基于GM(1,1)模型的时间序列分段表示方法

时间序列分段表示的目的是对序列进行降维,并使得处理后的数据尽可能保留原始数据特征。以较小的误差,对数据进行较高比率的压缩,是分段表示方法的目标。以往的分段方法主要用线段进行分段,在数据拟合时,存在较大的误差。本文利用GM(1,1)模型的单调变化性质,在拟合误差阀值的限制下,提出了一种基于GM(1,1)模型的分段表示方法(GMPR)。经实验验证,得出相比以往的线性分段方法,GMPR可以取得更好的结果。     

通信运营商客户流量业务使用行为意向实证研究

不同通信运营商的客户在流量消费行为、习惯和心理等方面不同导致需求差异。为实现通信运营商流量价值和资源配置效率提升以及客户业务需求有效满足的双赢,本文构建全新的TAM/TPB模型,利用结构方程模型深入研究三大通信运营商客户群使用流量业务的影响因素。研究发现,影响客户使用流量业务的核心要素是客户自身态度。各通信运营商应针对各自客户不同行为意向实施差异化精准营销,引导和促进客户使用流量业务。     

应计利润盈余管理模型改进及检验方法——基于中国上市公司的证据

目前应计利润盈余管理模型的解释力度和效度亟须提高和完善。对总应计利润进行理论分析,在模型中加入存货变动和财务费用两个变量,构建系统性修正琼斯模型,并选取其它三类琼斯模型作为对比模型,利用2007~2011年中国A股上市公司的数据,对各模型进行R2检验、异方差检验、Ⅰ类错误和Ⅱ类错误检验。结果发现,系统性修正琼斯模型的调整后R2为0.3469,其解释力度是基本琼斯模型的2.5倍;Jones对各变量同时除以上一期总资产能降低模型的异方差,但未能完全消除异方差,在使用WLS法时模型的异方差被完全消除;在1%和5%显著性水平下,使用WLS法估计的系统性修正琼斯模型的Ⅰ类错误和Ⅱ类错误都最低。     

基于EMD的数据驱动模型在径流预测中的应用

为提高径流预测的准确性,提出一种经验模态分解EMD(Empirical Mode Decomposition)与数据驱动模型相结合的径流预测方法。该方法运用EMD将汾河上游兰村、汾河水库和上静游三个水文站年径流序列分解为随机分量和趋势分量,分别选择合适模型对各分量进行合理预测,再拟合各分量预测结果得到最终的年径流预测值。结果表明,通过EMD分解,预测效果有明显提高,满足规范要求,计算方法可行。预测结果可为汾河上游防洪抗旱规划,水资源管理提供科学的依据。     

Lévy过程下非对称GARCH模型权证定价

考虑权证标的资产的非正态特征,引入Lévy过程改进GARCH模型下权证的蒙特卡洛模拟定价方法。首先,针对不同Lévy随机分布和有偏GARCH模型建立真实测度下的Lévy-GARCH模型,然后进行风险中性测度转换并对38支大陆权证进行定价,最后对定价结果进行分类比较。结果表明,虽然大陆权证的市场价格与无套利假设下的理论价值有显著偏离,但Lévy-GARCH模型的定价精度仍然优于经典的B-S模型和Lévy随机模型,并且在市场剧烈波动的环境下定价效果提升更明显。     

突发事件下服务供应链期权与现货市场组合采购决策

以服务供应链为研究对象,首先构建其各决策主体在期权与现货市场融合的情况下的基本决策模型,求得服务集成商的组合采购决策,并通过为服务供应商制定合适的期权价格机制实现供应链整体利润最大化。然后将基本模型扩展到突发事件下,分析采购决策的改变,再次运用应急期权价格机制实现供应链的重新协调。     

Vasicek利率模型下多种风险资产的动态资产分配

假设金融市场中存在一种无风险资产和多种风险资产,且无风险利率是动态变化的,是服从Vasicek利率模型的随机过程。应用Legendre变换和动态规划原理对效用最大化下的最优投资策略进行了研究,得到了幂效用和指数效用下最优投资策略的显示解。算例分析了参数变动对最优投资策略的影响。     

一种基于介数的双层复杂网络级联失效模型

针对单层网络级联失效模型难以有效分析层状网络抗毁性的问题,基于介数分析法,研究了面向双层网络的级联失效模型。分析了网络两个层面之间信息(或能量)交互以及级联失效时的影响关系,并通过定义交互强度因子改进了节点介数计算方法,突出了节点业务对网络流量的影响。重设节点失效判定准则和负荷重分配准则,使网络两个层面在级联失效分析过程中得到关联。最后,仿真实验验证了模型有效性和可行性。     

LEARNING CAUSAL GRAPHS OF NONLINEAR STRUCTURAL VECTOR AUTOREGRESSIVE MODEL USING INFORMATION THEORY CRITERIA

Detection and clarification of cause-effect relationships among variables is an important problem in time series analysis. Traditional causality inference methods have a salient limitation that the model must be linear and with Gaussian noise. Although additive model regression can effectively infer the nonlinear causal relationships of additive nonlinear time series, it suffers from the limitation that contemporaneous causal relationships of variables must be linear and not always valid to test conditional independence relations. This paper provides a nonparametric method that employs both mutual information and conditional mutual information to identify causal structure of a class of nonlinear time series models, which extends the additive nonlinear times series to nonlinear structural vector autoregressive models. An algorithm is developed to learn the contemporaneous and the lagged causal relationships of variables. Simulations demonstrate the effectiveness of the nroosed method.     

New rapid transfer alignment method for SINS of airborne weapon systems

Transfer alignment is an effective alignment method for the strapdown inertial navigation system （SINS） of airborne weapon systems. The traditional transfer alignment methods for large misalignment angles alignment use nonlinear transfer align- ment models and incorporate nonlinear filtering. A rapid transfer alignment method with linear models and linear filtering for ar- bitrary misalignment angles is presented. Through the attitude quaternion decomposition, the purpose of transfer alignment is converted to estimate a constant quaternion. Employing special manipulations on measurement equation, velocity and attitude linear measurement equations are derived. Then the linear trans- fer alignment model for arbitrary misalignment angles is built. An adaptive Kalman filter is developed to handle modeling errors of the measurement noise statistics. Simulation results show feasibili- ty and effectiveness of the proposed method, which provides an alternative rapid transfer alignment method for airborne weapons.