带网络结构的自适应Lasso分位数回归及其应用

CVaR是衡量组合投资的重要风险测度,如何在CVaR组合模型中选择稳健的资产组合以降低管理时间和经济成本十分重要.理论上CVaR模型下的资产组合决策可转化为分位数回归,受此驱动,该文构建了带网络结构的自适应Lasso分位数回归,对高维资产进行选择.自适应Lasso对变量的回归系数进行加权约束,理论上具有变量选择的一致性.网络结构是基于复杂网络理论构造,能够体现出资产之间的复杂联动关系,因此它对改进选择结果是有利的.该文基于线性规划进行求解,对CVaR组合投资决策中特有的计算问题采取两步迭代的方式进行.多种情形下的模拟分析显示,新模型的变量选择效果和预测表现均最优,且随着变量之间相关性的增强,网络结构带来的优势愈发明显.最后,使用249只股票数据进行了实证分析,通过滚动建模的方式,得出新模型具有良好的稳健性与应用意义.     

基于LASSO分位数回归的中期电力负荷概率密度预测方法

中期电力负荷预测过程中往往会受到多种外界因素(诸如温度、节假日、风力大小等)的不确定性干扰,并且影响中期电力负荷预测的因素复杂多变、规律各异,难以精准地进行预测.在大数据环境下,如何在种类繁多、数量庞大的影响因素中快速获取有价值信息成为了电力负荷预测问题的关键所在.提出的基于LASSO分位数回归概率密度预测方法,首先从影响电力负荷预测的多种外界因素中挑选出重要的影响因子,建立LASSO分位数回归模型.然后,使用triangular核函数,将LASSO分位数回归与核密度估计方法相结合,进行中期电力负荷概率密度预测.以中国东部某副省级市的历史负荷和外界影响因素(包括温度、节假日及风力大小)为算例,运用LASSO分位数回归方法进行中期电力负荷概率密度预测,得到的平均绝对误差在中位数和众数上分别为3.53%和3.69%,优于未考虑外界因素和考虑外界因素未进行变量选择的情况.为了进一步验证该方法的优越性,将其与非线性分位数回归和基于三角核的分位数回归神经网络概率密度预测方法进行对比分析,说明该方法能较好解决电力负荷预测中的高维数据问题,从而获得比较准确的电力负荷预测结果.     

极端VaR风险测度的新方法:QRNN+POT

由于金融时间序列极端尾部数据的稀疏性,一方面非线性分位数回归存在非线性函数形式选择困难;另一方面非线性分位数回归的极端VaR风险测度精度一直不高.为此,提出了使用神经网络分位数回归(QRNN)模拟金融系统的非线性结构,并使用极值理论的POT方法弥补非线性分位数回归对极端尾部数据信息处理能力的不足,得到了一个新的金融风险测度方法:QRNN+POT,给出了其基本算法,并将其应用于极端VaR风险测度.选取了世界范围内代表性国家股票市场为研究对象,从样本内与样本外两个方面实证比较了QRNN+POT方法与已有的非线性分位数回归模型在VaR风险测度中的表现,结果表明:第一,直接使用非线性分位数回归模型能够准确地得到正常VaR风险测度,而极端VaR风险测度效果却差强人意;第二,使用QRNN+POT方法,极大地改善了极端VaR风险测度效果,能够有效地描述金融危机期间出现的极端风险.     

基于参数化分位回归模型的非寿险准备金评估

准备金及其风险边际对保险公司的偿付能力具有决定性影响.均值回归模型在非寿险准备金评估中的应用较为普遍,但需要通过Bootstrap等方法计算准备金的风险边际.分位回归模型可以一次性求得准备金及其风险边际的预测值,所以在非寿险准备金评估中具有独特的应用价值.基于GB2(Generalized Beta type 2)分布建立了一种参数化分位回归模型,该模型首先对GB2分布中的位置参数和尺度参数同时引入流量三角形数据中的事故年和进展年作为解释变量,增加了模型的灵活性;其次,根据模型参数的极大似然估计结果,借助分位数函数的表达式,计算了不同分位数水平下的准备金预测值;最后,利用极大似然估计的渐近性质,通过Delta方法给出了准备金预测值的误差.基于一组增量赔款数据的实证研究结果表明,GB2参数化分位回归模型在非寿险准备金评估及其风险边际的预测中具有良好的应用价值.     

地震灾害生命年损失多模型评估方法研究

传统地震灾害损失评估方法没有统一的指标对地震灾害损失进行全面的评估,这造成一些应用上的困难.为了能够对震害损失进行全面评估并进行多模型对比研究,本文给出了基于生命年的地震灾害损失多模型评估方法.通过生命年损失理论的改进以及方法参数取值的分析,确定了计算方案,并以年份、地区分组对我国震例生命年损失进行了对比研究.研究了总生命年损失随各影响因素:受灾人口、震中烈度、震级、恢复时间的变化规律,结果表明:四个影响因素均与总生命年损失呈正相关关系,且受灾人口相关性最大,其余三项依次递减.在影响因素分析的基础之上建立了线性回归模型、神经网络分位数回归模型与基因表达式编程非线性模型,并进行了对比分析.采用多模型对地震灾害生命年损失进行评估预测,减少了数据依赖性并简化了评估流程.     

基于V-foldCross-validation和Elman神经网络的信用评价研究

研究了关于公司信用评估问题的现状,指出一般神经网络应用于信用评估领域的不足.在此基础上,提出一套甄选原则以选择关键的信用评分指标;然后依据这些指标建立了基于Elman回归神经网络的我国企业的信用评估模型.采用V-foldCross-validation技巧对该模型的评分效果进行了实证研究.     

基于贝叶斯分位数回归的市场风险测度模型与应用

对具有递归或非递归表达形式的一般分位数回归模型,基于不对称拉普拉斯分布提出了贝叶斯推理框架.指出不对称拉普拉斯分布的尺度参数在估计中应该被参数化,否则将导致其方差存在非零最小值的限制.给出选择尺度参数和模型参数先验分布的条件,保证参数后验分布是真实概率分布,并采用马尔科夫链蒙特卡罗模拟方法进行参数估计.对深证成分指数的实证研究表明,不对称绝对值和斜率分位数回归模型比间接GARCH和FIAPARCH模型更好地描述了深证成分指数的风险特征,在不同的置信水平下,深圳股市消息对市场风险具有强度不同的不对称性冲击.动态分位检验和后验测试支持分位数回归模型可以对金融数据进行高置信水平的市场风险测量和探索风险的演化模式.     

基于半监督广义可加Logistic回归的信用评分方法

传统的信用评分模型主要基于有监督学习(supervised learning)方法,但是,在实际的贷款问题中,有标记样本信息的获取往往成本较高、难度较大、周期较长,而无标记样本信息则大量存在.为了能在建模中充分利用无标记样本信息,本文提出了一种基于半监督广义可加(semi-supervised generalized additive,SSGA) Logistic回归的信用评分模型.该模型不但能处理线性不可分问题,也能同时利用有标记与无标记样本信息,并同步实现模型参数的估计和显著变量的选择.通过模拟实验表明,所提出的模型在外推预测和变量选择方面的表现均显著优于有监督模型.最后,将该模型应用于个人信用贷款违约风险的评估中.     

基于多层稀疏先验的回归样条变量选择算法

在计算机试验中,复杂现象的仿真拥有数目庞大的输入变量。因此,筛选出对输出有重大影响的输入变量显得至关重要。针对计算机试验的变量选择问题,提出一种基于贝叶斯多层稀疏先验的回归样条变量选择算法。新算法能够同时进行非重要输入变量的自动删除和重要输入变量系数的自适应估计。不同于计算机试验中已有的变量选择算法,新算法不需要调节控制稀疏性的超参数。通过快速算法进行数值求解,试验结果表明：新算法不仅能够更精确地实现变量选取,而且能够大大地降低计算复杂度。     

小微企业信用评级模型及比较研究

在调查和文献基础上,进行信用风险来源识别、评级指标分类和评级方法选择,构建商业银行内部信用评级模型,以期在授信审批环节提高信用风险管理水平.基于某商业银行2008—2013年小微企业实际信贷数据,运用线性判别分析、二项逻辑回归和十种基于不同学习算法的BP神经网络模型构建内部信用评级模型,并在评级指标体系中加入宏观经济变量,使度量风险的稳健性进一步得到提升.最后通过四种方法对不同模型的结果和评级有效性进行了对比分析,认为基于Levenbery-Marquardt学习算法的NN10模型具有最优的评级有效性.     

分位数向量自回归分布滞后模型及脉冲响应分析

为研究多个时间序列条件分位数之间的关联关系,将向量自回归分布滞后模型扩展到分位数体系下,提出了分位数向量自回归分布滞后模型:QVARDL(p, q),给出其数学表示、参数估计、滞后阶数选择、脉冲响应分析等一整套建模方法.选取世界范围内主要国家(地区)资本市场作为研究对象,将建立的模型与方法应用于解释美国次贷危机的影响,结果表明:美国次贷危机在世界范围内产生了深远影响,但对不同国家(地区)的资本市场在影响程度、影响方式、响应时期等方面有着不同的表现.这一发现,有助于理解美国次贷危机的传播规律.     

人民币升值对中小板市场波动的影响——基于贝叶斯分位数回归的分析

由于传统均值回归模型无法很好地刻画中小板综合指数极差、汇率和利率具有的尖峰厚尾及结构突变等特征,本文利用分位数回归基本思想,引入自回归分布滞后效应,借助不对称Laplace分布进行贝叶斯估计,构建基于Gibbs抽样的贝叶斯自回归分布滞后分位数回归模型,并考察了人民币升值对中小板综合指数极差波动的影响。结果表明,中小板市场主要受自身过去波动的刺激作用,利率影响微弱;人民币升值可以平缓中小板市场波动,但股市波动剧烈时,抑制效果减小。因此本文认为在股市波动平缓的情况下,可以适当推进人民币升值步伐。     

CVM数据分析中的半参数模型及实证研究

条件价值评估法（CVM）是目前国际上评价景观价值最广泛的方法. 二分式选择问卷是最有效的CVM问卷格式,但二分式选择问卷数据不能提供支付意愿（WTP）的直接估计,其参数模型不能够充分拟合WTP,且不能充分挖掘样本数据信息. 针对上述问题,本文提出一种基于生存分析的CVM 数据分析方法,构建基于半参数比例风险模型的支付意愿影响因素分析模型,为CVM 数据分析提供新的路径. 以三江平原湿地景观价值评价为例进行实证分析,得到黑龙江省居民平均支付意愿为90.53元/人/年,个人收入、环保意识以及受访者所处地理位置是影响其支付意愿的主要危险因素. 研究证明了半参数分析方法在处理二分式CVM数据分析中的可行性及有效性.     

基于D-vine copula-分位数回归的组合投资决策

为克服传统组合投资决策模型使用方差风险的不足,建立D-vine copula-分位数回归方法估计多元条件联合分布,给出广义Omega比率组合投资决策模型求解方案.分别选取能源市场3种期货商品和不同行业5只股票进行实证研究,结果表明:基于D-vine copula-分位数回归的广义Omega比率组合投资决策模型,能够充分揭示与模拟金融资产收益变动规律,得到更高的Sharpe比率和广义Omega比率.     

Hall分布族在巨额索赔数据的极值分位数估计与风险度量中的应用

基于指数回归模型构造了厚尾分布的一个子族——Hall分布族的极值分位数估计，并将该方法应用于巨额索赔数据进行了实证分析。然后，对巨灾保险进行了风险度量，得到了该数据的极值分位数，并作出了合理解释。     

双层稀疏组Lasso高分辨SAR结构特征增强成像

针对合成孔径雷达(synthetic aperture radar,SAR)成像中,基于l1正则化线性回归(简称为Lasso)的凸优化类算法在进行稀疏特征增强时会导致弱散射体结构特征丢失,进而影响稀疏信号恢复精度的问题,本文提出一种基于双层稀疏组Lasso罚高斯回归模型的交替方向多乘子算法.该算法以散射体的块结构(组)...     

基于MRS的股指期货最优分位数套期保值研究北大核心CSCD

为研究不同市场状态及现货收益率分位下的股指期货套期保值比率,引入马尔科夫状态转换模型将分位数套期保值方法扩展到多状态情形,并提出了基于损失函数最小化的最小方差套期保值效率分位数计算方法.选取中国上证50、沪深300和中证500股指期货进行实证分析,结果表明,三大股指期货的分位数套保比率呈倒U型;低波动状态的分位数套保比率相对平稳,而高波动状态的分位数套保比率在现货收益分布中向右下方倾斜.比较不同套期保值方法的效率得出,在高、低波动状态下,分位数套期保值均优于均值回归套期保值.     

农户借贷的经济影响：基于IVQR模型的实证研究

使用2003年对中国3000个农户的抽样调查数据,采用工具变量分位数回归法(IVQR),在考虑异质性影响和内生性问题的基础上,实证估计了农户借贷的经济影响.研究结果表明,借贷从整体上显著促进了农户经营收入的增加,但对不同收入层次的农户的产出影响具有明显的异质性.借款对最贫困和最富有的农户的收入作用不明显,但是显著促进了中低收入农户产出的增加,其产出弹性约为0.08.由于目前我国农村金融资源的分配明显偏向富有的农户,这为中低收入农户面临信贷约束提供了证据.使用2SLS与普通分位数回归方法(QR)得到的估计都存在较大的偏差.     

基于偏最小二乘回归的农村居民人均纯收入预测

偏最小二乘回归是一种能在一个算法下同时实现回归建模、数据简化和两组变量间相关分析的新型多元回归分析方法。农村居民人均纯收入受到多种因素的影响,各因素间相互制约和影响,存在着严重的多重相关性,而偏最小二乘回归方法能很好地解决这一问题。通过将偏最小二乘回归分析方法用于农村居民人均纯收入拟合和预测时,结果表明,该方法具有建模简单、计算结果可靠的特点,具有较强的实用性。图2,表4,参6。     

递归分类树在信用风险分析中的应用

递归分类树是计算机实现 ,基于统计理论的非参数的识别技术 .本文将之用于商业银行信用风险分析 ,以判别分析为参照方法 ,加以实证研究 .结果表明递归分类树在变量选择和分类方面的效果好于判别分析方法.