注重从思想理论上建设学习型政党的浅谈

《中共中央关于加强党的建设几个重大问题的决定》中强调指出：“要继续把党的思想建设放在首位,推动全党对建设有中国特色社会主义理论的学习不断向广度和深度发展。”这次党的十七届四中全会审议通过的《中共中央关于加强和改进新形势下党的建设若干重大问题的决定》在总结我们党在长期执政实践中,     

基于多源数据深度融合的金融时间序列预测

文章提出一种双阶段深度学习的金融时间序列预测模型,研究股民评论、金融新闻资讯与股票指标多源数据对股票市场波动的影响。该模型运用word2vec并结合卷积神经网络对非结构化文本数据进行情感分析,计算情感权重并与股票指数联合;通过双向长短时记忆网络结合注意力机制关注文本重点语义分布,提升全局时序信息敏感度,从而完成非线性、时变性的股指预测。所提模型相比于单一使用股票指数,其均方误差降低0.264,比BiLSTM股票预测模型降低了0.186。实证结果表明,端对端的多源数据融合情感分析模型能够有效解决因多级因素导致的股票市场波动性与不规律性,从而对股票指数进行预测。     

基于深度学习的收益率预测与投资组合模型

在传统投资组合模型中,备选资产的预期超额收益率的预测误差将导致模型的投资绩效劣化。文章采用Transformer深度学习模型对备选资产的收益率进行预测,以提升预期收益率的准确度,进而提高投资组合模型的绩效。以中证800指数的成分股为备选资产,进行了72期投资,将实证结果与LSTM和SVR模型进行对比,验证了Transformer模型在提升预测准确度和提高投资组合模型绩效上的优越性。     

校企深度融合视阈下高职劳动课程开发策略研究

劳动课程是实现劳动教育“树德、增智、强体、育美”育人价值的重要载体,系统地开发劳动课程是当今社会发展大势所趋。本文以校企深度融合视阈研究劳动课程开发,在澄清其开发价值的基础上,明晰当下高职院校劳动课程开发的不足之处,进而提出在此视阈下劳动课程开发的策略,为新时期我国劳动课程的开发建设提供研究新视角与实践新路径。     

绕过年龄重思“代”:从文本实践到数据实践的饭圈迭代研究

在以往的代际研究中,年龄是构成"代"划分的主要标准,数字时代社会和文化语境中的"代"研究概念亟需改写。具体到饭圈,在经历了"文本消费"到"文本生产"再到"数据实践"的迭代更新,文本消费的重要性正在让位于数据实践,且饭圈的数据化与饭圈的媒介化和商品化直接相关。"数据信仰"绕过年龄成为分析饭圈代际的一级指标,语言维度、行为特征、情感心理、价值观念则成为分析饭圈代际差异的四个二级指标。数据信仰的特质包括:唯数据论、沉迷数据生产、顺从数据规则和数据迷思。数据信仰溢出饭圈,正在获得更普遍的适用性。     

由频繁项集生成关联规则的深度优先算法

一、引言数据挖掘是当前数据库技术领域的重点研究内容,其中关联规则挖掘算法尤为引人注目。目前,关联规则及挖掘算法研究的热点主要是如何提高发现频繁项集的效率,而对如何由频繁项集生成关联规则却很少涉及。对由频繁项集生成关联规则的过程进     

上海证券市场流动性模式的研究

本文运用高频数据对上海股票市场流动性的日内和周内变化模式进行了实证研究,同时从市场微观结构理论出发分析了这种流动性模式的形成原因。在此基础上,建立了回归模型,实证研究了影响上海股市流动性的影响因素,结果表明上海股市流动性确实存在着明显的周内和日内变化模式,从而揭示了我国股票市场在流动性方面的微观结构特征。     

深度贫困地区脱贫攻坚内生动力研究

革命老区、集中连片特困地区贫困程度深、扶贫成本高、脱贫难度大,是脱贫攻坚最主要的短板。贫困主体主动脱贫内生动力不足,则成为摆脱贫困的"拦路虎"。最大限度发挥贫困主体的主观能动性和创造力,由贫困主体靠自己的力量脱贫致富,由基层党组织肩负起带领群众发展经济的使命,是解决深度贫困地区系列矛盾的关键。探索将资源优势转化为经济优势;运用PPP模式引导社会资本投资基础设施建设及公共服务领域;创新"党建+智力扶贫"模式转变发展观念;分类指导平原、丘陵、山区脱贫;因地制宜规划产业经济强化造血功能等途径,能够激发夯实脱贫攻坚内生动力,切实帮助深度贫困地区摆脱贫困。     

创新中的组织搜索:概念的重新架构

系统地回顾了2000年以来创新领域关于组织搜索的文献。主要解决2个问题:①组织搜索产生混乱的原因是什么?②怎样才能澄清这些混乱,减少研究中的模糊性?为了回答这2个问题,利用搜索广度和搜索深度2个不同的搜索方向对组织搜索建立了分类模型,发现产生混乱的根本原因在于对搜索广度范围的界定,以及与搜索深度的平衡路径存在不一致。针对以上2个问题,首先从知识类型和知识距离2个维度,提出了多维跨界搜索的概念;然后提出了一个演化式搜索的整合框架,为搜索广度和搜索深度的平衡提供具体的实现路径。旨在协调和整合现有研究中存在的不一致,并为将来的研究提供建议,同时对企业的实践活动提供指导。     

基于深度强化学习的城市公共交通票价优化模型

本文针对出行需求演化复杂性,首先将票价的优化过程视为智能体在复杂环境中经过不断探索获得最优价格的学习过程;其次引入深度强化学习算法,采用价值函数神经网络拟合出行需求(环境)对票价制定(动作)的反应函数,在不同运输方式间的博弈过程中通过对票价调节动作的奖惩训练其达到决策目标;然后在群体出行决策复杂性刻画方面,基于Logit模型、累积前景理论及Bush Mosteller模型,设计了3种由简单到复杂的出行需求演化场景;最后以现实场景下地铁和公交之间的票价博弈为例,通过数值模拟考察方法的有效性。研究发现：(1)深度强化学习算法在感知出行需求演化复杂性过程中具有良好的票价弹性刻画能力;(2)深度强化学习算法能够针对复杂出行需求给出合理稳定的价格方案,优化地铁(公交)票价后,使不同出行需求模型下地铁(公交)的利润及各出行方式的总体利润均得到显著增长。