基于非凸惩罚函数的高维协方差矩阵的建模

近年来，随着金融数据爆炸式的增长与数据存储能力的提高，高维与高频金融数据的建模以及其在投资组合中的应用引起了人们广泛的关注.本文聚焦于高维协方差矩阵的建模问题.首先，基于VAR-LASSO模型引入SCAD惩罚函数与MCP惩罚函数替换LASSO惩罚函数，分别提出了VAR-SCAD模型与VAR-MCP模型.其次，在理论层面证明了VAR-SCAD模型与VAR-MCP模型参数的Oracle性质，弥补了VAR-LASSO模型参数不满足Oracle性质这一缺点，提高了模型的估计精确性.最后，通过实际频率为5分钟的高频股票数据，构建已实现协方差矩阵与投资组合进行实证分析.通过实证分析可以发现，VAR-SCAD模型与VAR-MCP模型在测试精确性方面的表现要优于VAR-LASSO模型，VAR-SCAD模型与VAR-MCP模型构建的投资组合的收益率高于VAR-LASSO模型构建的投资组合，其中VAR-MCP模型构建的投资组合的收益率最高.     

利用SVM-LSTM-DBN的短期光伏发电预测方法

为解决传统预测算法的不足,利用深度信念网络(DBN)耦合支持向量机(SVM)和长短期记忆神经网络(LSTM),提出一种新的光伏功率组合预测方法.分别构建以高斯径向基函数为核函数的支持向量机预测模型、4层长短期记忆神经网络为单项预测模型,通过深度信念网络组合,优化预测结果并输出.根据实际出力和预测结果的误差,利用DBN动态调整以获得最优值,进一步验证SVM-LSTM-DBN模型的有效性和准确性,并以新疆维吾尔自治区某光伏电站的实测数据进行仿真验证.结果表明:基于SVM-LSTM-DBN组合的光伏出力预测模型与单一模型相比,预测精度明显提高.     

基于深度学习的短时交通流量预测

针对交通流数据的时间相关性和非线性等特点,现有预测方法未能充分获取交通流的本质特征,提出了一种基于深度学习的短时交通流量预测方法。该方法结合长短时记忆神经网络(LSTM)和支持向量机回归(SVR)作为预测模型,利用长短时记忆神经网络模型进行获取特征,用获取的特征训练支持向量回归进行交通流量的预测,比较了与其它模型的预测效果,真实数据集的结果表明,该模型有较高的预测精度。     

基于深度学习组合模型的交通流预测

为了研究高速公路在交通流预测过程中时间粒度对于精度的影响,及时向出行者提供精准实时的道路信息,通过TensorFlow深度学习模块,建立支持向量回归(SVR)与长短时记忆(LSTM)相结合的预测模型。基于LSTM模型的长期记忆功能与支持向量回归非线性化特点,调整优化参数,以英国高速公路局提供的M3高速公路数据为例进行分析,根据预测结果对模型进行对比评价,并结合模型对不同时段的交通流数据进行分析研究。结果表明：SVR-LSTM组合预测模型对于高速公路数据有更好的适应性,而且时间粒度如果越精细,预测精度将大幅提高。     

基于数据扩展的短时交通流量预测

多种机器学习和深度学习的模型和算法应用于短时交通流量预测,但是,大多数模型尤其是深度学习模型对训练样本的数量要求较高。为此,提出了一种基于数据扩展的短时交通流量预测方法,该方法基于自编码神经网络分别结合长短时记忆神经网络(LSTM)和支持向量机回归(SVR)构建预测模型,该模型利用自编码神经网络扩展的数据分别训练长短时记忆神经网络和支持向量回归进行交通流量的预测,结果表明,所提出的预测模型具有较高的精度和较好的泛化能力。     

含有交易的证券组合投资模型

证券组合投资是当今金融界研究的热点之一,但大部分研究结论都未考虑证券投资过程中的交易费,而实际中交易费是不可避免的,忽略交易费会使投资组合方案失去应用价值。证券交易费包括交给国家的印花税和交给券商的佣金。传统的研究方法一般假定用于度量投资风险的协方差阵为正定矩阵,且未考虑交易费,我们将条件放宽,假设协方差阵为半正定矩阵,对含有交易费的组合投资模型进行研究。     

面向感知质量保障的安全态势预测优化模型

以提高网络安全态势预测准确率为研究目标,提出一种网络安全态势预测优化模型.首先,运用层次量化分析法将多源安全态势信息进行宏观态势值量化,组成时间序列.然后,将态势值数据进行叠加归一化处理,增强数据的规律性,易于模型的建立.最后,将协方差矩阵自适应进化策略应用于支持向量机超参数的自主选择,使预测模型更加精确,并通过数据还原将预测结果加以显示.仿真实验表明该模型具有较好的预测效果.     

基于小波分解和长短时记忆网络的地铁进站量短时预测

针对城市地铁车站进站客流量短时预测问题，提出了小波分解和长短时记忆网络(LSTM)相结合的组合预测模型，小波分解和重构可以有效处理数据的波动性，长短时记忆网络可以学习时序信息。以北京地铁西直门站为实例，实现了组合模型对进站量的预测，发现本方法能够得到比较准确的预测效果，平均绝对百分误差为5.48%，与单独使用LSTM和经验模态分解与LSTM结合这两种方法相比分别下降了8.59%和2.94%，表明本方法有更好的预测精度。     

股指期货波动率的半参数预测模型及其MCS检验

股指期货在资本市场价格发现和风险防范过程中扮演重要角色,科学准确的预测其收益波动率对充分实现股指期货的市场功能具有重要的理论和现实价值。将线性非负模型扩展为半参数的预测模型,用来预测股指期货市场的已实现波动率,并探讨了该模型估计方法的渐进性质。此外,以沪深300股指期货的5 min高频交易数据为例,运用滚动时间窗的样本外预测和最新发展起来的具有Bootstrap特性的MCS检验,在多种稳健损失函数下,实证评价和比较新构建的半参数预测模型与其他7类波动率预测模型对沪深300股指期货已实现波动率的预测能力。实证结果表明,在多种稳健损失函数的评价标准下,新构建的半参数预测模型是预测性能最好的模型。     

基于超距雷达数据的车辆跟驰行为分析及建模

针对高速公路车辆跟驰特性及速度预测问题,基于超距雷达数据分析了高速公路车辆跟驰特性,建立起基于长短期记忆（long short term memory,LSTM）的跟驰速度预测模型。首先,根据数据特点建立了处理规则并筛选跟驰序列。其次,根据车身长度将跟驰车划为大型车与小型车,分析了车辆在跟驰过程中速度、车速差、车间距和车头时距等参数的分布及相对变化关系。然后,将前车速度、位置差、上一时刻车头时距作为模型输入,跟驰车速度作为模型输出,构建了基于LSTM的跟驰速度预测模型,模型预测精度达到99.75%。最后,以高速公路数据为例进行验证,传统机器学习支持向量回归（support vector regression,SVR）模型的预测性能低于深度学习模型,LSTM模型的R Square较SVR模型提升了4.37%;作为LSTM的结构简化变体,在相同的结构参数下,门控循环单元（gated recurrent unit,GRU）模型的预测性能并未提升,但训练速度较LSTM模型提高了28.48%。深度学习LSTM、GRU模型能够更精准地预测高速公路的车辆跟驰速度。     

基于POT-VaR混合模型的投资组合风险分析

在简要分析金融产品投资组合理论的基础上,尝试将超门限极值法(POT)与传统VaR模型中的方差-协方差法相结合的方式,改进传统单纯基于投资组合计算历史收益率数据的VaR模型.通过划分沪深股价前100支股指期货高频收益率数据,运用POT-VaR混合模型进行实证研究.结果表明:该混合模型可以解决收益率方差估计随时间推移的动态问题,为降低投资组合市场风险提供科学的方法,对我国期货市场投资组合风险管理提供了可靠的依据.     

基于LSTM的钓鱼邮件检测系统

提出了一种基于LSTM的钓鱼邮件检测方式.该方式主要由两部分构成:分别为数据扩充部分及模型训练部分.数据扩展部分中,通过KNN与K-means算法扩大训练数据集,保证数据的数量能够满足深度学习算法的需要.在模型训练部分中,通过对数据进行预处理并将其转化为词向量矩阵,最后将转化完词向量通过训练得到LSTM神经网络模型.最终,可以根据训练好的LSTM模型将邮件分为正常邮件以及钓鱼邮件.通过实验对提出的算法进行了评估,实验结果显示提出的算法准确率可以达到95%.      

多价值链视角下基于深度学习算法的制造企业产品需求预测

多价值链协同发展背景下,制造企业没有充分考虑服务链、营销链等其他价值链对产品需求的影响。为提高制造企业产品需求预测的精度,本文提出了产品数据空间和一维卷积神经网络(One-dimensional convolutional neural networks, 1D-CNN)-长短期记忆神经网络(Long short-term memory, LSTM)的深度学习算法。首先,整合不同价值链对产品需求影响的相关数据构建产品数据空间。其次,从数据空间中获取多链数据集用于1D-CNN-LSTM模型的预测。其中,1D-CNN通过两次卷积池化操作获取数据的深层次特征,LSTM则通过进一步学习数据特征中的重要信息来进行时间序列预测。最后,通过某电气设备制造企业生产销售的环网柜产品的相关数据进行算例分析,并与其他几种模型进行预测结果比较。结果表明：1D-CNN-LSTM模型的预测效果优于神经网络模型和单一的LSTM模型。可见本文提出的1D-CNN-LSTM深度学习模型更具优越性,预测效果好。     

考虑跳跃和杠杆效应的股市多分形波动率建模

考虑股票市场中存在的跳跃行为和杠杆效应等特征,在HAR模型基础上,构建了一种新的多分形波动率模型.以上证指数和深证成指每5min高频数据为研究样本,运用“模型信度设定”(MCS)检验方法,实证对比了各波动率模型在高波动和低波动两个子样本期对我国股市的预测能力.实证研究结果表明,所提出的多分形波动率测度指标及其计量模型具有较好的预测作用,特别是在高(极端)波动时期其优势更为突出;研究结果有望为金融风险(特别是极端风险)的管理与控制提供新思路与新方法.     

改进的非正定方差阵下证券组合投资模型

为了更全面的研究各类方差阵下的证券组合投资模型,在分析非负定方差阵下的证券组合投资模型[1]的基础上,利用线性代数的二次型及对称阵的相关理论知识,提出了非正定方差阵下证券组合投资模型的改进方法,使得模型中的方差阵最终转化成正定阵.此模型对于研究协方差矩阵为非正定的证券组合投资模型的最优投资比列系数有一定的参考价值.     

指数趋势预测的BP-LSTM模型

本文根据股指、股价等数据的时序特征将人工神经网络(ANN)与深度学习中的循环神经网络(RNN)引入股指预测,基于BP神经网络模型与长短期记忆(LSTM)神经网络模型构建了BP-LSTM模型.基于上证指数,本文进行了进行数值实验.结果表明BP-LSTM预测模型的准确率相比传统机器学习模型有明显提升,与普通LSTM模型相比也有较大提升.     

基于GRU与PCA-TL的热应力下IGBT故障预测

针对热应力下绝缘栅双极型晶体管(insulated gate bipolar transistor, IGBT)的性能随时间逐步退化的特性,将深度学习中的时间序列预测算法应用到IGBT故障预测中,提出了基于门控循环单元(gated recurrent unit, GRU)与主成分分析-迁移学习(principal components analysis-transfer learning, PCA-TL)的故障预测新方法。该方法以电参数集电极-发射极电压V_CE作为衰退参数,采用GRU模型构建衰退参数与故障时间的映射关系;利用PCA技术综合相异分布特征的IGBT故障指标,引入TL方法,通过微调GRU预测模型的参数完成从源域到目标域的迁移,实现目标域样本的故障预测。实验结果表明,基于GRU的故障预测模型具有较高的预测精度,与长短期记忆(long short-term memory, LSTM)算法相比,训练速度更快;PCA-TL方法可实现同类器件不同工况下的故障监测任务。验证了所提方法的可行性和正确性。     

基于季节性自回归积分滑动平均与深度学习长短期记忆神经网络的降水量预测

降水量数据是一种非线性、非平稳的时序序列,传统的方法较难获取数据的变化规律,深度学习长短期记忆(long short-term memory, LSTM)能较好地处理多要素变量与降水量之间的非线性关系。利用扬州市区1960—2019年8种气象基本要素数据,采用传统季节性自回归积分滑动平均(seasonal autoregressive integrated moving average, SARIMA)模型和深度学习LSTM神经网络方法对降水量数据进行预测比对,并着重分析了LSTM在不同类型不同输入与输出模式形态下的预测水平差异。结果表明：传统的SARIMA模型中静态模式较动态模式能更好地反映出扬州市区月降水量数据变化趋势,且与实际值差距较小。动态模式容易造成误差累积或整体易呈现周期性稳态变化,实时性欠缺。深度学习LSTM多输入单输出动态预测模式下,完整周期的数据输入可以让神经网络更好地学习数据的变化规律。然而将多个周期数据作为一个输入单位,易造成模型过拟合。LSTM模型(预期回顾look＿back=12)对扬州市区月降水量预测精度优于传统的SARIMA模型,均方根误差(root me...