技术指标能够预测商品期货价格吗?来自中国的证据北大核心CSCDCSSCI

基于移动价格平均、动量和移动交易量平均三类技术指标,研究了其对中国大宗商品期货价格的预测效果,并以基于宏观变量的预测为基准比较分析了其预测能力.主要结论如下,第一,技术指标能够在样本内和样本外检验中有效预测我国大宗商品期货价格,其预测效果显著超过已有文献中广泛使用的宏观经济指标.第二,对于不同的模型设定和数据频率,技术指标预测效果表现稳健.第三,从资产配置角度出发,基于技术指标的预测具有显著经济意义,能够显著提高资产配置效率,获得超额收益.相关结果能够为大宗商品投资及风险管理提供经验和策略支持.     

基于灰色关联度的小样本预测模型

针对传统灰色预测模型无法处理以及难以寻找统计规律的小样本数据,通过对序列之间灰色关联度物理含义的分析,挖掘序列内部以及序列之间的数据变化规律,并在此基础上构建了一种新的灰色预测模型;应用该模型对中国2008年度的GDP进行预测,预测结果验证了该模型的有效性及实用性;该模型的提出为小样本数据提供了一种新的预测方法。     

改进的投影寻踪分类模型及其在区域经济评价中的应用

作为多元数据的一种分析方法,投影寻踪分类模型已被一些研究者应用到实践中,并取得了良好的效果.然而,投影寻踪分类模型没有严格意义上的分类标准.通过引入有序样本聚类法,可以对投影寻踪分类模型得到的一维投影值进行客观分类.根据改进的模型,对江苏省区域经济的发展进行了综合评价,结果表明:改进的投影寻踪分类模型切实可行,为多元数据分类提供了新途径.     

父职参与水平:夫妻配对资料的共识和歧见

鉴于国内目前尚未见到使用夫妻配对资料比较双方一致性的方法,本研究使用上海城乡860对夫妻配对样本资料,采用一致百分比和Kappa值,在排除了恰巧一致的偶然性因素后,考察两性对父职参与评价的共识与歧见,不仅归纳出夫妻共识度较高事项的基本特征,同时还通过统计检验,探寻不一致配对数据中存在的性别取向或类似模式,并分析了夫妻认同不一致背后潜在的文化规范、社会暗示、个体需求和期望以及测量误差等原因.     

转轨时期中国货币政策传导机制有效性的实证研究

本文运用Johansen协整检验、基于vAR模型的格兰杰因果检验和脉冲响应函数分析等时间序列分析方法,对1992年第l季度至2006年第4季度期间的货币政策传导机制进行实证分析,实证结果表明货币渠道和信贷渠道在中国货币政策的实施中共同起重要作用;货币渠道对经济增长的实现要强于信贷渠道,但是信贷渠道更有利于物价稳定目标的实现;通过对1998年前后的样本进行格兰杰因果分析发现,货币渠道在货币政策传导过程中发挥的作用越来越明显,而信贷渠道的作用则相对下降.     

90年代以来国民收入分配格局变迁对消费需求的影响

上世纪90年代以来,内需不足已成为限制我国国民经济长期稳定增长的主要因素,造成内需不足的因素是多方面的.在我国当前收入差距日趋加大的格局下,收入分配对消费需求增长的制约越发明显.首先,国民收入初分配向政府和企业的倾斜导致了居民可支配收入的减少,弱化了居民的消费能力;其次,在国民收入再分配的过程中,分配影响着各个收入群体的收入和消费行为.针对收入分配对消费的影响机制,文章的最后提出了政策建议.     

瑞典修改《医疗生物银行法》对我国的启示

瑞典的《医疗生物银行法》在实施过程中出现适用范围有限、伦理原则缺失、有关职责界定不清等问题,科学界和医疗界提议出台新的生物银行法以替代旧法,促进医疗领域健康发展。瑞典新的生物银行法报告在尊重个体完整和隐私的前提下,将监管所有人类组织样本的收集、存储和使用,并将完善样本捐献者的知情同意,强化样本捐献者的自决权,增加可追溯性规定和样本库个人资料处理原则,申明生物样本跨界合作的安全问题,对正在修订《涉及人的生物医学研究伦理审查办法》的我国具有借鉴意义。     

指数-威布尔分布参数贝叶斯估计的混合Gibbs算法

文章利用混合Gibbs算法分别在分组数据和定数截尾场合给出了指数-威布尔分布参数的贝叶斯估计,并进行了Monte-Carlo模拟.结果表明:在两种不完全数据场合,用混合Gibbs算法求指数-威布尔分布参数的贝叶斯估计,结果令人满意,该算法可行、稳定且精度高.     

不均等选择概率下的加权调整研究

从不均等选择概率的角度,提出两类常见的权数调整类型及其调整方法:一是规模调整,使得样本单元权数之和等于总体规模;二是结构调整,使得样本结构和总体结构一致,并构造出加权调整的设计效应模型,应用于复杂样本设计。案例分析显示,加权调整往往导致设计效应变大,带来负的效应,但校准调整能降低设计效应,提高估计精度。     

传统统计学习理论的发展和拓广——《不确定统计学习理论》书评

统计学习理论的基本内容诞生于20世纪60年代～70年代,是由Vapnik等人提出,到90年代中期发展较成熟并受到世界机器学习界的广泛重视,现已被国内外相关领域学者认为是处理小样本学习问题的最佳理论。由于统计学习理论是基于概率和实随机样本的,该理论难以处理客观世界中大量存在的基于概率和非实随机不确定样本的学习问题,且难以讨论基于非概率和非随机不确定样本的学习问题,再加之基于概率和实随机样本的统计学习理论本身亦需进一步完善,因此,建立统一的基于概率和不确定样本（随机、随机集、不确定集、模糊、粗糙、复值和集值）的统计学习理论与基于非概率和非随机不确定样本的统计学习理论（两者统一称为：不确定统计学习理论）是非常必要的。