SV和GARCH模型拟合优度比较的似然比检验

讨论了在金融时间序列中广泛应用的两类波动性模型，即ARCH模型和SV模型的比较问题．从似然比原理出发，提出了一种基于随机模拟的似然比检验方法，阐明了利用该方法进行模型间比较的基本步骤，并利用基于随机模拟方法的似然比检验，分别比较了SV与GARCH(1，1)、SV与t-GARCH对上海股市数据拟合优度，结果表明：SV模型对于上海股市时间序列数据的拟合好于GARCH(1，1)模型，而SV模型上海股市时间序列数据的拟合与t-GARCH(1，1)模型效果相当。     

DDMRS-GARCH模型及其在上海股票市场的实证研究

提出了2阶马尔可夫结构转换波动模型——DDMRS-GARCH模型，DDMRS—GARCH模型引入了2阶马尔可夫链，使得波动状态转移概率不仅依赖于波动状态，同时还依赖于波动状态的持久时间．将DDMRS-GARCH模型应用于上海股票市场收益时间序列进行了实证分析．     

基于广义粗糙集的不确定条件下的Flow Shop调度

在实际生产调度过程中，加工时间的不确定性是普遍存在的，因此引用广义粗糙变量来表示不确定的工件处理时间，定义粗糙加法运算，precision以及ratio，建立了处理时间不确定性的FlowShop调度问题的精糙规划模型，提出了粗糙遗传调度算法将其应用于调度模型的求解，仿真实验证明了算法的有效性。     

信号道路网动态路段行程时间有度排队模型

通过分析确定当路段动态驶入流率为小交通流和远超饱和交通流时明显地存在路段行程时间与车辆排队长度有关．因此，提出了一个全新的信号道路网有度排队模型（SQ模型），确定在各种不同驶入流率的形态下动态路段行程时间，其中既包括自由流行程时间，又包括出口处排队延误时间及其相关的计算模型和方法，并用实例分析并检验了模型的计算效率．     

基于成交量的股价序列分析

不管是基于交易时间进程，还是基于日历时间进程，股价的时间序列分析都是基于固定的时间进程来研究价格变化规律。本文认为基于固定时间推进的股价时间序列分析缺少考虑成交量的重要影响，提出基于成交量过程推进的股价变化模型。从交易的时间、股价和成交量的三维空间出发，提出维度转换的思想，把从时间维度转换到成交量维度，重新构造基于成交量的股价序列的研究方法。这种方法把成交量融入到价格序列中，体现了量价配合的思想。这种模型不同于以往的时间序列分析只是对原来的序列从模型上或参数上改进，而是对序列本身进行重新构建。通过对重新构造的基于成交量的股价序列和原来的收盘价和平均成交价时间序列进行误差自回归——GARCH模型的实证比较分析表明，维度转换的思想和重新构造序列的方法是可行的，也是有效的。     

物流配送车辆路径优化的模糊规划模型与算法

将实际的物流配送网络描述为由配送中心和顾客两类节点构成的不完全无向图，并采用模糊数表示车辆行驶时间和顾客服务时间的不确定性，建立了物流配送车辆路径优化的模糊规划模型。为了求解上述模型，首先将模型进行清晰化处理，使之转化为一类确定性多设施车辆路径模型，然后设计了嵌入FLOYD算法的捕食搜索算法对之进行求解。通过仿真实例计算，并与遗传算法比较，取得了满意的结果。     

基于CEEMD-CNN-LSTM的股票指数集成预测模型

为有效应对金融时间序列数据的高噪声、时间依赖性和非线性，本文构建了一种CEEMD-CNN-LSTM模型。该模型基于互补集成经验模态分解(CEEMD),以及卷积神经网络(CNN)与长短期记忆网络(LSTM),将原始金融时间序列分解重构为高频项、低频项和趋势项，同时应用CNN-LSTM模型分别对各分项进行预测，并将各分项的预测值集成为最终预测结果。为验证CEEMD-CNN-LSTM模型对金融时间序列数据预测的准确性和有效性，选取沪深300、标准普尔500(S&P500)股票指数收盘点数进行了实证分析。实证结果表明，CEEMD-CNN-LSTM模型能同时提取序列依赖关系和局部特征，可有效避免数据直接输入模型导致预测结果右偏等问题，与其他主流预测模型相比，其预测精度更高，预测误差显著降低。     

铁路客运站最高聚集人数模拟计算研究

旅客最高聚集人数是研究铁路客运站站舍能力与规模的核心。分析了传统的铁路客运站最高聚集人数计算方法的优点和不足，建立了铁路客运站最高聚集人数的模拟模型，实现了相应的模拟系统。最后以某车站为算例进行了仿真计算。模拟模型包含客流模拟模型和计算模拟模型两个子模型。客流模拟模型以对数正态分布为基础，根据列车旅客发送量来模拟旅客到达车站的时间分布。计算模拟模型用来模拟旅客的聚集过程，从而找到车站最高聚集人数和该值的出现时间。研究结果表明，系统是对实际情况模拟，它的应用能够提高效率，避免大量调查工作，节省支出。     

股市风险VaR与ES的动态度量与分析

首先描述金融时间序列的一般特性，从收益率的波动性与分布两方面进行考虑，建立起计算时变风险值VaR和ES的模型，并在多种分布情形下动态测算上证综合指数的风险，结果表明基于GED分布的VaR模型能够较好地刻画高频时间序列的尖峰肥尾性及杠杆效应等特性，而ES模型则有效地弥补了VaR模型的不足之处。     

一类索赔时间相依的离散时间的二元风险模型的破产概率

研究一类索赔时间相依的离散时间的二元风险模型，模型中假设每次主索赔可能引起一次副索赔，而每次副索赔有可能推迟发生。通过引入辅助模型得到有限时间生存概率的递推公式，并在某些特殊情形下得到有限时间生存概率和最终破产概率的明确表达式。     

人工神经网络在农机管理中的应用

利用人工神经网络建设了具有时间序列对象的预测模型，并提出了基于本模型的数据处理方法，在此基础上，对广东省某县的人均收入作了预测。证实了本模型的正确性和科学性。     

分整增广GARCH-M模型

ARCH模型是研究异方差和自相关问题的一类重要模型法，长记忆性则是许多时间序列中存在的性质。文章将长记忆性扩展到几乎所有现有的ARCH模型，提出了数十种新模型，并用一个模型概括了迄今几乎所有的ARCH模型，这就是分整增广GARCH－M模型，从而解决了各种ARCH模型在模型设定检验，长记忆性诊断和参数估计等方面的障碍，最后通过仿真实验和实证研究说明分整增广GARCH-M模型在实际经济分析中的必要性。     

可再生资源开发与投资的H∞控制策略研究

基于文「１」可再生资源存量动态系统模型的基础上，针对系统中不确定性因素的存在，建立了具有不确定性扰动因素的可再生资源离散时间系统模型，应用离时间Ｈ∞控制理论方法，探讨了可再生资源系统中资源存量，经济开发以及投资恢复的优化设计问题，给出了不同开发阶段的Ｈ∞优化开发与投资策略，为资源经济的可持续发展提供了新的理论方法。     

Box-Cox-SV模型及其对金融时间序列刻画能力研究

利用Box—Cox变换构造的随机波动模型，即Box—Cox—SV模型，较好地概括了现有文献中出现的一些常用SV类模型，避免了模型选择中的困难．论证了该类模型的矩属性和平方序列的自相关特征，利用MCMC估计方法对上证指数收益序列建立了Box—Cox—SV模型，并与EGARCH模型对金融时间序列的刻画能力在理论上和实证上进行了对比研究．     

钢厂热送热装一体化系统在线匹配计划问题

描述了钢厂热送热装一体化系统的工艺流程和时间解析，根据工艺流程的时间特点建立了炼钢、热轧计划的在线优化匹配模型，并给出了一个应用实例。     

多用户路段行驶时间函数建模和仿真

面对动态交通分配建模需要，针对我国城市交通网络中车辆类型众多，车辆动力性能差异大的情况，基于超车现象的分析，以车辆的类型和自由流行破速度为划分标准，对路网中的车辆进行了分类，对路段上不同类型车辆的行驶时间函数进行了建模研究，给出了多用户路发行驶时间函数模型。最后用Tsis5．1仿真软件验证了模型的合理性。     

人工神经网络BP算法的数据处理方法及应用

利用人工神经网络建立了具有时间序列的对象的预测模型，并提出了基于本模型的数据处理方法，在此基础上，对吉林省榆树县大坡镇两家村的人均收人作了预测。证实了本模型的正确性和科学性.     

求解线性不等式组的仿射梯度算法

设计了一种新的求解线性不等式的动力系统方法－仿射梯度算法，算法不改变原问题的稀疏性，每步迭代的计算量较小，只包含简单的算术运算，具有很好的计算时间和存储空间的性质，有利于解决大规模稀疏的能源规划问题，给出了算法的动力系统的连续和离散时间模型，并证明了模型具有渐进稳定性，数值实验结果表明，此算法是有效的。     

基于fattailed-garch的VaR模型

利用Fattail_GARCH VaR模型在不同分布的假设下建模上证综指收益时间序列，并与常用的正态分布下GARCH_VaR模型进行比较，结果表明：广义误差分布及Skewed t分布下的GARCH_VaR模型适合建模上证综指收益时间序列。     

时间和费用不确定的网络计划资源均衡优化

研究了基于网络计划活动的时间、费用是随机分布，且活动持续时间上费用分配（时间-费用模型）非均匀分布的工期固定-单资源（投资资金）均衡优化问题。对时间和费用具有不确定性的网络计划进行Monte—Carlo仿真以及仿真输出的统计分析，获得了n次仿真输出结果的代表性样本。以代表性样本的仿真输出数据构造一个确定性网络计划，并根据实际情况假定该确定性网络计划各活动持续时间上费用的分配服从Weibull分布，由此在整个周期内迭加得到一个多峰的Weibill时间-费用模型。最后，采用启发式的“削峰填谷法”对呈现“高峰”和“低谷”落差很大的，具有很强的不均衡性Weibill时间-费用模型进行均衡优化，得到了一个较为均衡的投资强度分布。