高校图书馆图书招标采购工作中存在的问题与改进措施

针对图书招标采购过程中存在的一些具体问题,提出了高校图书馆在图书招标采购工作中的改进措施。     

激励相容在线反向拍卖的竞争分析

运用在线算法与竞争分析方法,研究了网络环境下当供应商在不同时刻到达,并投标而要求采购商接到每个投标时立即做出决策的在线反向拍卖机制.首先,证明了基于采购商需求曲线的在线反向拍卖是激励相容在线反向拍卖的充分必要条件.其次,对无限可分商品,在采购商需求量一定的前提下,运用文中给出的基于投标价格上涨威胁的策略,找到了采购商竞争的需求曲线,并求出了该在线策略相对于Vickrey反向拍卖策略的竞争比.最后,给出了在线反向拍卖操作的算法框架,并通过实例进行了说明.     

集成有限个专家意见的在线投资组合策略

基于弱集成算法的在线学习特征,该文探讨了它在在线投资组合选择中的应用,考虑了根据有限个专家意见进行决策的情形.首先将弱集成算法应用到投资于单只股票的专家意见,得到了在线投资组合的单一集成策略,并给出了该策略的竞争性能分析,证明了单一集成策略能够追踪最好的股票,实际投资决策中,投资者可能会选择多只股票进行组合投资,进一步将弱集成算法应用到投资于不同股票数目的专家意见,得到了在线投资组合的混合集成策略;证明了混合集成策略实现的累积收益与最优专家意见实现的累积收益相当.在长期投资组合上的数值算例表明了该文给出的单一集成策略能够实现与最好股票相当的收益;混合集成策略能够实现与最优定常再调整策略相当的收益,且与泛证券投资组合策略相比,能够获得更多的收益,具有较好的竞争性能.     

在线住房租赁的竞争策略及其风险补偿模型

基于一般设备在线租赁竞争策略的基础上,分别研究了在线住房租赁问题在有无利率情形下的竞争策略,并建立了相应的风险补偿模型,从而在线置房者可以根据自己的风险容忍度和未来预期选择最优的住房租赁策略.另外,市场利率的引入使得在线住房租赁模型复杂但更贴近于现实中的住房租赁决策问题.通过具体实例进一步说明了市场利率下在线竞争比更小,而且竞争比关于市场利率递减;同时也说明了风险补偿模型中最优约束竞争比要小的多.     

基于数据分割和集成学习的大规模SVM分类算法

支持向量机对分类问题的求解过程相当于解一个线性约束的二次规划问题,求解的变量个数与训练样本数相等,且需要计算和存储的核矩阵大小与训练样本数的平方相关.随着样本数目的增多,经典的求解二次规划问题的算法不再适用.针对大规模二分类问题,基于数据分割和集成学习策略,本文提出了一种快速支持向量机学习算法.其主要思想是:首先对数据集进行预处理,自动将正负类分别聚成若干子簇;然后对两两组合的正负子簇用SMO算法进行交叉学习,得到多个基本分类器;最后对这些基本分类器进行集成学习.在UCI的5个数据集上的实验表明,与SMO学习算法相比,这种基于数据分割的训练策略在精度几乎没有损失的情况下显著地提高了训练速度.     

分数布朗运动下欧式汇率期权的定价

应用风险偏好和均衡定价方法,考虑了标的资产服从分数布朗运动下的汇率期权定价问题.首先利用条件期望构建了条件过 程的联合密度函数, 然后,基于历史有限信息推导出分数欧式汇率期权的闭式解. 为了理解定价模型,进一步分析了赫斯特指数对定价 结果的影响. 最后,给出了基于GBP/USD期权的实证研究.不同模型的结果说明了汇率市场具有分形特性.     

集值测度的哈恩分解

对集值测度空间的分解进行了讨论,给出了集值测度哈恩分解的充分与必要条件.     

足球彩票胜负游戏的优化投资———在线组合优化

以欧洲赔率为依据,建立了足球彩票胜负游戏冷门分析的数学模型;结合实证,利用在线算法分析了传统的足彩投资方式———复式策略的弊端,认为复式策略的竞争比太大,风险度过高;进而提出了冷门预期策略,利用冷门指标对复式策略投注进行了优化组合,大幅度地降低了竞争比和风险度.     

回归模型中不确定性影响因素的综合处理

本文利用同异反分析的方法，将经济变量的不确定性信息进行综合分析和处理，给出了建立含有不确定性影响因素的回归模型方法，并通过实例说明该方法具有实际广泛性的意义。     

基于线性学习函数的泛证券投资组合策略

最优定常再调整策略所产生的收益随时间成指数速度增长, 寻找与最优定常再调整策略的收益具有相同指数增长率的在线序贯投资组合是近年来投资组合研究的一个 热点. 首先提出了基于线性学习函数的在线投资组合策略, 其中线性函数的系数是一个与股票相对价格和收益有关的区间的中点. 用相对熵函数定义两个投资组合向量之 间的距离, 进一步证明了基于线性函数的在线投资组合策略是泛证券投资组合. 最后, 分别在两支股票和三支股票组成的多个投资组合上进行了数值计算, 并 与Cover等人提出的泛证券投资组合策略进行了比较. 结果表明这种基于线性学习函数的在线投资组合策略能获得更多的收益, 从而为投资者提供了新的 在线序贯投资组合决策的方法和依据, 具有重要的现实指导意义.