国际有色金属期货市场VaR和ES风险度量功效的比较

采用历史模拟法、蒙特卡罗模拟法、指数加权法、等权重法、GARCH法和极值理论法六种参数方法和非参数方法对国际有色金属期货市场风险值VaR建模, 并引入基于极值理论的预期不足ES对风险度量进行补充. 在利用返回检验对实证结果的功效进行比较研究的基础之上, 得出结论: 从对ES和VaR的检验结果比较而言, 当有色金属期货市场价格出现大幅跌涨时, ES比VaR更能准确地度量市场风险; 从对各种方法VaR的检验结果比较而言, 在95\%的置信度下, GARCH法和指数加权法能够更加有效地度量市场风险, 在99\%的置信度下, 指数加权法、GARCH法和历史模拟法能够更好地估计市场风险.     

能源消费量模拟分析和预测的神经网络方法

基于我国１９７８～１９９４年间能源消费量的实际数据,采用人工神经网络方法对影响能源消费量的主要因素进行了模拟和分析。然后,采用相关因素预测法和组合预测法预测了能源消费量。经实际样本检验表明：组合预测法的预测精度较高。最后,应用组合预测法预测了我国１９９５～２０００年的能源消费量。     

基于GM(1,1)模型和线性回归的组合预测新方法

为解决 GM(1 ,1 )预测中存在的历史数据的跳变问题 ,依据灰色灾变预测原理 ,利用线性回归适用短期预测的特点 ,提出了一种新的预测方法 :用 GM(1 ,1 )模型预测将来可能的数据跳变日期点 ,对其他非跳变点使用分段线性回归函数进行预测 .通过对浙江省农村用电量的预测 ,结果表明该方法很好地克服了 GM(1 ,1 )模型和线性回归模型的缺陷 ,在实际中取得了较好的效果 .     

基于遗传算法估计灰色模型中的参数

研究表明，GM（1，1）模型中的背景值参数λ和边值对模型的预测精度均有影响，进而分别以平均相对误差达到最小或最大相对误差达到最小为极小化准则，提出了基于遗传算法求解最佳背景值参数λ和最佳边值修正项ε的方法，并且可以确保在相应的模型检验准则下预测的误差达到最小．数值结果表明，采用遗传算法确定最佳的λ、ε可大大地提高模型的预测精度．     

基于HMM-EGARCH的银行间同业拆放利率市场波动预测研究

针对中国金融市场呈现出的多波动状态的典型事实特征,以上海银行间同业拆放利率(Shibor)市场为研究对象,不仅引入隐马尔可夫模型(hidden Markov model,HMM)对其进行了波动状态预测,而且还引入HMM-EGARCH模型对其波动率进行了预测;最后使用成功率(success rate,SR)与平均绝对误差(mean absolute error,MAE)对预测波动状态进行检验,并且还采用标准统计误差函数对预测波动率进行检验.实证研究表明:高低两种波动状态就能够有效地刻画出Shibor市场的波动状态;HMM模型能够对Shibor市场进行较准确地波动状态预测,且更重要的是,HMM模型对高波动状态预测具有显著的优越性;HMM(2)-EGARCH模型能够有效地对Shibor市场进行波动率预测.     

公司跨界经营、信息披露与分析师预测

通过手工搜集2003-2017年公司跨界经营数据,本文检验了公司跨界经营对分析师盈利预测的影响及其市场后果.实证结果表明,随着公司跨界程度的提高,分析师对其盈利预测的准确性下降,预测报告发布频率和预测修正幅度则会提高.同时,公司信息披露质量的提升有助于缓解公司跨界经营对分析师预测行为带来的不利影响.上述结果支持了信息处理成本假说和信息不确定性假说.最后,本文对跨界经营的市场后果做了检验,结果发现公司跨界经营程度越高,对分析师预测行为产生的消极作用越大,公司的市场折价程度越高.     

含时间幂次项的灰色GM(1,1,tα)模型及其应用

针对GM(1, 1)模型应用的局限性, 根据实际应用的需要, 利用灰色建模思想构建了含时间幂次项的灰色GM(1,1,t^α) 模型, 对该模型的建模过程、参数估计、时间响应式进行了研究, 并讨论了α几种特殊取值下的该模型的性质、适用范围、时间响应式, 并利用GM(1,1,t²) 对某沿海高速的软土地基沉降进行了拟合与预测, 获得了较高的拟合与预测精度, 通过实际应用检验了所构建的模型的有效性.     

改进群组G1组合赋权的省级科学发展评价模型及应用

根据科学发展观内涵,以权威机构典型观点的高频指标为基础, 从经济、生态、社会、人的全面发展、科学技术等五个方面构建了省级行政区科学发展综合评价指标体系. 运用标准差修正群组G1组合赋权的方法对评价指标进行赋权, 建立了改进的群组G1组合赋权的科学发展评价模型, 并对中国14个省级行政区的科学发展状况进行实证研究. 本文的主要创新与特色一是对专家给出的不同排序进行一致性检验, 淘汰不通过一致性检验的专家排序,避免指标排序出现逻辑混乱问题. 二是通过循环修正的思路统一通过一致性检验的不同专家对两个指标重要程度的排序, 得到集合不同专家意见的一个统一排序,解决了群组决策中专家排序不一致的问题, 三是通过相邻两个指标的标准差的比值确定G1赋权法的指标之间的重要性比率, 避免了现有研究中G1赋权法重要性之比人为主观确定、随意性大的问题,解决了主客观权重的客观分配问题.     

基于数据变换的GM(1,1)误差校正方法

提高预测方法的预测效果具有重要意义,但是仅靠建立单一的预测模型来提高预测精度是非常困难的.本文对当前预测方法存在的不足进行了阐述,在此基础上提出将误差校正方法引入预测以提高预测精度的新思路.首先,采用预测方法(文中以T-S模糊神经网络方法为例)对训练样本进行拟合,再对预测对象进行初始预测;其次,引入加速平移变换和加权均值变换对误差序列进行处理,再以处理后的数据为样本构建基于数据变换的GM(1,1)误差预测模型,并对该序列后续点进行预测;最后,利用误差预测结果对初始预测值进行校正.文章最后以上证综合指数的收盘价的预测为例,算例分析表明,与校正前的预测精度相比,校正后的预测精度有显著提高,进而验证了该模型的有效可行.     

基于BP神经网络和面板数据的上市公司财务危机预警

在作者前期研究的基础上引入面板数据,以T-2、T-3期财务数据组合的面板数据(panel data)作为研究样本,构建BP神经网络模型对上市公司的财务状况进行预测.实验表明,1)使用面板数据进行的BP神经网络预警分析显示出稳定、连续的预测性能,这正好适合构建具有实际应用价值的中长期预警模型,使模型具有广泛的实践应用价值;2)模型提前3年和4年的预测能力分别为88.46%和75.64%,较之以往同行的研究及作者前期的研究精度均有较大的提高.     

一种新的基于GM(1,1)模型的粗大误差判别模型

针对未知概率分布的小样本数据识别问题,提出了一种新的基于GM(1,1)模型的粗大误差外推判别模型.介绍了判别原理和步骤,基于GM(1,1)建模精度和检测值精度确定判别门限,并对样本量、判别精度及方法的合理性等相关问题进行了讨论.实例仿真取得了较好的判别结果,结果表明该方法对数据没有分布要求,简单可行.     

GM(1,1)模型的背景值构造方法和应用(Ⅰ)

灰色 GM( 1 ,1 )模型对高增长指数序列拟合常常产生滞后误差 ,作者认为 GM( 1 ,1 )模型中背景值构造方法是影响其精度和适应性的关键因素 .从此角度出发 ,对背景值构造方法进行研究 ,重构了一个表达形式简洁、计算简单、适应性极强的背景值计算公式 .新的背景值计算公式的一个显著特点是它使 GM( 1 ,1 )模型具有对建模结果进行优化的能力 ,能获得最佳的拟合和预测精度 .它使 GM( 1 ,1 )模型同时适应于低增长指数序列和高增长指数序列建模 ,它是提高 GM( 1 ,1 )模型精度和适应性的关键技术 .算例结果的精度充分说明了它的有效性 .     

GM(1,1)幂模型的派生模型

为了进一步完善灰色幂模型体系, 分析了经典GM(1,1)模型和GM(1,1)幂模型之间的变换关系, 在GM(1,1)幂模型的定义型和白化型的基础上, 推导了GM(1,1,x⁽²⁾)幂模型、GM(1,1,x⁽¹⁾)幂模型、GM(1,1,b)幂模型、GM(1,1,exp)幂模型和GM(1,1,C)幂模型五种派生型GM(1,1)幂模型, 构建了GM(1,1)幂模型群. 结果表明, GM(1,1)幂模型与GM(1,1)模型的时间响应函数在本质上是一致的, 不同的GM(1,1)幂模型派生模型在结构、内涵、解析式、功能方面存在一定的区别, 体现了灰色系统解非唯一性原理. 在实际应用中, 可以依据一定的准则, 在默认解群中找出一个最合适的白化解.     

基于遗传算法的改进的GM(1,1)模型IGM(1,1)直接建模

CM（1,1）模型一般以模型还原值与实际值平均相对误差检验模型的模拟精度。本文以模型还原值与实际值平均相对误差最小化为目标函数将CM（1,1）模型转化成一个不用进行灰微分方程参数辨识的优化模型，称之为改进的GM（1,1）模型，简称IGM（1,1）。IGM（1,1）避开了灰微分方程参数辨识时传统的优化无法求解，本文针对IGM（1,1）模型的直接建模。由于IGM（1,1）目标函数非连续，不可导，用传统的优化无法求解，本文针对IGM（1,1）模型的模拟特性设计了求解该优化模型的遗传算法并进行了算例验证，秋解结果表明了IGM（1,1）模型IGM（1,1）模型。     

GM(1,1)幂模型求解方法及其解的性质

根据灰色系统信息覆盖的基本原理,给出了GM(1,1)幂模型中参数α的估计方法.讨论了α的不同取值对模型解的影响,对其白化微分方程解的定理进行了补充,并给出了白化微分方程解的优化方法.结果表明,所提出的建模方法更能适应于一类具有饱和状态或发展变化受众多因素影响的波动原始序列,在0<α<1且a>0和α>1且a<0两种情形下,GM(1,1)幂模型与灰色Verhulst模型具有相同的极限性质,但模拟预测精度高于灰色Verhulst模型.     

GM(1,1)模型的背景值构造方法和应用(Ⅲ)

将作者在重构的背景值公式引入 GM ( 1,1)模型 ,导出了 GM ( 1,1)模型的逻辑斯蒂( Logistic)形式 ,并以此为基础 ,对 GM( 1,1)模型进行了稳定态 ,周期态及混沌态特性研究 .研究结果表明 :重构的背景值公式扩大了 GM( 1,1)模型的适应性 ,能提高其拟合和预测精度 ,使 GM( 1,1)模型在实践中能发挥更大的效果.     

灰色预测模型特性的研究

对 GM(1 ,1 )模型特性进行了研究 ,证明了 GM(1 ,1 )模型是有偏差的指数模型 ,分析了模型偏差的特性 ,进而从理论上阐明了 GM(1 ,1 )模型误差的实质 .     

近非齐次指数序列GM(1,1)模型灰导数的优化

从原始序列为非齐次指数律的GM(1,1)的灰导数出发,利用向前差商和向后差商的加权平均值作为GM(1,1)的灰导数白化值, 并给出了加权系数λ的具体表达式,进而建立了优化灰导数后适用于原始序列为非齐次指数律的GM(1,1)模型,且证明了此模型具有白指数律重合性,给出了求 参数的方法及表达式,并通过实例对比验证了此模型具有更高的精度,并且对于严格的非齐次指数序列能够完全的拟合.     

GM(1,1)模型参数估计的新方法及假设检验

ＧＭ（１，１）模型参数估计的新方法及假设检验唐五湘（北京机械工业学院工商管理分院，１０００８５）ＡＮｅＷＭｅｔｈｏｄｏｆＥｓｔｉｍａｔｉｏｎｏｆｔｈｅＧＭ（１，１）ＭｏｄｅｌＰａｒａｍｅｔｅｒｓａｎｄＨｙｐｏｔｈｅｓｉｓＴｅｓｔｉｎｇＴａｎｇＷｕｘｉ...     

GM（1，1，β）灰微分方程的若干性质

针对灰色预测模型的适应范围和优化问题,首先根据灰色GM（1,1）模型参数是灰的、可调的原理,提出了GM（1,1,β）模型的内涵型和参数包形式,分析了模型的若干性质,然后给出了模型的优化算法. 研究结果表明,GM（1,1,β）灰微分方程模型参数α的客观取值范围为（-∞,+∞）,经典GM（1,1）模型参数α的客观取值范围为（-2,+2）;发展系数α的客观取值范围是由背景值系数β 决定的,而与原始数据无关;灰微分方程模型完全适合齐次指数数列. 最后,以我国城镇居民家庭人均可支配收入的数据为例验证了GM（1,1,β）灰微分方程模型的有效性.