基于已实现半协方差的投资组合优化

在传统的风险度量方法中,常见的协方差估计量并未区分资产收益的下侧风险和上侧收益,而一般的下偏矩估计量则存在非对称性和难以加总的缺点.本文引入已实现半协方差矩阵(RSCOV)作为风险度量进行波动率预测和投资组合研究.本文将RSCOV应用于两种常见的风险分散投资策略—风险平价(ERC)策略和全局方差最小(GMV)策略,并将机器学习中的在线加权集成(OWE)算法用于提升已实现波动率预测方法HAR-RV的样本外预测表现.通过研究发现,相比起已有的其他风险衡量方式,仅包含负向波动信息的下半RSCOV能够更好地被用于平衡组内各资产的风险贡献.基于A股市场2011-2018年的高频数据,本文通过实证研究发现,OWE-HARRV在月度预测步长下的效果优于HAR-RV,而下半RSCOV则能够使ERC策略以及GMV策略在保证一定平均收益的同时,降低了组合收益的极端损失.     

An ensemble of LSTM neural networks for high‐frequency stock market classification

We propose an ensemble of long–short‐term memory (LSTM) neural networks for intraday stock predictions, using a large variety of technical analysis indicators as network inputs. The proposed ensemble operates in an online way, weighting the individual models proportionally to their recent performance, which allows us to deal with possible nonstationarities in an innovative way. The performance of the models is measured by area under the curve of the receiver operating characteristic. We evaluate the predictive power of our model on several US large‐cap stocks and benchmark it against lasso and ridge logistic classifiers. The proposed model is found to perform better than the benchmark models or equally weighted ensembles.     

基于工作记忆内容的注意:儿童与成人的比较研究

选取10名小学儿童(7~8岁)和10名大学生(19~27岁)作为被试,采用"工作记忆+视觉搜索"的双任务实验范式,探讨儿童与成人基于工作记忆内容的视觉注意的异同.实验要求被试在工作记忆保持阶段完成一个视觉搜索任务,结果发现儿童与成人均表现出基于工作记忆内容的注意:相对于中性条件来说,工作记忆内容与干扰项匹配会显著降低成人被试的搜索绩效,而工作记忆内容与目标匹配会显著提高儿童被试的搜索绩效.研究结果表明,尽管儿童和成人都表现出了基于工作记忆内容的视觉注意,但儿童较成人能更好地运用该注意机制以提高视觉搜索绩效且受其不利影响较少.     

Multi-model ensembles in climate science: Mathematical structures and expert judgements

Projections of future climate change cannot rely on a single model. It has become common to rely on multiple simulations generated by Multi-Model Ensembles (MMEs), especially to quantify the uncertainty about what would constitute an adequate model structure. But, as Parker points out (2018), one of the remaining philosophically interesting questions is: “How can ensemble studies be designed so that they probe uncertainty in desired ways?” This paper offers two interpretations of what General Circulation Models (GCMs) are and how MMEs made of GCMs should be designed. In the first interpretation, models are combinations of modules and parameterisations; an MME is obtained by “plugging and playing” with interchangeable modules and parameterisations. In the second interpretation, models are aggregations of expert judgements that result from a history of epistemic decisions made by scientists about the choice of representations; an MME is a sampling of expert judgements from modelling teams. We argue that, while the two interpretations involve distinct domains from philosophy of science and social epistemology, they both could be used in a complementary manner in order to explore ways of designing better MMEs.     

能量转换量子系统的热力学特性及其研究进展

量子物理是理解微观粒子运动规律的现代物理学理论.它与信息、生命以及化学等学科相互联系日益紧密,引发了许多新技术革命,深刻影响着人类的生活,已成为社会经济发展的原动力之一.当前,量子物理和能源科学结合,正在产生新的学科生长点.本文主要概述多种类型能量转换量子系统的发展;结合国内外的研究现状,系统地阐明如何应用热力学理论研究量子体系的能量操控以及微观器件的优化设计;总结量子热力学循环、能量选择量子电子器件、量子点热管理器件等在理论和实验方面研究的代表性成果和进展;展望量子物理与能源科学交叉领域发展的新方向.     

分子筛应用于低温NH_3-SCR脱硝催化剂的研究进展

低温NH3-SCR技术能在低于200℃的反应温度下将NOx高效转化为N2,具有较好的经济效益和应用前景.开发高活性、高抗中毒的低温SCR脱硝催化剂已成为当前国内外环境领域的研究热点.硫中毒和水抑制是阻碍低温SCR脱硝催化剂发展和应用的关键因素.分子筛具有优良的吸附性能、适宜的表面酸性、择形性以及灵活性,可有效地引入过渡金属元素,在低温SCR领域有很好的应用前景.文中综述了近年来分子筛应用于低温NH3-SCR脱硝催化剂的研究成果,重点关注ZSM-5、SAPO-34、SBA-15、MCM-41以及BETA分子筛,分析了其低温选择性催化还原性能、抗硫抗水性能以及反应机理,并对计算模拟在分子筛催化剂设计中的应用进行了介绍.最后,针对分子筛应用于低温NH3-SCR所存在的问题,指出了今后研究的方向.     

具有选择与补偿机制的加权集合序贯极端学习机及其应用

针对集成在线序贯极端学习机(EOS-ELM)预测精度不高和动态适应性差的问题,提出一种具有选择与补偿机制的加权集合序贯极端学习机.该加权集合序贯极端学习机在序贯学习过程中,通过对当前预测模型精度的判断决定是否进行递推更新操作,同时为提高预测模型的动态跟踪能力,在加入新样本的同时对旧样本进行剔除;然后,利用EMD对残差序列处理后进行预测,并将初始预测结果与残差预测结果相加得到最终预测模型.通过对上证指数的预测,结果表明所提方法具有更好的泛化性能,预测精度相比EOS-ELM提高了近36.1%.     

积分方程法结合Ewald变换和栅格对称性分析周期性结构的散射特性

本文提出空域积分方程法分析周期性结构。空域周期格林函数的计算通过改进的Ewald变换进行加速。利用周期性结构栅格的对称性简化了几何模型的尺寸，未知量大大减少，以致填充矩阵和求解MoM线性系统的时间大为减少。我们的方法跟目前已发表的文章和商业软件相比，更高效和精确。     

基于SAMME+ResNet的多相码信号识别方法

针对传统多相码信号识别方法在低信噪比情况下分类精度不高、类识别率不均衡和识别方法不具有通用性的特点,提出了一种利用集成学习中的多类指数损失函数逐步添加模型(stagewise additive modeling using a multi-class exponential loss function, SAMME)算法和残差神经网络(residual neural network, ResNet)的多相码信号识别方法。通过仿真实验对5类多相码信号进行了分类识别,验证了模型的有效性,分析了不同数量基学习器对模型的影响,最后与传统分类方法进行了对比。仿真结果表明,在信噪比低于6 dB的情况下,所提方法相对于单个残差网络提高了约10%的分类精度,同时缩小了类之间识别率的差距,相对于常用的分类方法也有很大的优势。     

取用水监测点的水量计算与变化趋势分析

加强取用水监测是实施最严格水资源管理制度的重要举措.为了更有效地利用大量的取用水在线监测数据,需要对获取的监测数据进行预处理.本文首先提出应用中位数法与曲线拟合相结合的方法对取用水监测数据进行异常值检测,再用曲线拟合方法对异常值进行校正;其次,根据校正后得到的数据进行两个方面的分析,一方面是计算监测点的年取水量,另一方面是应用集成经验模态分解方法分析监测点的日取水量变化趋势;最后,以M市的16个自来水厂2016年取用水在线监测数据为例进行实证分析,结果表明,本文提出的中位数法与曲线拟合相结合的方法能够有效地检测异常值,进而再用曲线拟合方法能够更好地对异常值校正.根据校正后得到的数据进行分析发现81%的监测点年取水量相对2011年水利普查数据有所增加,个别监测点超出许可取水量较多,75%的监测点从春季到冬季日取水量变化为先增后减的抛物线趋势.