有关DEA模型$(C^2GS^2)$的最优值的定理及其在预测方法简化中的应用

文献［１］中在将初始点选在生产可能集内的基础上用弱ＤＥＡ 有效性$(C^2GS^2)$进行预测,但有时难于在生产可能集内选取初始点,因此本文在给出一些有关ＤＥＡ 模型$(C^2GS^2)$的最优值的定理的基础上设法省略该步骤．对任给的有正输入与正输出的初始点,不必检验它是否在生产可能集内,只要ＤＥＡ 模型的最优值存在且为正,就可用弱ＤＥＡ 有效性$(C^2GS^2)$ 进行预测     

元谋古猿牙齿测量数据的统计分析及其在分类研究上的意义

对１９８６－１９９８年在云南元谋发现的１２６６枚古猿牙齿齿冠长和齿冠宽进行的测量和统计分析发现：元谋古猿在牙齿尺寸上具有区分明显的大小两种类型,多数牙齿测量数据在直方图和二维坐标散点分布图上呈现双峰或两个组群的分布现象。     

基于资金限制的多品种期货套期保值决策模型

依据期货-期货相关性与现货-期货相关性原理,在最小方差套期保值的基础上,引入了多品种期货套期保值的资金约束,建立了多品种期货套期保值模型.该模型的创新与特色是建立基于资金限制的多品种期货套期保值模型.利用多元GARCH预测多品种组合的资金需求量,在把握未来资金需求的情况下,确定多品种期货套期保值的最优策略,避免了因资金短缺而造成的套期保值失败.并利用大连商品交易所的大豆期货合约、豆粕期货合约及豆油现货数据,对基于资金限制的多品种期货套期保值决策模型进行了实证分析.     

扩展的树增强朴素贝叶斯网络信用评估模型

针对信用评估问题的特点,在推导混合数据极大似然函数的基础上,提出了扩展的树增强朴素贝叶斯网络信用评估模型,用10层交叉验证在真实数据集上进行了测试并与神经网络分类模型进行了比较.测试结果表明扩展的树增强朴素贝叶斯网络信用评估模型具有较高的分类精度,在信用评估中具有优势.     

中国期货市场日内效应分析

运用1分钟高频数据对我国三个市场、六个品种的商品期货的收益率和交易量的日内变动模式进行研究,得出了日内绝对收益率及交易量的"L"型变化模式.这跟证券市场的"U"型日内特征不同,我们根据金融市场微观结构理论、交易机制及交易者心理给予解释.在此基础上,利用Granger因果关系检验和向量自回归模型(VAR),研究了影响收益波动性的各种因素.结果表明绝对收益率与交易量、持仓量之间两两存在双向Granger因果关系,这是与股市的只存在由交易量到绝对收益率的单向Granger因果关系不一样的结论,原因在于期货市场的做空机制.通过对VAR模型进行方差分解和脉冲响应分析,实证分析了三者之间的动态关系及影响程度.结论表明:当以绝对价格波动作为被解释变量时, 其自身的滞后项可以解释90%左右的残差扰动,交易量可以解释10%左右的的残差扰动.当以交易量作为被解释变量时,其自身的滞后项可以解释80%左右的残差扰动,绝对价格波动可以解释20%左右的残差扰动.当以持仓量作为被解释变量时,其自身的滞后阶数解释了45%～70%的残差扰动, 交易量解释了25%～45%的残差扰动,绝对价格波动解释了5%～10%.各方程变量解释基本都稳定在20～30分钟后.实证结果还表明持仓量对绝对价格波动和交易量有微弱的影响,而绝对价格波动与交易量有较强的互动影响,并且就此给投资者以相关建议.     

基于DEA评价模型挖掘证券投资基金管理信息

针对基于CAPM、APT等经典投资理论的证券投资基金业绩评价方法(如Sharp ratio、Treynor指数等)只能反映基金事后的总体风险收益水平的缺点,利用数据包络分析方法允许深入探查输入输出指标这一优点,构建合理的基金评价概念模型,将投资基金的风险、超额收益分别做进一步的归属分解之后作为输入输出指标代入DEA评价模型,并根据评价的结果对超额收益、系统风险等因素进行分析,充分挖掘了基金的管理信息,给出了未来投资的建议.实证显示,该方法得出了其他基金评价方法所无法得到的一些重要结论.     

基于面板数据的中国能源与经济增长关系

基于中国东西部地区的省级面板数据,运用有关面板数据协整建模的理论和方法,对中国东西部能源与经济增长关系进行了比较研究.实证结果表明,中国东西部地区能源与经济增长之间的长期关系表现出显著的地区差异,东部地区能源与经济增长之间的关系较之西部地区更为密切.最后, 本文提出了促进中国区域经济与区域能源协调发展的相关政策建议.     

基于凸多面体不确定网络化系统的鲁棒无源滤波

研究一类同时具有时变时延和测量数据丢失的不确定网络化系统的鲁棒无源滤波器设计问题。时变时延假设在一个已知的界内随机变化。测量数据的丢失是随机发生的,假设满足Bernoulli分布随机序列。采用线性矩阵不等式方法,给出了全阶和降阶的鲁棒无源滤波器存在的充分条件。所设计的滤波器使得滤波误差系统是均方指数稳定并满足给定的无源指标。最后数值仿真表明所提方法的有效性。     

分类任务中标签噪声的研究综述

近年来,随着机器学习的发展,分类系统的性能有了很大的飞跃。模型需要大量带标签数据才能使训练结果达到要求,而获取高质量的标注数据费时费力。为了降低成本,出现了众包、自动化系统等方法标注训练数据。但是,这些标注方法往往会产生大量错误标注,即标签噪声。另外,信息不足、专家错误和编码错误等因素,也可能使标签受到污染。训练过程中对标签噪声的处理不当,可能会使预测精度和准确性降低,或者使模型复杂度增加。因此,研究标签噪声对推广机器学习在各领域的应用和降低机器学习算法的部署成本等方面具有重要意义。通过综述产生标签噪声的原因、影响以及近几年来应对标签噪声的一些技术方法,对标签噪声的研究现状和发展前景进行分析。