农村抽样调查、全国的电视收视率调查及刚开始推广的批零贸易业、餐饮业等小型企业、全国旅游业企业抽样调查等 ,都是每隔一段时间进行一次。定期抽样调查中一个重要的问题就是报告期的样本如何确定 ,可能的方式有三种 :①固定样本 ,即每次调查的样本完全相同 ,也就是通常所说的固定点调查 ;②部分更新 ,即每次保留上期样本的一部分…     

中国城乡居民生活用电月度需求预测

城乡居民生活用电量月度需求预测是全社会用电量需求预测基础,也是分布式电网发、输、配及智能电网调节等相关企业精细管理的必然要求。文章通过对各种影响因素和其月度数据的可获得性进行分析权衡,先用常规方法建立了四个不同类型的基本预测模型,然后引入粒子群优化算法建立了PSO预测模型,最后基于模型有效性"惯性"的思想建立了"跟踪最优(TO)"模型。     

季节趋势平稳过程间的虚假回归

文章推导了当数据生成过程是独立的季节趋势平稳过程情形下,OLS参数估计及检验统计量的极限分布.由于序列中的趋势会导致虚假回归现象的发生.文章借助Monte Cado试验,对上述虚假回归中OLS统计量(t类统计量、R2、DW)的大样本渐近分布进行模拟,发现确实存在虚假回归现象并且受样本容量的影响不大.文章还针对我国数据样本期比较短的特点,就虚假回归下统计量的小样本(T=10,15,30,50)特征进行了模拟.     

走出事后分层应用的误区

顾名思义,事后分层方法是在抽样设计中(事先)没有进行分层处理的前提下,在数据处理阶段(事后),利用抽样框信息或者可靠的外部信息,对样本进行事后分层处理,对样本的权数进行调整,以达到提高估计量精度的效果。外部信息可以是各事后层(子总体)的单位数,也可以是各事后层(子总体)单位数占总体单位数的比重等,一般来源于抽样框信息,或者建立抽样框与样本调查期间进行的普查信息等。应用事后分层方法,需要遵循三点基本原则:第一,调查时点样本单位的属性决定该样本单位的推算归属;第二,样本单位的基础权数及其加权调整都决定于该样本单位在抽样框…     

基于PSO的证券投资组合优化问题研究

投资组合决策面临现实证券市场中大量数据,传统算法很难解决这一问题.粒子群算法(PSO)是新近出现的一种仿生算法,具有简单容易实现,而且随机搜索的优点,使得搜索不易陷于局部最优,文章将具有智能化且易于实现的粒子群算法应用到证券投资组合决策中,并通过上海证券交易所的实际数据进行计算机模拟,结果表明该算法在组合决策中是有效的,且易于实现.     

时变参数状态空间模型估计研究

在宏观经济和金融资本市场上广泛存在着非线性时变参数时间序列,而当前的研究主要关注静态参数状态空间模型的估计。本文通过引入变点分析,改进了静态参数的粒子学习滤波技术,提出了变点粒子学习滤波技术,用于估计时变参数状态空间模型。并且利用模拟实验同经典的变结构IMM滤波技术进行了对比,结果显示,本文提出的变点粒子学习滤波在动态模拟样本数据方面具有更大的优势。可以用于对股票价格和成交量的联合动态轨迹进行实时的模拟追踪。     

样本轮换率的确定方法探讨

样本轮换率的确定方法探讨深圳市经济研究所卢宗辉样本轮换率的确定问题是样本轮换中的关键问题。由于影响样本轮换率的因素很多，如调查的目的，调查总体发生变化的速度、被调查者对经常性抽样调查在时间和次数上的心理接受程度以及调查费用、抽样精度、工作难易等的允许...     

基于改进模糊聚类算法的灰色预测模型

目前研究的模糊C均值聚类算法(FCM)面临的最重要问题是初始值随机选取,导致其容易陷入局部最优,同时影响运算速度.而灰色预测GM(1,1)模型在形成预测公式时对初始值的选取也没有合理有效的方案.针对以上问题,文章提出坐标密度法,确定初始聚类中心,对FCM算法进行改进;接着提出运用改进的FCM求取GM(1,1)中数据的聚类中心,并把聚类中心作为初始值的方法;通过与已知算法进行比较验证了其可行性和有效性.     

国际比较中购买力平价核算法的评价、分析

国与国之间国民生产总值(GNP)的比较通常通过市场汇率核算法和购买力平价(PPP)核算法进行,这两种方法也是目前联合国及各种国际组织、机构最常使用的手段.其中,汇率法还是联合国制定政策(如各国联合国会费的交纳等)的基础.从1992年起,世界银行在其年度发展报告中,同时公布了按上述两种方法换算的各国发展基本指标.众所周知,两种核算方法所得结果差异极大,因而人们对PPP方法的探讨一直未有停息.     

成都居民对日本地震导致核污染认知度调查

今年3月11日,日本发生9.0级地震,伴随着海啸,出现了震惊世界的核泄漏污染.国家统计局成都调查队在成都市抽选了9个区(市)县开展<成都市城镇居民对日本地震导致核污染认知>快速调查,共收回有效样本603份,涉及5个主城区及二、三圈各2个市(县),样本涵盖所有成年人年龄段.调查结果显示,成都市社会情况稳定,市民普遍认为核污染对成都市影响小,同时,也暴露出城镇居民对核污染知识了解较少,预防具有一定盲目性.     

基于广度优先搜索的变异加权模糊C-均值聚类算法

针对传统模糊C-均值聚类方法(fuzzy C-means,简称FCM)对初始值敏感导致的易陷入局部最优和噪声敏感问题,文章提出一种基于广度优先搜索的变异加权模糊C-均值聚类算法.该算法通过改进具有全局搜索能力的广度优先搜索算法(Breadth Fist Search,BFS)和有效聚类评价函数相结合,确定了接近真实的初始聚类中心,同时能够剔除噪声数据.在此基础上考虑属性噪声对聚类结果的影响问题,引入变异系数赋权法对FCM的目标函数进行改进,进一步提高了FCM算法的抗噪性.实验结果表明,该算法能够有效的克服传统FCM的不足,与其他聚类算法相比,具有较快的收敛速度、更好的聚类准确率及较高的抗噪性.