弱偏好序下的最优单边匹配算法设计

传统的匹配算法假定学生偏好序是严格的, 但在现实中匹配的学生一方很可能会具有弱偏好序, 这时任意一种算法的双边匹配都不能满足稳定、抗操作和帕累托最优. 在中国, 高等学校录取的“平行志愿”录取方式是一个典型的单边匹配. 因此论文将弱偏好序的匹配算法研究拓展到单边匹配领域, 设计了“挤出”匹配算法, 并证明该算法满足稳定、抗操作和帕累托最优的算法, 且匹配后学生总效用最高. 通过计算机算法模拟的方式, 全志愿模拟录取证实“挤出”算法确实能显著改进匹配效率, 且主要改善优先序排名较后的学生的效用; 在两批次高考志愿录取模拟中, “挤出”算法使学生总效用最高, 能同时保证“高分低就”率和“高分落榜”率最低.     

机构投资者、股权分置改革与股市波动性——基于MCMC估计的t分布误差MS-GARCH模型

从2003年开始, 中国机构投资者占股市流通市值中的比例迅速增长. 论文以这段时期上证指数的日收益率序列为研究对象, 改进了最新的t分布误差MS-GARCH模型, 运用马尔科夫链蒙特卡罗模拟(MCMC)对该模型进行了估计, 为研究股权分置改革、机构投资者对股市收益率波动的影响提供了新的证据. 研究发现, 股权分置改革使股市波动性发生了结构性改变, 股市由低波动风险期转换为高波动风险期; 各类基金的总净值和仓位给股市波动性带来的影响有显著差异, 存款准备金率和利率的调整也会影响股市波动性. 最后, MS-GARCH模型对股市数据的拟合度和预测效率等都优于单状态GARCH模型.