Statistical and computational tradeoff in genetic algorithm-based estimation

When a genetic algorithm (GA) is employed in a statistical problem, the result is affected by both variability due to sampling and the stochastic elements of algorithm. Both of these components should be controlled in order to obtain reliable results. In the present work we analyze parametric estimation problems tackled by GAs, and pursue two objectives: the first one is related to a formal variability analysis of final estimates, showing that it can be easily decomposed in the two sources of variability. In the second one we introduce a framework of GA estimation with fixed computational resources, which is a form of statistical and the computational tradeoff question, crucial in recent problems. In this situation the result should be optimal from both the statistical and computational point of view, considering the two sources of variability and the constraints on resources. Simulation studies will be presented for illustrating the proposed method and the statistical and computational tradeoff question.     

Comparison of predictions by kriging and spatial autoregressive models

In geostatistics, the prediction of unknown quantities at given locations is commonly made by the kriging technique. In addition to the kriging technique for modeling regular lattice spatial data, the spatial autoregressive models can also be used. In this article, the spatial autoregressive model and the kriging technique are introduced. We extend prediction method proposed by Basu and Reinsel for SAR(2,1) model. Then, using a simulation study and real data, we compare prediction accuracy of the spatial autoregressive models with that of the kriging prediction. The results of simulation study show that predictions made by the autoregressive models are good competitor for the kriging method.     

考虑成分股联跳与宏观信息发布的沪深300指数已实现波动率模型研究

利用日内高频数据计算的已实现波动率较好度量了金融资产的风险,因此对其预测模型的研究具有重要意义。考虑到指数成分股的联跳可能蕴含指数跳跃所未能反映的信息,提出运用非参数方法识别指数成分股的联跳,采用自回归条件风险模型估计成分股联跳强度,并将其引入指数的已实现波动率异质自回归（HAR-RV-CJ）模型中,分析模型预测性能的改进。进一步的,考虑到宏观信息公告的发布可能对股市产生整体性影响,相应影响成分股联跳的几率;因此,在成分股联跳的自回归条件风险模型中引入居民消费价格指数、国内生产总值、贸易差额等宏观信息公告变量,并分析对联跳强度估计以及指数已实现波动率预测的影响。采用2011年1月4日至2013年7月11日沪深300指数及其成分股高频数据的实证表明,指数成分股联跳与指数跳跃具有不同的特征;用成分股联跳强度代替HAR-RV-CJ模型中的跳跃构建的HAR-RV-CI模型,较原始的HAR-RV-CJ模型,以及同时考虑指数跳跃与成分股联跳强度的HAR-RV-CJI模型,具有明显较优的样本内拟合与样本外预测性能。引入宏观信息公告变量可以改进联跳强度自回归条件风险模型的拟合效果,并提高指数已实现波动率模型的样本内拟合能力,但对于指数已实现波动率的样本外预测性能并无明显的帮助。     

存在自相关时检验和估计方法的改进——基于自回归分布滞后模型的自相关检验和参数估计

存在自相关时的自相关检验和参数估计是基础计量经济学的一个重要内容,并且存在自相关时的原模型已转化为自回归分布滞后模型。讨论存在自相关时的自相关检验和参数估计问题,提出了一种基于自回归分布滞后模型的自相关检验法,并同时给出了相应的参数估计。     

中国碳排放的环境库兹涅茨曲线分析——基于空间面板模型的实证研究

在环境库兹涅茨曲线理论的基础上,选用30个省域2000—2009年数据,运用空间面板计量经济模型研究碳排放与经济增长的关系,结果表明:利用空间相关性指标检验出经济发展与碳排放之间存在显著的空间效应;利用空间面板自回归和误差模型发现,中国碳排放与经济增长存在倒U形关系,转折点在8.167亿元至11.025亿元人均GDP之间;工业结构比重对碳减排有消极影响,而技术进步、FDI与碳排放之间存在显著的正效应,这说明通过降低工业结构比重、促进新能源技术的革新以及引进外资等能减少中国的碳排放。     

神经网络和卡尔曼算法在石油需求预测中的应用

分析中国1978—2009年影响石油需求的8个相关指标数据。将指标分成3组,通过每组指标的数据分别用广义回归神经网络和误差反向传播神经网络（GRNN和BPNN）方法对2013年的中国石油需求量进行预测,并对其预测结果进行比较。进一步采用神经网络平均影响值（Mean Impact Value,MIV）方法,从影响石油需求时间序列的相关指标数据中筛选出对石油需求影响最大的5个变量。用选出的5个变量,根据AIC准则确定了时间序列的阶数,并建立了石油需求的AR时间序列模型。采用卡尔曼滤波算法和Rauch-Tung-Striebel（RTS）算法对AR模型进行了后验估计。卡尔曼滤波算法使得模型参数得以更新,且相关仿真结果表明,对于AR模型的输出起到较好的修正作用,从而提高了模型的预测精度。     

Hostage taking: Understanding terrorism event dynamics

This paper employs advanced time series methods to identify the dynamic properties of three hostage taking series. The immediate and long run multipliers of three covariates—successful past negotiations, violent ends, and deaths—are identified. Each hostage series responds differently to the covariates. Past concessions have the strongest impact on generating future kidnapping events, supporting the conventional wisdom to abide by a stated no-concession policy. Each hostage series has different changepoints caused by a variety of circumstances. Skyjackings and kidnappings are negatively correlated, while skyjackings and other hostage events are positively correlated. Policy recommendations are offered.     

中国非寿险市场承保周期的存在性研究

承保周期源于保险供给与需求的周期性波动,它以承保利润、保险费率的周期性变化为主要特征。选取中国1980年-2006年的年度数据,采用二阶自回归模型和谱分析法两种方法来检验中国整个非寿险市场是否存在承保周期现象。经检验发现,中国非寿险市场确实存在承保周期,且存在12.5年-16.7年的长承保周期和5.6年左右的中周期。该结果与亚洲非寿险市场的承保周期基本类似。     

时间序列预测新方法及其在电信预测中的应用

利用时间序列稳定的季节性,建立一种新的时间序列预测模型。即建立季节末总量基于给定资料的条件分布,利用季节周期内已知的少数观测值来预测周期末总量;在总量预测的基础上进一步预测周期内的为止观测点。经过实证研究可以看出,该模型对于观测值少的时间序列有很高的预测效率。