中国马铃薯生产影响因素的实证分析

为了提高马铃薯产量和出产率,解决粮食短缺问题和提高对外贸易出口量,对影响马铃薯生产的影响因素进行了分析,在此基础上建立马铃薯柯布—道格拉斯生产函数模型,用计量经济学的方法检验模型回归效果,确定了关键影响因素,得出了种植面积、种子秧苗投入、化肥投入、农药投入和劳动投入五大因素对马铃薯生产的影响特征和贡献特征,以此为依据提出了发展我国马铃薯生产的对策建议.     

纵向数据下工具变量线性回归模型的经验似然推断

文章考虑纵向数据下工具变量线性回归模型,基于工具变量和二次推断函数方法,提出了回归参数的经验对数似然比统计量.在一些正则条件下,证明了所提出的经验对数似然比统计量渐近于标准卡方分布,由此构造兴趣参数的置信域.     

分位数回归曲线相交问题的修正

在实际应用中,对于有限的样本,分位数回归存在一个普遍的问题,即不同分位数回归曲线会出现相交的现象.这一现象违背了基本的概率理论:分位数函数的单调不减性.文章基于中分布函数样本分位数的定义的启发,对分位数回归曲线相交问题提出一种修正方法:利用两条不同回归曲线的加权组合对所需要修正的回归曲线进行修正,并通过一个实例表明所提出的修正方法是简单有效的.     

综合评价中一种凹性指数型功效函数

目前主流功效函数多为凸性,在处理社会经济数据集中常见的右偏样本时效果难以令人满意。通过系统探讨凸性和凹性功效函数各自的适用特征,指出凹性函数在应用中有其必要性。归纳并使用偏度、区分度、P-P图三种方法作为分布形态的评判标准,比较了常见功效函数对指标原始数据分布形态的调整作用。在分析基础上,提出一种改进的凹性指数功效函数,能有效地处理右偏数据,且相比使用对数预处理的凸性功效函数更具适用性与便利性。     

中国工业要素替代弹性的分解——基于直接替代效应和诱致性技术创新效应的研究

基于固定替代弹性(CES)生产函数构建了要素替代弹性分解的理论框架模型,根据技术进步是否发生改变,将要素替代弹性分解为直接替代效应和诱致性技术创新效应,并利用1978—2013年中国工业数据对其进行了实证检验分析。实证结果表明:在中国工业化进程中,中国工业资本与劳动之间是呈互补关系;同时,在要素替代过程中,诱致性技术创新效应起到了主要作用。因此,在中国经济转型的新常态下,应该继续加大技术创新的投入力度,加速推进工业产业技术升级,优化产业结构。     

国债一级市场拍卖投标的影响因素研究北大核心CSCDCSSCI

国债已经成为中国政府重要的筹资工具之一,在整个金融体系中处于核心地位.一级市场是国债流通的初始环节,拍卖结果将直接决定国债发行成本.但是由于国债一级市场公开的数据有限,国内相关研究文献较少,难以为中国国债市场进一步发展提供理论指导.本文基于2014年1月~2017年7月中国国债一级市场拍卖数据,建立市场投标函数模型,刻画拍卖投标的过程.创新性地提出通过求解非线性方程组方法计算市场投标函数参数,进而分析其影响因素.研究发现:中国国债一级市场与二级市场联系紧密,一级市场的投标利率、投标积极性和投标分散程度都受到国债二级市场到期收益率曲线、交易量和银行体系流动资金的充裕程度等因素的影响.     

非线性系统的有限时间精细抗干扰控制

本文研究一类具有多源干扰的非线性系统在有限时间条件下抗干扰问题,提出有限时间精细抗干扰控制方案.通过设计非线性干扰观测器,解决系统中含有的不确定性非线性项,同时保证复合系统全局有限时间稳定.最后,通过一个数值仿真实例验证了本文所设计的控制方案是可行的.     

脉宽调制型DC—DC变换器的线性描述函数分析法

介绍了一种分析开关变换器的新方法－线性描述函数法的理论证明及实验结果,这种方法具有精确度高的优点。     

基于股价预测的泛证券投资组合策略

本文基于期望效用最大化和L₁-中位数估计研究了在线投资组合选择问题。与EG（Exponential Gradient）策略仅利用单期价格信息估计价格趋势不同,本文将利用多期价格信息估计价格趋势,以提高在线策略的性能。首先,基于多期价格数据,利用L₁-中位数估计得到预期价格趋势。然后,通过期望效用最大化,提出一个新的具有线型时间复杂度的在线策略,EGLM（Exponential Gradient via L₁-Median）。并通过相对熵函数定义资产权重向量的距离,进而证明了EGLM策略具有泛证券投资组合性质。最后,利用国内外6个证券市场的历史数据进行实证分析,结果表明相较于UP（Universal Portfolio）策略和EG策略,EGLM策略有更好的竞争性能。     

FEPA-金融时间序列自适应组合预测模型

本文报告一种金融时间序列预测的信号分析、信息融合与智能计算组合模型,简称FEPA,由针对金融时间序列（FTS）信号分析的经验模态分解（EMD）、用于数据降维的主成分分析（PCA）和用于非线性建模的人工神经网络（ANN）三部分组成。该模型首先应用滑动窗口截取原始金融时间序列最近期数据集,应用EMD分解算法把数据集分解成不同尺度的本征模态函数（IMF）,然后通过主成分分析将分解后的数据降维,提取最有信息量的特征;然后将这些特征输入到神经网络进行组合预测。本文提出的组合预测模型FEPA是基于分解-提优-合成的信息融合思想,有效提高了预测可靠性。其创新点在于：1）首次给出了EMD算法的结构化表达,提供了今后融合更多信息的算法接口;2）通过多步长预测输出深入研究EMD分解的有效信息结构;3）通过切换到更细时间框架来处理EMD的端点效应,并探索了两级时间框架下的预测效果;4）给出了金融时间序列组合预测模型的一般性架构,具有可升级性和可扩展性。并且通过滑动窗口EMD使得实证更能切近实际。通过在沪深300股指和澳大利亚股指上的实证,结果表明FEPA预测模型在沪深300股指日线和15分钟线上的预测命中率高达78%和82%,在澳大利亚股指日线上也达到了74%的命中率,经比较,明显高于文献中常见的5种模型。