基于极值理论的VaR度量模型及实证研究

在金融时间序列研究中,随着近年来全球金融危机的频繁发生,越来越多的学者开始考虑用极值理论的方法来进行金融风险管理的研究.笔者主要运用广义极值分布来分析我国A股市场,并借助极大似然估计法求解参数;同时考虑改进极值理论关于时间序列的独立性假设条件,建立更加符合实际的平稳时间序列VaR度量模型;最后将该方法运用于沪深300日收益率的风险估计.研究表明:改进后的模型能够更加准确地刻画实际市场的极端波动情况,弥补了传统极值理论低估风险的不足,从而为机构投资者如何以最少保证金来防范金融危机,提供了一个更有利的工具.     

多判别器协同框架:高品质图像的谱归一生成对抗网络

通过生成对抗网络的对抗学习生成仿真图像,已成为人工智能领域的一个研究热点.为了进一步提高生成图像的质量,本文提出了多判别器协同合作的网络框架——采用多个判别器为唯一生成器提供联合损失量,并通过不同的学习率保持各个判别器的差异性.同时,为了满足判别器的Lipschitz连续条件,本文所有的判别器网络一律进行谱归一化操作.实验表明,本文提出的基于多判别器合作框架的生成对抗网络表现较优.     

颅内动脉瘤破裂风险评估模型的研究

血流动力学和形态学被认为是颅内动脉瘤破裂的主要因素,探索它们之间的关系对于建立一种可供临床医生评估动脉瘤破裂风险可能性的方法是十分必要的.通过对分布于190名患者中的198例侧脑动脉瘤(96例破裂,102例未破裂)进行形态学分析和计算流体动力学研究,计算8个形态学参数和6个血流动力学参数,并评估其统计学意义,观察到参数...     

基于投票法的密度峰聚类算法

密度峰聚类(DPC)算法采用点的密度与距离属性对数据进行划分。该算法对大多数数据集能获得较好的聚类结果。然而，对于存在交叉、重叠情况的数据集，DPC算法的最近邻居分配方法将造成较大误差。针对这一缺陷，本文考虑到数据点的大部分邻居属于相同的簇，提出一种多邻居投票的聚类方法。该方法采取多个邻居的投票结果来决定未知点的归属。数值实验表明，基于投票法的密度峰聚类算法在面对点分布存在交叉、重叠情况的数据集时优于DPC算法。