基于GARCH模型的企业汇率风险度量研究

运用极值理论和GARCH模型对企业的汇率风险进行研究,分析人民币对美元的统计分布特征,并对收益率的尾部进行建模,进而计算出VaR与CVaR值,返回检验证明该模型具有准确性与有效性。研究结果表明,该模型具有超越样本的估计能力,比传统工具更适合度量尾部分布下的金融时间序列。     

基于误差均值与方差最小化的鲁棒T-S模糊建模方法

传统T-S模糊建模方法在非线性系统建模方面已有大量的成功应用,但其现有的参数辨识方法没有考虑模型的结构风险项,因此模型的泛化性不强. 同时,尽管传统T-S模糊建模方法能够在高斯噪声下取得较好的辨识效果,但没有综合考虑误差的均值与方差项,导致在非高斯噪声或者异常值下辨识效果较差. 针对传统T-S模糊建模方法的这些不足,提出基于误差均值与方差最小化的鲁棒T-S模糊建模方法. 该方法通过构建全新的参数辨识目标函数,将结构风险项及误差的均值和方差最小化,从而提高T-S建模的泛化性和鲁棒性. 仿真与试验结果表明,在噪声干扰下,鲁棒T-S模糊建模方法能够对非线性系统进行有效建模,且建模效果优于传统T-S模糊建模方法.     

应用极值理论计算在险价值--对上证指数的实证研究

在险价值（VaR）是度量市场风险的普遍工具,可看作是市场风险度量的基石.在估计资产尾部的VaR时,极值方法比传统方法更具优势.但是,一般的极值模型都假定数据是独立同分布的,而大多金融数据具有局部相关性,并不满足模型的条件.笔者利用分串的方法处理上证指数的数据,得到了较好的结果.     

随机利率下总索赔额现值的各阶矩

研究了随机利率情形下关于风险损失(或赔款)的随机风险模型.考虑到多种因素对利率的影响,对随机利率采取Gauss过程与独立增量过程联合建模,得到了总索赔额现值各阶矩的一般表达式.特别是,当损失分步服从Pareto分布,随机利率分别采用Wiener过程和Poisson过程联合建模以及O_U过程和Poisson过程联合建模时,给出了总索赔现值各阶矩的具体表达式.     

基于主动学习机制GAN的MSWI过程二噁英排放风险预警模型

针对构建城市固废焚烧(municipal solid waste incineration, MSWI)过程剧毒污染物二噁英(dioxin, DXN)排放风险预警模型的样本极为稀少的问题，提出一种基于主动学习机制生成对抗网络(generative adversarial network, GAN)的DXN排放风险预警建模方法.首先，以DXN风险等级作为条件信息使得GAN生成候选虚拟样本；然后，利用基于最大均值差异和多视角可视化分布信息的主动学习机制进行虚拟样本的初筛和评估，以获得期望虚拟样本；最后，基于混合样本构建DXN排放风险预警模型.通过基准数据集和MSWI过程数据集验证了所提方法的有效性.基于主动学习机制GAN的DXN排放风险预警建模方法可以有效解决样本稀少的问题，提高模型精度.     

无线移动网流量建模及其关键技术研究

针对通信网建模仿真过程中的关键技术环节：网络业务流量建模,本文采用软件工程的思想,分析并给出了其流量建模的一般流程及典型方法,同时针对如何在仿真模型中加载业务量分布模型的难题,提出了一种利用OPNET PDF概率编辑器来实现业务量比例分布矩阵的运算方法,由此精确控制了各通信单元间的业务强度分布.其研究成果对无线移动通信网建模方法体系的构建和完善具有重要参考价值.     

裂缝孔隙性气藏储层地质建模研究

综合运用Petrel地质建模软件和FracFlow裂缝建模软件,以四川新场气田须家河组须二气藏为例,探讨裂缝孔隙性气藏储层（双重介质）地质建模方法.利用Petrel地质建模软件完成储层构造模型、沉积微相分布模型,利用相控建模方法完成储层基质模型的建立;将模型导人Frac Flow裂缝建模软件,在基于地震解释的宏观断层、构造解释成果和基于单井解释得到的微裂缝两者之间相关性分析的基础上,将地震信息和测井解释结果有机的结合起来,建立断层和裂缝三维地质网格模型.     

回归模型应用的发展综述

在回归模型研究与应用中,非正态分布假设、非线性回归模型与组合模型建模是重要的研究问题.首先针对非线性建模,引入压缩函数,提出了一种非线性回归建模方法;其次针对单个模型的局限性,引入线性回归与时间序列模型组合,提出了一种组合加法模型的建模方法;最后针对非正态分布假设建模,利用随机变量和分布,提出了一种基于非正态分布的和模型,为非线性回归、组合模型与非正态分布假设建模提供了新的方法.     

基于GED—EGARCH模型的深圳股市风险价值研究

金融时间序列具有分布的厚尾性、波动的集聚性等特点,传统的方法难以准确度量其风险。根据GED分布适合刻画资产收益的厚尾分布和GARCH族模型能动态描述收益率行为的优点,得到基于GED分布的GARCH、EGARCH模型的日VaR的度量方法。利用深证综指数据,计算市场风险的日VaR,并利用Kupiec提出的LR统计量检验法对两模型的风险价值计算结果进行了比较。结果表明基于GED—EGARCH模型的风险价值能更好地刻画深圳股市的市场风险。     

电力系统建模基本理论研究综述

电力系统建模是电力系统计算、分析和控制的基础.重点综述电力系统建模基本理论方面的研究进展,包括建模途径、可辨识性、可区分性、可解耦性、难易度、线性模型参数辨识方法及非线性模型参数辨识方法,并提出电力系统建模发展趋势,为电力系统建模研究提供参考.     

基于改进模拟退火算法的配电网无功优化方法

采用改进的模拟退火优化算法对配电网进行无功优化计算,针对配电网无功优化问题建立优化计算的数学模型。以调节无功补偿容量、补偿点分布、变压器分接头位置为手段,实现无功优化目的。对实际配电网优化计算结果表明,该方法可有效降低系统网损,保证各节点电压稳定,提高电力系统运行的安全性和经济性。     

工程造价风险分析中的组合分布模型

根据极端事件风险的理论和工程造价风险分析的实际,提出了由左尾分布、原始分布和右尾分布组成的工程造价风险分析的组合分布模型,给出了确定尾分布类型的具体方法,建立了组合分布模型的参数估计的加权最优化模型,并运用它来预测工程造价的风险.实例计算表明,组合分布模型能较好地反映超标造价事件的风险.     

考虑市场摩擦的分形投资组合模型

传统的金融经济学认为证券收益率服从正态分布或对数正态分布,而大量的实证表明收益率分布与正态分布相比有“尖峰厚尾”特征,具有分形结构。正态分布、方差都具有很好的性质,却不能很好地描述投资组合的收益与风险。基于分形分布用改进的下方风险法(LPM)度量投资组合的风险,构造了考虑市场摩擦的投资组合模型。     

SVG技术在配电网中的应用

随着电力系统的不断发展,配电网中的无功补偿显得越来越重要,但是目前配电网中的无功补偿方式造成了配电系统的大量无功传输,提高了网损率并降低了供电质量.静止无功发生器(SVG)作为改善供电质量的一种重要手段,可以很好地补偿配电网中的无功,同时还可以滤除谐波,特别适合应用于配电网中.为此,论述了SVG的工作原理及直接电流控制的策略和SVG在配电网中应用的优势.在直接电流控制的策略中针对常规PI控制器的缺点,提出了运用能量PI控制器进行供电质量控制的方法.通过MATLAB进行了仿真,仿真结果表明,采用能量PI控制比常规PI控制优越性明显,同时在配电网中应用SVG可以提高其功率因数,达到降低网损率、提高供电质量的目的.     

计及发电报价等影响因素下系统负荷裕度的求解

建立了计及发电报价,静态负荷模型和静止无功补偿装置（StaticVarCompensator,SVC）对求取电力系统负荷裕度影响的系统分析数学模型,并采用局部电压参数化的连续潮流算法求解电力系统的负荷裕度。在IEEE-30节点测试系统上的仿真结果表明,同时计及上述3种影响因素下的负荷裕度,与不考虑这些影响因素时所得到的结果对比分析表明了求解电力系统负荷裕度时,考虑这些影响因素的必要性和合理性。     

条件自回归极差模型的对数正态拟极大似然估计

为了解决在估计条件自回归极差模型(CARR)中的分布厚尾性问题,采用尾部呈幂函数衰减的对数正态分布估计CARR模型.在新息序列具有有限的12阶矩条件下,利用M估计的大样本性质和鞅的泛函中心极限定理,允许模型包含一个单位根的情况下,证明了对数正态分布下的拟极大似然估计是局部相合和渐近正态的,并且对数正态分布的厚尾性也较好地解决了异常值问题．相对于目前广泛采用的指数似然估计方法,提高了参数估计的效率．     

VaR方法在开放式基金风险评估中的运用—基于PARCH模型的分析

中国开放式基金的收益率序列呈现左偏、尖峰厚尾、波动聚集的特性,利用ARCH(自回归条件异方差)模型进行拟合能够更好地刻画其分布特征。通过对拟合效果的比较,发现PARCH(Power ARCH)模型对基金日收益率序列的拟合效果最好。在此基础上,建立PARCH-VaR模型,用以评估中国开放式基金的风险。在残差服从正态分布t、分布及广义误差分布的三种假设下,基于广义误差分布的PARCH模型计算的VaR值最能够客观地反映中国开放式证券投资基金的风险。     

股票收益率风险价值的尾分布研究

风险测量是金融风险管理的一个重要任务,风险价值(VaR)是近年来兴起的一种金融风险度量方法。用一个独立的分布(尾分布)去拟合收益率数据的尾部,以此来估测上海、深圳两地的股票市场收益率的风险价值。实证研究表明,这种方法比传统的方差-协方差法、半参数法和Lap lace分布法要好些。     

多元线性模型中最小二乘估计的相对效率

考虑一般的多元线性模型Y_(n×k)=X_(n×p)_pB_(p×k)+e_(n×k),E(e)=0,COV(e)=V∑,其中V为已知参数矩阵,∑为已知协方差矩阵。当rank(X)0推广至∑≥0,从而包含了Haberman的结果,使之所得结果更具有一般性。