The impact of parameter and model uncertainty on market risk predictions from GARCH‐type models

We study the effect of parameter and model uncertainty on the left‐tail of predictive densities and in particular on VaR forecasts. To this end, we evaluate the predictive performance of several GARCH‐type models estimated via Bayesian and maximum likelihood techniques. In addition to individual models, several combination methods are considered, such as Bayesian model averaging and (censored) optimal pooling for linear, log or beta linear pools. Daily returns for a set of stock market indexes are predicted over about 13 years from the early 2000s. We find that Bayesian predictive densities improve the VaR backtest at the 1% risk level for single models and for linear and log pools. We also find that the robust VaR backtest exhibited by linear and log pools is better than the backtest of single models at the 5% risk level. Finally, the equally weighted linear pool of Bayesian predictives tends to be the best VaR forecaster in a set of 42 forecasting techniques.     

基于两层主动学习策略的SVM分类方法

针对当前主动学习策略直接用于支持向量机(SVM)分类器时存在泛化能力不强的问题,提出了两层主动学习策略(TLAC),该策略利用协调训练的思想,深层挖掘未标记样本数据的分布知识,从而选择最有利于分类器性能的样本来训练分类器.实验表明,该TLAC策略能够合理地指定TSVM算法中的正样本数,在典型指标测试中都表现出了一定的优越性.     

基于模糊约束的贝叶斯网络参数学习

针对小样本下贝叶斯网络参数学习结果不准确的问题，提出一种模糊最大后验估计方法，该方法将模糊理论引入到参数学习中，通过对约束效力的度量，利用隶属度函数来确定超参进行学习，以提高约束使用的准确性。实验证明，所提方法可以有效提高参数学习的精度。除此之外，将所提方法应用到网络安全评估中，将通用漏洞评分系统作为专家先验参数，结合漏洞信息迁移样本来进行参数学习。最后，通过节点和路径安全评估验证了所提方法的有效性。     

基于改进主观贝叶斯方法识别电熔镁炉异常工况

电熔镁炉熔炼过程信息包含大量的不确定性，基于大数据分析的方法难以应用.为准确识别电熔镁炉熔炼过程的异常工况，提出一种基于改进的主观贝叶斯在线规则推理方法.传统的主观贝叶斯方法参数赋值范围过大，针对这一问题，使用映射函数将参数赋值范围缩小到有限区间，以提高方法的实用性.在规则推理时，使用模糊隶属度函数对观察和证据进行模糊匹配，以提高工况识别的鲁棒性和准确率.仿真分析表明该方法可以有效描述规则中的不确定性信息，准确识别电熔镁炉熔炼过程的异常工况.     

基于贝叶斯理论与Vine Copula的化工过程异常事件数的预测

针对化工过程风险,提出了一种化工过程异常事件数的预测方法。化工生产过程中由于受到干扰,时常发生异常事件。异常事件如果得不到有效控制将引发生产事故,其发生次数越高表明发生生产事故的概率越大,因此,准确预测化工过程异常事件数有助于提高化工过程的风险管理水平。基于操作班组,采用贝叶斯理论与Vine Copula建立了动态预测模型,实现对化工过程一个轮班内异常事件数的预测。     

基于双因子Lee-Carter模型的死亡率预测及年金产品风险评估

本文针对传统单因子Lee-Carter模型中死亡率的改善呈常数速率的明显弊端,利用贝叶斯MCMC方法和中国实际人口死亡率数据,考察对比了双因子Lee-Carter模型的预测效果.检验结果表明双因子模型的拟合优度和离差信息准则DIC明显优于单因子模型,较好地抓住了死亡率随时间演进的波动性.文章还进一步比较了基于两种模型预测结果的年金的定价、统计特征、风险度量和资本要求.结果表明双因子模型下,年金价格核密度图的尖峰厚尾现象较为突出,宜考虑TVaR风险度量来弥补SolvencyⅡ中基于VaR的资本额度计算方法的不足,以因应年金产品中死亡率超预期改善的长寿风险.     

一种解决混联系统组合爆炸问题的贝叶斯网络

针对传统三层节点贝叶斯网络(Bayesian network,BN)在系统可靠性分析中的组合爆炸问题,提出了一种适用于复杂混联系统的级联BN建模方法.首先,在引入s类(f类)节点基础上建立了描述并联(串联)逻辑的信息通路模型,进而通过为通路模型各节点赋予同逻辑的条件概率参数,提出了构建并联(串联)系统等价级联BN的方法;其次,结合"超级方框"的概念分析了将典型串并联、并串联系统转化为等价级联BN的方法,并基于系统可靠性框图(RBD)相关矩阵,设计了将复杂混联系统转化为等价级联BN的算法-Generate-Chain-BN;最后,分别建立了某混联系统RBD的等价三层节点BN和级联BN模型,对两种BN进行了对比计算.理论和实例分析均表明,本文建立的级联BN可将原三层节点BN的空间和时间复杂性由指数级降到线性级,解决了三层节点BN固有的组合爆炸问题,可成为复杂混联系统可靠性分析的有效手段.     

基于贝叶斯方法的Meta-分析

本文基于贝叶斯Meta-分析给出了Jeffreys无信息先验B(1/2,1/2)时的链接分布,并将其进行推广,给出了先验分布为B(α,β)时的链接分布。     

城市轨道交通网络化运营条件下车辆基地的资源共享研究

随着国内城市轨道交通建设的快速发展与网络化运营的需求,车辆基地的资源共享研究受到日益广泛的关注与重视.该文旨在从线网车辆运用及维修角度对整个线网车辆基地进行分析研究,探讨相关各专业各种资源的共享、合理取舍和确定各车辆基地的规模.     

融合信任机制和HBMO算法的WSN能耗均衡分簇方法

针对无线传感器网络(WSN)中的能耗和安全问题,提出一种融合蜜蜂交配优化(HBMO)算法和轻量级信任机制的WSN分簇方法(LWT-HBM).首先,将WSN分成若干个小区,通过HBMO算法选择各自最优的簇头;然后,构建分簇结构,根据簇头和基站的距离设置簇的大小.在簇头能量消耗殆尽前,会利用HBMO选择替代簇头,以此均衡网络能源.在选择簇头的同时,融入轻量级信任机制,根据直接信任和间接信任值来评估节点的可信任度,避免恶意节点被选择为簇头.同时给出了一种精确能耗模型用来计算系统的整体能耗.通过实验将此方法与LEACH和TBCMA方法进行比较,结果表明LWT-HBM方法具有更低的能耗,有效的延长了网络寿命.