可转换债券转换比率模型

将可转换债券看作内嵌期权和内含债券的组合物,从投资者一般投资心理考虑问题,即投资者是否投资取决于投资收益率大于其事先设定的投资收益率底线的可能性,得到可转换债券转换比率模型.通过模型的解发现:可转换债券转换比率仅仅与可转换债券内嵌期权和内含债券两者收益率均值、方差以及两者的相关系数有关,转换比率是内生变量.模型提供了客观确定可转换债券转换比率的方法和理论指导.     

二叉树模型在可转换债券定价中的应用

可转换债券在我国是一种比较新的兼具债券和期权特征的混合型金融衍生产品,具有筹资和避险双重功能．无论对于发行者还是投资者,对可转换债券的定价研究都有其理论和实际意义．文中运用二叉树期权定价模型,考虑赎回和回售条款,并结合上市的24只可转换债券,对可转换债券的定价理论和应用模型做了系统研究．结果表明,可转换债券价值被明显低估．     

基于GM包络模型的可转换债券价格区间预测

研究利用GM包络模型预测可转换债券价格的运行区间.提出了一种适用于预测可转换债券价格运行区间的GM包络模型.利用这个模型实现了对W转债价格运行区间的预测,并得到了较好的预测结果.该工作为可转换债券价格运行区间的预测探索了一条新的途径.     

可转换债券的价格走势及其投资策略

从可转换债券与其标的股票价格的相关性着手分析,得到两者之间的关系,从而确定可转换债券在不同条件下的价格趋势。利用一个实例,通过对大量数据进行统计分析来验证所得出的结论。最后根据得到的结论对投资者的投资策略作出指导。     

统一债券与可转换债券价格问题研究

利用数学和经济学知识和原理,分析和研究经济学中统一债券与可转换债券价格的变化,解答统一公债中的若干问题,并根据FBSDE理论证明了Black针对Breunan和Schwartz在1979年提出的一个短期利率和统一公债价格的随机微分方程模型而提出的猜想.     

我国可转换债券条款设计研究

作为一种混合型金融工具，可转债以其独特的性质越来越为我国上市公司和投资者们所接受，而如何设计合理的条款是可转债发行成功的基础。文章在分析可转债条款设计目的和思路的基础上，分别对可转债各主要条款的设计进行研究，并结合我国的实际情况提出了发行人在条款设计过程中应注意的几个问题。     

正确认识可转换债券的投资价值

可转换债券是一种混合型的金融产品。投资者在进行投资时 ,弄清可转换债券的特征 ,投资价值以及如何投资是获得较高的投资收益的保证。     

发行可转换债券对公司股票价格影响的实证研究

对我国上市公司发行可转换债券对股票价格的影响进行了实证分析,结果发现:上市公司发布发行可转换债券公告后,二级市场股票价格显著上升,说明投资者青睐可转换债券.回归研究表明,发行可转换债券宣告效应与发行公司的公司规模,可转换债券发行规模以及宣告期间重大事件的公布呈显著正相关.     

可转换债券的投资价值

介绍了可转换债券同时具有股票、债券和期权的特性。阐述了作为混合金融产品，可转换债券的价值与标的股票的价值及其作为债券的价值相关，各种因素随证券市场的变化而变动。     

高斯隶属度函数模糊神经网络在肺癌诊断中的应用

选用隶属度函数为高斯函数的模糊神经网络用于肺癌诊断,尝试提高诊断的正确率.对于非二值输入参数,首先用高斯隶属度函数模糊化,然后与二值参数一起作为BP神经网络的输入参数.所用病例被随机分为训练集和证实集,训练模糊神经网络,用证实集测试该网络区分肺癌与非肺癌的能力.结果表明,用高斯隶属度函数的模糊神经网络比作为对照的三角形隶属度函数模糊神经网络诊断正确率有所提高,而且对病例如何分组不敏感.     

二叉树模型用于可转换公司债券定价

可转换公司债券兼具债券、股票和期权3个方面的部分特征,再加上可转债的赎回条款和回售条款,使其定价更为复杂.利用二叉树模型,给出了附有赎回条款和回售条款的可转债的定价方法,分析了赎回条款和回售条款对可转债的影响.     

改进的人工神经网络模型在水文序列预测中的应用研究

目前人工神经网络(ANN)技术在水文序列模拟预测中有较多应用.由于径流时间序列往往呈现出复杂的变化过程,直接使用径流序列建立的ANN单变量预测模型大多精度较差而难以满足需要.本文拟从两个方面进行改进,以提高ANN径流量预测模型的精度.首先,根据径流序列的变化规律,滤去序列中的季节性变化趋势,并采用局部多项式拟合求残差方法消除局部波动成分后得到新序列作为ANN模型训练样本,结果表明由此训练得到的ANN模型比未作处理的样本训练得到的ANN模型预测精度明显改善.另一方面,通过消除趋势波动分析(DFA)方法检测径流序列的分形特征并估算其标度区间,选取不同数量的训练样本进行训练得到多个ANN模型,确定模型预测精度最高时的训练样本数,并与标度区间比较,结果表明在标度区间内选取训练样本数可明显提高ANN模型预测精度.这对ANN模型训练样本数的选取有指导意义.     

人工神经元网络在安全事故趋势预测中的应用

安全事故的发生有着一定的随机性,因此如何有效利用有限的资源来防止安全事故的发生和完善救援措施一直是一个难题.但长期的研究工作表明安全事故的发生也存在着一定规律,正确的认识这些规律对企业的安全管理具有重要意义.人工神经元网络(ANN)在理论上能够无限的逼近任何非线性函数,同时又较强的适应性和抗干扰能力.适合解决事故预测这类的问题.     

可转换债券债性和股性的模糊优化分析

债性和股性是可转债性质中较难把握的部分属性，对它的界定存在着模糊的因素．本以股价变化为出发点，以债券和股票作为其模糊性的两极，通过建立相关评判指标的相对隶属函数，给出了判断可转债债性和股性的模糊优化方法，用数学模型刻画了可转债的债性和股性特征，为投资运作可转债提供了有益的参考。     

径流中长期预报模糊优选神经网络模型应用研究

预报因子选择与模型训练精度确定,是模糊优选神经网络模型应用于径流中长期预报时有待研究解决的两个重要问题.应用预报因子集与预报量间的复合非线性相关分析方法选择预报因子(集),克服了通常单因子线性相关分析选择预报因子的不适用性;通过定义综合效应系数来综合评价模糊优选神经网络模型的拟合能力与外推预报能力,为研究模型的拟合精度高而外推预测精度低的问题提供了一种解决方法.     

基于模糊自适应变权重算法的函数链神经网络预测方法

为提高复杂工业系统非线性时间序列预测精度,将工业系统非线性时间序列不同的单个预测模型预测值作为函数链神经网络的原始输入值,并将原始输入值按正交的三角函数扩展得到的数值作为函数链神经网络扩展输入值,在分析函数链神经网络拟合充要条件的基础上,结合模糊自适应变权重算法计算函数链神经网络权重,建立基于模糊自适应变权重算法的函数链神经网络预测模型。研究结果表明:基于模糊自适应变权重算法的函数链神经网络预测方法的预测精度较高,并且平均误差和预测平方根误差均较小,具有较强的泛化能力;该模糊自适应变权重函数链神经网络预测模型可用于复杂非线性工业系统决策。     

基于担保方信用风险的可转债定价问题研究

从投资者的角度,在担保方存在信用风险的背景下,研究了可转债的定价问题.假设债券发行方和担保方的违约过程服从泊松过程,并考虑债券发行方违约后公司股价发生跳跃,通过对冲,建立了偏微分方程模型,并求出了显式解,最后通过计算,分析各参数对模型结果的影响.     

基于模糊神经网络的航运运价指数预测

为航运市场的参与者提供准确和高效的预测模型及决策支持,以BDI指数为研究对象,分析其时间序列数据所包含的内部信息和统计特征,采用模糊数理技术与神经网络技术,为BDI指数建立模糊神经网络模型.相比传统神经网络,模糊神经网络对于BDI指数时间序列在预测能力上的表现更优.     

基于人工免疫算法的电网负荷预测模型的研究

为了克服传统神经网络预测方法在网络结构设计和收敛效果等方面存在的缺陷。提出了一种进行电力系统负荷预测的新算法———人工免疫算法。该算法是根据高等动物免疫系统的机理而设计的,将目标函数和一部分不等式约束条件作为抗原,将搜索空间的解作为抗体,依据抗原与抗体的结合力以及抗体之间的结合力对解进行选择,通过抗体之间的相互激励作用提高了最优点附近的搜索效率,通过记忆细胞对抗体的抑制作用有效地摆脱局部最优点。应用该模型于阜新地区负荷预测的实例中,结果表明,该模型与传统的神经网络预测方法相比具有较强的自适应能力和较好的效果。