基于DLENN模型的沈阳地区PM2.5浓度预测

受到重工业发展规模、北温带季风气候、秋冬季燃煤取暖、机动车拥堵状况以及微观气象条件等各种因素影响,沈阳地区PM2.5浓度变化具有趋势性、周期性及随机性特征。针对上述三种特征,论文构建了一种集成双向长短期记忆网络的神经网络预测模型DLENN(Double-LSTM Ensemble Neural Network),内含的两个方向LSTM分别刻画PM2.5浓度变化趋势性和周期性,然后采用线性回归杂合神经网络来捕捉PM2.5浓度变化的随机性。基于沈阳地区11个监测站2016至2017年空气质量和气象条件数据,本文将DLENN模型分别与自回归移动平均ARIMA模型、支持向量机SVM模型、随机森林RF模型和梯度提升树GBDT集成学习方法进行对比实验,结果表明DLENN预测模型稳定优于其他方法,其预测误差RMSE相对于ARIMA、SVM和集成模型分别下降了9.23%、3.83%、5.49%.     

考虑技术突破与技术升级的能力规划问题研究

技术进步与市场需求不确定性,都是制造业能力规划问题需要面对的最重要因素.以往研究仅考虑技术突破而没有考虑技术升级,较多考虑能力扩张而较少考虑能力更替,本文首次提出了一种同时考虑技术突破和升级的设备采购与替换的集成能力规划模型.在需求和技术进步双源不确定性条件下,采用Scenario方法建立了多计划期能力规划的集成决策模型,探求能力扩张、替换、维护的期望总成本最低.面对该决策问题所建立的非线性混合整数规划模型,本文为该NP complete问题设计了一种基于遗传算法框架的启发式求解算法,即通过增加变换操作的方法将该问题转换为可以随机进化求解扩张方案最优化求解替换方案的一个等价问题.在种群初始化过程中采取仅选择能力扩张决策进行染色体部分编码策略,然后用经典优化方法针对每个个体精确求解最优能力替换决策,将扩张和替换整体成本作为个体适应度参与个体评价与种群进化.实验结果表明,技术升级在不同需求变化情景下都可以有效降低能力规划的成本,且本文提出的启发式算法对于求解此类规划问题具有很好的收敛稳定性和性能稳定性.     

信用风险下存款策略研究

用结构化蒙特·卡罗方法提出了一个新的信用风险因素情况下衡量银行存款资产收益期望的数学模型 ,并导出了银行最大违约概率的一个上确界 ,同时结合风险价值监管体系下银行信息披露对此模型进行案例研究.     

基于金融微博情感与传播效果的股票价格预测

目前对微博情绪与金融预测之间关系的研究多数停留于诸如模式识别、语义分析、情感挖掘等文本挖掘技术,而较少研究微博情感传递过程。以金融微博文本情感挖掘和语义分析为基础,对相关的股票价格曲线进行拟合预测分析,包括对微博信息转播模型的研究和对微博情绪预测模型的研究。首先通过分析微博转播过程中的多个因素,包括转发情绪吸收、微博内容影响力、微博作者影响力、微博发布时间等,对模型自身进行拟合效果优化。其次,针对认证和非认证用户分类分析,并加入了转发次数的对其的再度影响,发现不同类型不同转发的用户对于股市曲线的影响滞后期不同。最后,在针对股市曲线变化的不同时期,对模型的拟合效果进行分析。给定金融市场某一特定关键词,采集了500,000多条金融微博及其相关用户信息。实验结果表明,新集成模型表现强于简单神经网络模型,而且是否为认证用户以及微博转发次数对微博滞后期的影响有所不同。此外,新模型的拟合效果,在股市上升期模型的拟合效果最好,下降期次之,平稳振荡期效果最差。     

基于多基因遗传规划的沈阳及其周边地区PM2.5浓度的预测

提出一种基于多基因遗传规划的空气质量预测模型.采用沈阳市及其周边地区11个监测站的空气质量数据和气象条件数据进行模型训练和预测检验.实验结果表明,提出的新模型不仅预测准确性好,而且其鲁棒性也优于经典遗传规划和传统BP神经网络.     

基于欧式期权模型的银行储备金费率及补偿率一个新算法

用布莱克·修斯公式的欧式期权定价方法提出了计算银行资产储备金费率的一个新的数学方法,适用于指导央行制订金融储备金费率.在我国央行目前实行单一储备金费率条件下,具有一定的参考意义.然后据此从投保银行的角度来反向考虑,导出投保银行得到补偿率的一个上确界,最后给出算例.     

连续型服务能力规划的建模与求解

针对服务能力规划的更实际的时间点Time和幅度Size问题,在连续时间条件下对服务能力规划问题进行了建模.在满足给定的服务水平约束下考虑了能力扩张的规模效应,探求恰当的扩张时间点和合适的扩张规模,使得总成本最低.在算例实验中,验证了模型的有效性,并根据不同需求变化的特性,进行了最优策略的敏感度分析.     

基于BPNN和SVR的股票价格预测研究

将情感分析和机器学习方法相结合,以股票新闻数据为基础,分别采用BP神经网络(BPNN)和支持向量机回归(SVR)两种方法,对股票价格进行预测分析。首先选取交易量较大的20只股票作为研究对象,抓取相关的新闻数据。然后邀请专家对高频词进行人工情感打分,得到一个针对性更强、粒度更细[-5,+5]的情感词典,同时考虑否定词、程度副词、假设疑问词和情感词间的相互作用,归纳出9种常见的语义规则,给不同的语义规则下的情感词赋予不同的权重,对情感值进行修正。最后分别采用BPNN和SVR两种方法构造股价预测模型,并对模型的预测效果进行对比分析。结果表明,文章提出的人工情感词典和语义规则在股价预测领域表现良好,情感得分正负方向与股价涨跌方向的一致程度显著提升,另外,SVR股价预测模型的均方误差更小,且股价走势方向正确率更高。     

险境淘金:基于并购重组事件挖掘的财务脱困预测

针对我国上市企业财务困境预测问题,构造了一个多分类器集成学习模型,挖掘企业并购重组事件(mergers and acquisitions, M&A)以及年报中管理层讨论与分析(management discussion and analysis, MD&A),应用文本分析技术研究其能否提供增量信息,以及新特征的信息价值.研究结果表明,新模型在预测准确度(area under curve, AUC)与识别能力(true positive rate, TPR)上均显著优于基准模型;企业财务数据、M&A, MD&A等的多源异构特征,都帮助该模型获得更佳的预测效果;基于MD&A的文本情感挖掘发现,管理层语调越消极悲观,其企业越易于陷入财务困境;频繁发生M&A事件更易使企业趋于陷入财务困境; MD&A中语调夸大将不利于模型预测的准确性,但大规模M&A会削弱这种消极作用.