高维样本协方差矩阵极限谱密度的显式表达式

用Stieltjes变换给出一般高维样本协方差矩阵的极限密度函数的显示表达式, 包括: 样本元素独立且均值为0, 方差为常数的样本协方差矩阵; 一个样本协方差矩阵与单位阵的和; 样本元素方差不等但只取两值的样本协方差矩阵; 两个不同的样本协方差矩阵之和.     

基于非凸惩罚函数的高维协方差矩阵的建模

近年来,随着金融数据爆炸式的增长与数据存储能力的提高,高维与高频金融数据的建模以及其在投资组合中的应用引起了人们广泛的关注.本文聚焦于高维协方差矩阵的建模问题.首先,基于VAR-LASSO模型引入SCAD惩罚函数与MCP惩罚函数替换LASSO惩罚函数,分别提出了VAR-SCAD模型与VAR-MCP模型.其次,在理论层面证明了VAR-SCAD模型与VAR-MCP模型参数的Oracle性质,弥补了VAR-LASSO模型参数不满足Oracle性质这一缺点,提高了模型的估计精确性.最后,通过实际频率为5分钟的高频股票数据,构建已实现协方差矩阵与投资组合进行实证分析.通过实证分析可以发现,VAR-SCAD模型与VAR-MCP模型在测试精确性方面的表现要优于VAR-LASSO模型,VAR-SCAD模型与VAR-MCP模型构建的投资组合的收益率高于VAR-LASSO模型构建的投资组合,其中VAR-MCP模型构建的投资组合的收益率最高.     

高维协方差矩阵估计方法的比较

通过模拟比较门限估计方法和收缩估计方法之间的差异,得出2种方法在实际应用中的使用范围.由模拟结果可知,若有确切的证据表明总体协方差矩阵是稀疏矩阵,则采用门限估计方法,否则,采用稳健的收缩估计方法比较恰当.     

二元正态总体样本相关系数的渐近正态性

基于多元函数的中心极限定理,证明了二元正态总体的样本相关系数具有渐近正态性并得到了具体的渐近分布.     

基于L_1范数最小化的逆协方差矩阵估计

由于在高维空间中,基于固定维数的经典方法和结果不再适用,样本协方差矩阵不可逆,估计逆协方差矩阵时存在不稳定、计算成本高和非精确等问题,提出了一种L1范数最小化方法来有效估计高维逆协方差矩阵即精确矩阵.当总体分布满足指数类型条件或者多项式类型条件时,所提估计方法在各种范数下的收敛速率优于其他现存的方法.经分析验证,所提方法为凸优化问题,可采用交替方向乘子算法来解决.之后通过R语言在模拟数据和实际数据下进行仿真分析,并与Glasso方法对比逆协方差的估计性能和图恢复性能,结果表明所提估计方法准确率高、计算成本低.最后,将所提估计方法用来分析白血病数据集,并运用聚类分析对白血病人进行分类.     

基于随机矩阵理论的盲MEHM频谱感知算法

利用随机矩阵理论中样本协方差矩阵极限特征值的分布结果,设计了一种新的最大特征值-调和平均(NMEHM)盲频谱感知算法.NMEHM算法无需主用户信号及无线信道的先验知识,可以有效克服噪声不确定性的影响.仿真实验结果表明,相对于一些基于特征值检测的频谱感知算法,NMEHM算法的检测概率更高,且获得了比最大特征值-调和平均(MEHM)算法更优异的检测性能.     

分析离散型与连续型样本协方差阵正定性

分析当多元随机变量协方差阵正定时,各随机分量应满足的关系,并结合多项分布研究离散型与连续型样本协方差阵的不同.     

分析离散型与连续型样本协方差阵正定性

分析当多元随机变量协方差阵正定时,各随机分量应满足的关系,并结合多项分布研究离散型与连续型样本协方差阵的不同。     

高维协方差阵的两样本检验的一些证明

假定样本总体的维数为p,样本容量为n,当pn时,单个及多个p元正态总体的协方差阵的检验问题已经解决,但是当p比n大很多时,我们发现已有的解决方法失效,参见文献[3-4].文献[1]提出了一般条件下两样本协方差阵检验的检验统计量,本文将为这个统计量的渐近正态性的相关结论给出证明.     

高频数据下基于LSTM的协方差矩阵预测模型

协方差矩阵的建模与预测,对于金融风险管理、投资组合管理等至关重要。 针对时间序列模型对高维变量预测精度较低的问题,利用长短记忆神经网络模型(LSTM),提出了基于深度学习的高频数据已实现协方差矩阵预测模型。 利用金融高频数据得到已实现协方差矩阵,对其进行 DRD 分解,针对相关系数矩阵 R 进行向量化处理,利用向量异质自回归模型(HAR)预测已实现相关系数矩阵 R;针对已实现波动率矩阵 D,利用半协方差(semi covariance)思想,结合 LSTM 模型,得到已实现波动率矩阵 D 的深度学习预测模型,构建了 LSTM-SDRD-HAR 已实现协方差矩阵动态预测模型。 LSTM 模型和 HAR 模型能捕捉实际数据的长期记忆性,半协方差有利于捕捉金融数据的杠杆性。 实证分析表明:相较于传统向量 HAR 已实现协方差矩阵预测模型,LSTM-SDRD-HAR 预测已实现协方差矩阵更为准确,基于 LSTM-SDRD-HAR 预测已实现协方差矩阵构造的有效前沿组合投资效果更佳。     

基于协方差矩阵的干扰阻塞算法

 为解决干扰阻塞算法对阵列接收信号构造阻塞矩阵进行干扰抵消后,位于干扰附近的信号会受到严重衰减而无法进一步检测的问题,提出一种基于协方差矩阵的干扰阻塞算法。针对阵列接收信号的协方差矩阵构造阻塞矩阵,利用协方差矩阵的特点实现干扰阻塞算法,减弱因干扰抵消而造成的信号衰减,利于信号的进一步检测。理论分析和计算机仿真结果表明,相对于干扰阻塞算法,基于协方差矩阵的干扰阻塞算法在信号和干扰相距较近时能有效抵消干扰同时减少对目标信号的衰减。     

线性随机控制系统协方差的两个性质

本文讨论了最广泛的线性随机控制系统的状态变量和误差信号自协方差矩阵的性质,它们与输出量谱密度矩阵和最优控制及滤波的关系。     

基于协方差矩阵的空间平滑解相干算法

空间平滑是相干信号DOA估计中的一种有效算法,但平滑不仅造成了阵列孔径的减小,而且不能灵活地调整子阵的长度,对于不同的子阵,均需要计算协方差矩阵然后求平均,运算量较大。通过分析协方差矩阵的结构,指出在协方差矩阵中包含了所有子阵协方差矩阵的信息,从而可以通过对协方差矩阵的处理,构成前后向子阵的协方差矩阵,避免了子阵协方差矩阵的运算,可以灵活地实现平滑算法。计算机仿真证明了该处理的有效性.     

基于协方差矩阵重构的DOA估计方法

针对空间信号的波达方向估计,提出了协方差矩阵重构测向算法。由数据协方差矩阵的特征分解求得信号特征值及其对应的信号特征向量,根据各个信号特征向量构造相应的子协方差矩阵,算法定义一个新协方差矩阵。从理论上证明了新协方差矩阵在信号相干时仍然满秩,新算法在解除信号相干性的同时没有造成阵列孔径的损失。与空间平滑类算法相比,估计同样相干信号数,新算法能节省更多阵元。仿真实验证实了新算法优越的分辨能力和估计性能。     

基于NSCT和矩阵F-范数的图像检索方法

介绍一种基于非下采样轮廓波Nonsubsampled Contourlet(NSCT)和矩阵F-范数的图像检索(CBIR)技术。首先对图像进行NSCT变换,然后将变换结果用矩阵F-范数构建特征向量,设计了两个特征向量相似度度量,最后给出加权相似度实现了图像检索。实验结果表明,该技术具有很好的检索率。     

协方差矩阵的乘积及其迹的估计

对于两个不同总体的协方差矩阵$\Sigma_1$和$\Sigma_2$,估计其乘积$\Sigma_1 \Sigma_2$及乘积的迹$\trace(\Sigma_1 \Sigma_2)$是统计推断问题的关键步骤. 首先,构造$\Sigma_1 \Sigma_2$的几个等价估计,同时对于任意的正整数$m,n$建立了$\Sigma_1^m \Sigma_2^n$ 和 $(\Sigma_1 \Sigma_2)^m$的无偏估计。其次,利用$\Sigma_1 \Sigma_2$ 的等价估计,发现了$\trace(\Sigma_1 \Sigma_2)$的多个常用估计量是相等的. 最后,基于上述发现,证明了两个常用的检验统计量(被用于检验两个协方差矩阵是否相等)是渐近等价的.     

基于协方差矩阵重构和导向矢量优化的波束形成算法

针对传统波束形成算法在导向矢量失配和协方差矩阵误差情况下输出信干噪比下降严重的问题,提出了一种基于协方差矩阵重构和导向矢量优化的稳健自适应波束形成算法。该算法通过估计信号和干扰的功率及方向,重构干扰加噪声协方差矩阵,同时结合投影和空域积分思想,对假定的导向矢量进行优化计算,使其接近真实的导向矢量。进而通过相关运算求得复数加权值实现波束形成。所提算法可以有效抑制干扰,提高输出信干噪比。在多种失配存在的情况下,所提算法也具有较好的性能。研究共进行了6个仿真实验,所提算法性能均优于所对比算法。所提算法在快拍数固定且存在导向矢量失配的情况下,相比于最差情况性能最优算法有约5 dB的输出信干噪比提升。在信噪比固定且存在导向矢量失配的情况下,相比于对比算法均有4 dB以上的性能提升。实验结果验证了所提算法的有效性。     

F-矩阵的性质与Hadamard不等式的注记

通过对正定矩阵、M-矩阵、逆M-矩阵的研究,使用Fisher不等式给出了F-矩阵的定义,并研究了F-矩阵及相关矩阵类的性质,得到的主要结果是:F-矩阵Schur补是F-矩阵;F-矩阵与逆F-矩阵Hadamard不等式等号成立的矩阵结构,以及F-矩阵与逆F-矩阵的一个组合性质.     

基于正样本-背景数据的校正混淆矩阵

提出一种基于正样本和无标记背景数据的混淆矩阵校正方法,并以WorldView-3和Landsat8卫星影像不透水面提取为例,验证其在遥感影像一类分类精度评价中的有效性.实验结果表明,基于接受者操作特征曲线估算的校正常数c在WorldView-3影像中范围为0.301 7～0.310 3,在Landsat8影像中范围为0.289 5～0.313 2,分别与对应的真值0.279 0和0.300 0较为接近;基于正样本-背景数据朴素混淆矩阵的精度指标与传统基于正负二类数据基准混淆矩阵的精度指标值相差较大,而经过c值校正之后的精度指标值与基准指标值基本一致.该结果验证了基于正样本-背景数据的校正混淆矩阵在不依赖负样本的情况下可以有效地对一类分类结果进行评价.     

修正协方差阵的投资组合方案及其稳定性

分析了最优化投资组合不稳定的原因,在此基础上,推广了由前人提出的一个新方法,即根据随机矩阵定理(RMT)对样本协差阵进行变化以得到一个更好的投资方案.首先对该方法中未证明的部分给出了更充分的实证理由,并运用这种思想,结合中国证券市场的实际数据,来模拟“真实的投资”.而这种方法得到的投资方案,较之传统方法有较好的收益率和方差,且可被前人对风险预测的分析方法所解释.