条件故障下3-元n-立方体的容错分析

研究了条件边故障下3-元n-立方体中较大连通分支点的数目，进而证明了3-元n-立方体是(4n－6)-条件边故障强Menger边连通的。最后通过一个反例说明该结果是最优的。     

异方差下条件处理效应的非参数估计及应用

处理效应模型作为分析政策效应的量化工具,在社会与经济的各个领域有着广泛的应用.现有文献为了得到处理效应的一致估计量,通常需要加一些较强的限制条件(如条件均值独立)或采用工具变量法,在较弱的与实际更吻合的条件下给出处理效应的一致估计量并不多见.本文在误差项对称的假定下,讨论了条件处理效应模型的非参数识别和估计,并进一步估计了平均处理效应.我们通过放松模型中函数形式的假定,同时考虑了较为普遍的广义异方差形式,大大减少了模型误设的可能性,拓展了现有模型的适用性.本文对估计量的大样本性质进行了分析,表明了估计量的一致性和渐近正态性,蒙特卡罗模拟显示了估计量良好的有限样本性质.最后,本文将估计量应用于研究大学教育回报及其性别差异,进一步解释了估计量的实用价值.     

宏观经济信息发布对股票市场收益率及其波动的影响

通过构建宏观信息发布中的未预期信息衡量指标,本文研究了宏观信息对股票市场收益率及其波动的影响.实证分析发现:股票市场指数月收益率具有"通胀对冲"功能,同时PPI、固定投资、货币供给(M2)也会显著影响指数收益率,贸易顺差则与收益率波动显著相关;进一步对股票市场指数日收益率分析发现沪深两市对宏观信息的短期反应并不相同.对上证综指,仅CPI、固定投资与进口同比显著影响指数收益率,而出口同时影响指数收益率及其波动;对于深证成指,市场只对出口信息会作出及时反应.此外,本文还发现危机后股市对宏观信息的反映也出现了显著变化,宏观信息变量中只有PMI和进出口变量显著影响市场收益率,而PPI则成为影响收益率波动的显著因素.     

Model averaging estimation for conditional volatility models with an application to stock market volatility forecast

This paper is concerned with model averaging estimation for conditional volatility models. Given a set of candidate models with different functional forms, we propose a model averaging estimator and forecast for conditional volatility, and construct the corresponding weight-choosing criterion. Under some regulatory conditions, we show that the weight selected by the criterion asymptotically minimizes the true Kullback–Leibler divergence, which is the distributional approximation error, as well as the Itakura–Saito distance, which is the distance between the true and estimated or forecast conditional volatility. Monte Carlo experiments support our newly proposed method. As for the empirical applications of our method, we investigate a total of nine major stock market indices and make a 1-day-ahead volatility forecast for each data set. Empirical results show that the model averaging forecast achieves the highest accuracy in terms of all types of loss functions in most cases, which captures the movement of the unknown true conditional volatility.     

A comparison of conditional predictive ability of implied volatility and realized measures in forecasting volatility

In a conditional predictive ability test framework, we investigate whether market factors influence the relative conditional predictive ability of realized measures (RMs) and implied volatility (IV), which is able to examine the asynchronism in their forecasting accuracy, and further analyze their unconditional forecasting performance for volatility forecast. Our results show that the asynchronism can be detected significantly and is strongly related to certain market factors, and the comparison between RMs and IV on average forecast performance is more efficient than previous studies. Finally, we use the factors to extend the empirical similarity (ES) approach for combination of forecasts derived from RMs and IV.     

条件极值的充分条件与一类椭圆方程

通过分析无条件极值与条件极值的充分条件具有不同判别矩阵的原因,推导出条件极值充分条件的判别方法,得出其自变量增量间的关系式,得到了多维多约束状态下条件极值充分条件的一种更精确的判别矩阵,并举正反例说明判别驻点时可能出现的情况.有助于理解两种充分条件的关联及差别,提供了一种寻找更精确的条件极值充分条件的判别矩阵的方法.     

基于CUDA的GPU条件分支分歧聚合优化策略

分析NVIDIA GPU底层处理SIMD条件分支分歧的方式及其对程序性能产生的影响。在软件层级提出两种利用"聚合"思想的SIMD条件分支分歧优化策略:循环推迟和循环提前。策略将不同SIMD道中选择相同路径的条件分支"聚合"到同一步循环中,减少了SIMD操作的实际次数。使用CUDA对这两种策略进行的试验结果表明,在满足策略使用条件的前提下能够取得预想中的加速比。该策略实现难度较低、可操作性较强。     

基于双向十字链表的频繁项集挖掘

有效地进行频繁项挖掘一直以来都是数据挖掘任务中最为重要的组成部分。已有的大部分频繁项挖掘算法在数据项多及支持度低的情况下,算法的效率急剧下降。为了有效地解决此类问题,提出了一种采用双向十字链表结构的频繁项挖掘算法(two-way crossed list for frequent itemsets mining,TCLFI)。极大地降低了搜索空间,加快了频繁项的筛选过程,减少了所需保存的数据项个数,从而降低了时间复杂度,提高了频繁项的挖掘效率。实验通过真实数据集和合成数据集验证了算法的有效性和扩展性。     

条件概率与刚性近似下高分子链非格子模型的Monte Carlo模拟

探讨了采用高分子链的实际键长、键角、旋转异构态和无扰链时的条件概率逐个链段地生成样本高分子链进行真实链和受限链分子构象统计研究的可能性.并就无扰链、尾形链、真实链的情况与完全计算法、Flory矩阵方法进行了比较.结果表明:在刚性近似下,使用无扰态时的条件概率生成样本高分子链的Monte Carlo模拟,其样本库能真实地重现平衡态时受限链和真实链的构象分布,适用于受限链和真实链的构象统计研究.