一类自适应的风险预测算法及其应用

本文在充分利用交易信息的基础上,用离散随机过程刻画风险的演变,构建了一类分位数框架下的状态-空间模型来度量和预报风险。为了克服参数估计的困难,使模型具有实用价值,仿照传统卡尔曼滤波的思想,依据模型的设定,本文重构了分位数框架下的增益系数和修正过程,设计了一类新的风险预测算法。该算法的主要优势是,能依据观测数据的更新,自适应地修正已有的预测结果,并利用修正后的结果进行预测分析,从而降低连续预测过程中的误差积累,提高风险预测的准确性。文中理论结果和实证结论都证实了这一点。算法的理论分析及其模拟检验表明,修正之后的结果仍然具有无偏性,但方差却显著降低了。因此基于修正后的数值,再做下一步预测,必将减少整个风险预测过程中的误差积累。实际数据的应用结果显示,相比现有的风险预测方法,文中提出的算法能更加准确地预测出风险大小,而且这种预测优势在极端水平下更加明显。算法的提出既丰富了风险预测的手段,又为恰当规避风险,特别是极端风险,提供技术参考。     

多元回归中因素测度的可加性检验

以非可加测度代替经典可加测度,基于模糊积分建立非线性回归模型是新近出现的数据建模方法。本文在该方法基础之上提出回归因素之间可加性检验方法,以线性约束检验任意因素之间的可加性。可加性检验结合信息融合指数--Shapley指数,可以给出模型的实际意义(如经济意义等)。示例表明,该检验方法可行。