基于核密度估计的上证A股收益率分析

波动较大是股票收益率的特征,这种特征造成了它的分布非常不规则,因此在对股票收益率进行分析时,可以考虑运用形式比较灵活的非参数密度估计方法.而在非参数密度估计方法中,核估计是最典型的用来估计单样本模型的方法.因此,以上证A股指数收益率分布为对象,利用非参数核密度估计方法对其进行实证研究.这种方法除了在捕捉市场风险特征方面比普通正态分布更具优势外,而且对于收益率分布尖峰和厚尾的特征也能更好的反映,同时其结论也更加具有可信度.     

基于非参数回归模型的局部线性估计云量预报方法研究

为研究云量的分布特点,本文利用历史观测资料,对新义州、定海、隆子3站的总云量和低云量进行了正态性检验,结果显示：总云量和低云量均未达到正态指标,具有一定的随机性.因此,在2004-2007年逐年1月T106L19模式产品和单站地面观测资料的基础上,采用适合被解释对象呈非未知分布的非参数方法——局部线性估计方法,选择合适的窗宽和核函数,创建了上述3站总云量和低云量的短期预报模型,包括不同的长度样本序列.同时,为了比较预报效果,还采用适合被解释对象呈正态分布的参数方法——逐步回归法,建立了相应的预报模型,并利用2003年1月1～31日的逐日T106L19模式产品和3站的云量历史观测资料,对各种预报模型进行了试报和效果的检验,结果表明：在3站的总云量、低云量的月平均准确率和月平均平均绝对误差的检验指标中,非参数局部线性估计的预报精度均高于逐步回归方法 使用短样本序列建立的自适应非参数局部线性估计预报模型与采用长样本序列建立的预报模型相比,效果相当.这意味着,在数值预报产品解释应用的云量预报中,非参数局部线性估计方法可以更合理地考虑其时间分布特征,尤其在缺乏较长时间的历史建模样本时,具有良好的应用前景.     

先验分布确定方法的分类研究

先验分布的确定问题是贝叶斯统计学首要的基本问题。根据统计推断所利用的3种信息(先验、总体、样本信息)的不同应用,对常用的先验确定方法进行了一定的分类整理,并提炼了数据控制下的先验这一概念,以区别无信息先验和非主观先验概念。     

健美操裁判员评价封闭系统研究

通过分析同一样本--2005年中国学生活力健美操大赛裁判员,研究开发体育主现评分裁判评价模型,了解两个(参数和非参数)评价模式的特点,探索更有效的比赛裁判员管理的封闭系统.结果表明:非参数统计评价方法具有以下优点:(1)分布自由,即无需假设从特定方式分布的总体中抽取子样;(2)采用秩检验方法,可以分析数值上并不严格而有等级顺序的资料;(3)计算比较简单.     

区域洪水频率分析模型的稳健性检验

总体分布形式问题是洪水频率分析中关键性的问题之一。实际洪水的总体分布形式,既不可能在地区上具有统一性(例如各地均为皮尔逊Ⅲ型分布),也不可能仅“靠拟合经验频率”来确定。稳健性检验提供了一种有力工具.借助这个工具,我们可以从多个候选假设总体分布形式中选出合理形式及估计方法.本文利用Monte Carlo 统计实验,对以下四个区域模型(总体分布形式+区域估计方法,以“总体/方法”表示)进行了稳健性检验,并给予评价:(1)WAKEBY/区域概率加权矩法,简为 WAK/PWM~*;(2)极值Ⅱ型/区域概率加权矩法,简为 EV2/PWM;(3)皮尔逊Ⅲ型/修正区域矩法,简为 P3/MOM;(4)二参数对数正态/修正区域矩法,简为 LN2/MOM.     

体育统计资料的正态判别及正态理论在教学评分中的应用

体育教学、科研、训练中实测的计数或计量数据,绝大多数是受多种因素影响的随机变量,如果大面积上抽样或小样本重复观察,其概率分布一般呈正态分市。正态分布是体育统计中最常见、最普遍的概率分布形式,是许多统计方法的重要理论依据。本文试图就体育资料的正态判别及正态理论在教学评分中的应用,提出一些看法,与大家商讨。一、关于正态分布的判别标准正态分布判别的意义在于体育统计资料的频数分布是否接近正态,如果接近,就可推测其总体分布为正态分布。就可以根据正态分析布理论对已知样本进行分析研究,用样本统     

两种抽样方式下样本均值的数字特征及其意义

重复抽样和不重复抽样是有限总体抽样中常考虑的两种抽样规则,重复抽样得到的样本独立同分布,是简单随机样本;而不重复抽样下的样本同分布但不独立,因而不是简单随机样本。然而,在实际抽样时,绝大多数使用不重复抽样。给出并证明了在重复抽样和不重复抽样两种不同抽样方式下样本均值的数学期望和方差公式,并将这些公式进行比较,在理论上解释了不重复抽样的合理性,即当总体容量很大而样本容量较小时,不重复抽样可以看作是重复抽样,此时得到的样本可以近似看作简单随机样本。     

三类Copula函数联接的四种分布函数模型

在金融风险的应用中,Copula函数不限制边缘分布的选择,因此,可以选用不同的边缘分布和Copula函数,以达到最好的模型效果。在研究金融资产模型时,选择一个好的边际分布同样至关重要。本文利用参数方法、非参数方法和半参数方法可以得到各种基于Copula函数的不同分布模型。     

考虑车下环境的高速动车组空气流场数值仿真

在建立典型高速动车组模型、轨道等环境模型基础上,根据流场有限元知识,将整体仿真模型划分为车头部分、车尾部分、中间车前部及中间车后部.采用对称计算域,选择非结构网格进行网格处理,进而仿真分析300km·h-1的流场分布规律.结果表明:建立的典型动车组模型总体受力69.4kN,车下部分尤其是转向架附近流场分布各异,湍流形式明显,该部分阻力占总体阻力33.6%,最大正负压力差约8kPa.通过分析比较ICE和TGV-A高速列车相关试验数据,验证了仿真方法与结果的合理性.     

同模型下数据缺失时非参数回归模型反应变量均值的经验似然置信区间

在两总体具有相同的非参数回归模型下,当第一总体的样本为完全样本,第二总体的反应变量完全缺失时,利用第一总体的样本信息,得到了第二总体反应变量均值的经验似然置信区间.     

基于Logit和KMV的我国上市公司信用风险的比较研究

利用Logit回归模型和KMV模型分别对选取的29家我国上市公司样本的信用风险进行实证分析和比较。结果表明,两个模型基本上都能反映上市公司的信用状况,虽然KMV模型对非违约样本组的预测结果要优于Logit模型,但是在违约公司样本组的预测上,Logit模型要远比KMV模型准确。从总体效果来看,Logit模型的预测准确性要高于KMV模型。     

抽样调查中关于模型推断的思考

抽样调查中利用辅助信息建立超总体模型能够有效提高推断总体参数的效率.模型辅助方法的思想是基于抽样设计借助于超总体模型获得对总体参数的有效推断.基于模型推断方法完全是基于超总体模型推断总体参数.平衡样本是指辅助变量的汉森赫维茨估计等于总体总量的真值.对于平衡样本,如果模型的异方差性可以通过辅助变量解释,模型辅助获得的广义回归估计与基于模型的最优无偏估计是一致的,搭建了基于设计推断与基于模型推断的桥梁.由此得出最优抽样策略:平衡抽样设计与HT估计结合是最优策略,包含概率正比于模型残差的标准差.     

裂缝性油藏改进多重子区域模型

针对现有多重子区域模型在计算裂缝单元间等效传导系数时存在的问题,采用超样本技术和体积平均法对其进行改进,改进后的模型可以有效考虑周围区域介质对裂缝单元间等效传导系数的影响,同时可以得到全张量形式的等效渗透率,在此基础上运用模拟有限差分方法构造考虑全张量形式等效渗透率的数值计算格式进行模型求解。针对不同裂缝性油藏,通过数值算例对改进模型和原始模型的准确性进行对比分析。结果表明:改进模型的计算精度比原始模型有较大提高,与离散裂缝模型参考结果基本一致,同时其计算效率高于离散裂缝模型。     

基于非规则分布样本的航段油耗区间估计

飞机航段油耗估计是航空公司进行节能减排的重要基础。多因素影响下的航段油耗样本的非规则分布特征会导致一般的区间估计方法得到的估计区间质量较低,针对以上问题,提出了基于支持向量分位数回归(support vector quantile regression, SVQR)和Bootstrap相结合的航段油耗区间估计方法。利用SVQR非对称形式的绝对值残差最小化的思想估计航段油耗的条件分位数,并将其作为Bootstrap的输入来估计航段油耗总体的统计量,由于相同机型、航段的油耗样本总体满足正态分布,最后构建一定置信度的估计区间。实验结果表明：该方法的估计区间可信度更高、平均带宽更窄、提高了估计区间的质量。该方法能为航空公司合理的估计油耗及制定碳排放监测计划时提供参考。     

基于分层抽样的入侵检测方法

将分层抽样理论应用于网络入侵检测。通过统计网络数据包负载字段中的字节分布规律,得到数据包异常的度量,将此度量作为分层特征参数,用以从总体中抽取出有价值的样本。建立了基于Mahalanobis距离的异常检测模型对样本进行检测。实验结果表明,采用DARPA 1999年IDS评测数据集,在选定的97个待检测的攻击实例中,当保证误报率低于19／6时,本方法可以达到50%以上的检测准确率。     

Bootstrap方法在区间估计中的应用

运用bootstrap方法对总体均值区间进行估计。在小样本下用常规方法和bootstrap 4种方法对总体均值进行区间估计,在R软件中实现。结果表明,用bootstrap方法估计出的区间宽度明显要比常规方法估计出的窄。bootstrap方法可以提高小样本下总体均值区间估计的精度。     

一种基于级联模型的类别不平衡数据分类方法

真实世界问题中,不同类别的样本在数目上往往差别很大,而传统机器学习方法难以对小类样本进行正确分类,若小类的样本是足够重要的,就会带来较大的损失.因此,对类别分布不平衡数据的学习已成为机器学习目前面临的一个挑战.受计算机视觉中级联模型的启发,提出一种针对不平衡数据的分类方法BalanceCascade.该方法逐步缩小大类别使数据集趋于平衡,在此过程中训练得到的一系列分类器通过集成方式对预测样本进行分类.实验结果表明,该方法可以有效地提高在不平衡数据上的分类性能,尤其是在分类性能受数据的不平衡性严重影响的情况下.     

一类线性回归模型的参数估计

考虑一类多总体线性回归模型,其特点是它们均具有部分相同回归系数.采用各个子总体内样本利用最小二乘方法估计回归参数,然后依据样本容量进行加权估计公共回归系数,最后把公共回归系数回代到各个线性回归模型,利用最小二乘方法估计不同部分系数.理论结果表明,此种方法得到的估计量,不仅是无偏估计,而且方差比用单个子总体样本得到的最小...     

金融高频数据的风险价值研究——基于非参数法

高频数据分析是理解市场微观结构极为有效的手段.文章在GARCH模型对高频数据低效的情况下,从非参数的角度给出风险价值一个相合估计量,这个估计量不依赖于总体分布.实证分析表明深圳综合指数5min对数收益率偏离低频数据常具有的正态分布,且本文的非参数方法可以比较精确地度量风险价值.