贝叶斯随机搜索的多变点模型分析

在多变点模型中借助拉丁变量来计算贝叶斯随机搜索模型,把模型选择问题转化为对拉丁变量后验分布的分析.由于对拉丁变量分量的条件后验分布逐一分析较难实现,文章从拉丁变量整体进行分析,用可逆跳算法可以实现从模型的计算,连续用三个不同的MH算法对拉丁变量的后验分布进行抽样.并对英国司机死亡或者重伤的月度数据集分析,在MAP算法模式下找到了三个变点.     

财务欺诈风险特征筛选框架的建立和应用

本文从金融科技大数据出发,以人工智能的吉布斯随机搜索(Gibbs Sampling)算法为工具,在大数据框架下建立了针对公司财务欺诈风险的特征因子筛选的一般处理方法与特征提取推断原理,并结合上市公司的财务报表数据进行实证分析,结合从2017年1月到2018年12月证监会对上市公司财务报表信息披露违规的数据样本,筛选出刻画财务欺诈的特征因子并进行了验证测试,支持财务欺诈的识别。本文提出的框架和模型方法可以加强和提升对上市公司财务欺诈风险的识别能力,并实现对公司财务在欺诈方面的探测与预测(Detecting and Predicting)功能。     

基于贝叶斯搜索方法的TAR模型研究

文章基于贝叶斯随机搜索方法的思想,提出一种有效解决门限自回归(TAR)模型的贝叶斯方法,在不假设固定的机制个数条件下,借助拉丁变量建立贝叶斯随机搜索TAR模型.在此模型下,拉丁变量的后验分布包含了机制的个数和门限参数的信息,因此滞后阶数、门限值和所有回归系数等的估计均通过MCMC方法从其后验分布抽样.并从模型AR(1)、TAR(2,1,1)、TAR(3,1,1,1)中产生样本,模拟结果表明此方法能很好地估计机制数、延迟参数、门限值及各机制下的回归系数.用贝叶斯随机搜索TAR模型对太阳黑子年度数据集进行分析,找到三个门限值,即10.2,40和73,与已有文献中用其他方法得到的结果一致.     

归纳逻辑程序设计的应用与发展

学习是智能主体拥有的重要特征,机器学习研究计算机如何模拟并实现人类的学习行为。归纳逻辑程序设计作为机器学习的核心方法之一,不仅充分发挥了逻辑技术的优势,而且极大提高了人类改造客观世界的能力。深入探讨归纳逻辑程序设计的研究现状与未来技术走向,对机器学习其他领域有借鉴意义。