股票市场的高维动态因子模型及其实证分析

收益率和波动率是金融市场最重要的变量，为研究对其产生影响的因素，建立了收益率和波动率动态因子模型，并引入带惩罚的EM算法得到高维动态因子模型的稀疏参数估计。将此模型应用到沪深交所股票数据中，得到了对股票收益率和波动率产生影响的公共因子及稀疏的因子载荷矩阵。根据因子载荷矩阵，发现在两个模型中都有一个共同因子对绝大多数股票影响，其他因子是对某行业股票产生影响的行业因子。结合国内相关政策和事件等因素，分析了因子波动趋势，并给出了可能的解释。另外，利用因子贡献率，从行业角度分析了共同因子和行业因子对行业股票的影响程度。     

基于超级参数调整的网络表示学习算法性能公平比较框架

网络结构数据在现今生活中广泛存在,但由于数据结构稀疏、规模较大等特性,难以直接利用现有的机器学习算法对数据进行分析.网络表示学习算法的出现,通过将高维数据映射到低维向量空间,解决了上述问题.但是网络表示学习算法中存在大量超级参数,参数的选择与数据分析任务密切相关且对算法性能有明显影响,如何针对数据分析任务,通用地对多种...     

具有不充分信息的高维时间序列因果关系网络研究

具有不充分信息的高维时间序列因果关系网络学习重要且困难，信息不充分会导致许多因果关系丢失，从而造成传递信息的不完整.本文首先提出了汇聚递减变量排序方法，并基于局部贪婪搜索-打分进行因果关系网络学习，来降低对数据量的需求和提高学习效率与可靠性；再通过建立信息提取变量来获取变量组的压缩信息，以弥补由弱因果关系的缺失所引起的传递信息丢失和实现高维数据的降维；最后基于递归汇聚结构和后验分布抽样识别准确率分别建立时间序列变量之间的影响程度计算、影响的敏感性计算和汇聚与扩散影响计算方法，并使用宏观经济时间序列数据进行相应的实验验证与分析.     

基于贝叶斯回归的多核回声状态网络研究

在利用单储备池模型对多变量预测研究时,多个变量只能通过单个储备池进行特征映射,无法分别刻画各个变量的动力学特性.针对以上问题,提出一种多储备池回声状态网络.混沌系统中各个变量分别通过各个储备池扩展成高维的特征向量,采用Bayesian线性回归的方法,对多核回声状态网络输出权值进行训练,形成一种新的预报器,即多核贝叶斯状态回声机(MrBESN).实际数据的仿真结果验证了所提方法的有效性.     

互联网金融信息量与收益率波动关联研究

基于金融信息采集系统所采集的互联网金融信息流时间序列，对股市收益率进行了分析与检验，通过对比多个时间序列模型，最终构建了EGARCH—GEI）模型，将信息量与收益率两者联系起来。在此模型的基础上，完成了一个设想的实验与分析：在特定时间段向互联网中注入金融信息，金融市场波动情况是否会受到影响，影响程度有多大。通过编程实验得出定量分析结果：金融信息量增加时，金融市场的波动也随之增大，并当信息量增大数倍时，波动才可以摆脱随机因素，显著地受到信息量的影响。最后指出用互联网金融信息量分析股市波动的可改进之处如基于内容的分析。     

基于主成分分析的网络入侵检测研究

网络入侵数据常常体现为高维、线性不可分性。RBF神经网络没有降维处理的功能,所以直接对原始数据进行检测速度相当慢,影响网络入侵检测的实时性。如果采用传统的选择性删除法进行降维处理,会造成信息的丢失,影响网络入侵的检测精度。为了提高网络入侵检测率和检测速度,提出一种主成分分析(PCA)和RBF神经网络相结合的网络入侵检测方法(PCA-RBF)。PCA-RBF在通过PCA对网络入侵原始数据进行维数和消除冗余信息处理的基础上,构建RBF神经网络入侵检测模型。仿真结果表明,相对于传统的RBF方法,PCA-RBF降低了漏检率、误检率、检测时间,提高了检测正确率,具有良好的检测性能。     

机会约束下贷款组合优化决策的方差最小化模型

通过把贷款的收益率刻画为模糊变量,提出了机会约束下贷款组合优化决策的方差最小化模型。针对贷款收益率是特殊的三角模糊变量的情况,给出模型的清晰等价类,对等价类模型用传统的方法进行求解。对于贷款收益率的隶属函数比较复杂的情况,应用集成模糊模拟、神经网络、遗传算法和同步扰动随机逼近算法的混合优化算法求解模型。数值算例验证了模型和算法的有效性。     

商业银行贷款组合优化决策的机会准则模型

通过把贷款的收益率刻画为模糊变量,提出了商业银行贷款组合优化决策的机会准则模型,即可能性准则模型、必要性准则模型和可信性准则模型。对于贷款收益率是特殊的三角模糊变量的情况,给出了模型的清晰等价类,这些等价类可以用传统的方法进行求解。对于贷款收益率的隶属函数比较复杂的情况,应用集成模糊模拟、神经网络、遗传算法和同步扰动随机逼近算法的混合优化算法求解模型。数值算例验证了模型和算法的有效性。     

具有模糊资金需求的银行卡网络决策模型

在分析国内银联网络资金需求情况的基础上,采用模糊变量表示各银行现金和非现金需求的不确定性,建立了以银行卡网络成本最小为目标的决策模型。当资金需求刻画为三角模糊变量时,模型可转化成清晰等价形式,因而可以采用传统的优化算法求解;当资金需求刻画为一般模糊变量时,应用混合智能算法求解。最后,给出一个案例,在不同的置信水平下仿真计算,结果表明模型是有效的。     

多元混沌时间序列的因子回声状态网络预测模型

针对采用回声状态网络预测多元混沌时间序列时存在的病态解问题, 本文建立了因子回声状态网络模型, 通过因子分析(Factor analysis, FA)方法提取高维储备池状态矩阵的公因子, 去除冗余和噪声成分. 利用降维后的因子变量与期望输出之间的线性回归关系, 求解网络未知参数. 基于Lorenz序列和大连月平均气温--降雨量的仿真实验验证了本文所提模型的有效性.     

基于GARCH-V模型的处置效应研究

为了考察作为投资者决策非理性因素的处置效应与股价波动之间的关系,引入用来检验处置效应是否存在的资本盈利突出量(Capital gains overhang).首先,在GARCH-V模型的基础上,引入用来检验处置效应是否存在的资本盈利突出量,并构建GARCH-V-G模型;然后,对成熟市场与新兴市场这两个不同类型市场上投资者在投资决策过程中存在的处置效应与股票价格波动之间的关系进行实证研究和比较,发现资本盈利突出量与股票市场的波动负相关,对股市波动的持续性具有一定的解释能力,并且新兴市场上投资者表现出的处置效应无论是对波动持续性的解释能力还是对波动的影响程度都比成熟市场要强;最后,根据赤池信息准则(AIC)发现,所构建的基于处置效应的GARCH-V-G模型比GARCH-V模型的拟合效果更好.     

基于DAE-BP神经网络的股票预测研究

股票指标数据种类多、维度高，且指标之间存在多重共线性。为了降低数据的维度、消除指标间的多重共线性和预测股票价格，首先构建了基于受限布尔兹曼机的深度自编码器，实现了高维数据向低维空间的压缩编码。然后基于BP神经网络建立了低维编码序列与股票价格之间的回归模型。实验结果表明，深度自编码器提取特征的能力优于主成分分析法和因子分析法；相比较使用降维前的数据，使用编码后的数据用预测股票价格，模型可以减少计算开销，并且获得更高的预测精度。     

基于MPCA-RBF模型的证券市场指数时间序列预测*

针对证券市场指数内部结构的复杂性和影响因素的高维性,提出基于MPCA-RBF（多线性主成分分析法-径向基神经网络）模型的证券市场指数时间序列预测方法。由于证券市场间存在关联性,选取了7个证券市场及34个技术指标构建三维张量模型,采用张量方法—MPCA进行特征提取,使降维的同时充分保留数据内部结构,之后利用RBF神经网络进行回归预测,提高了预测精度。对恒生指数和日经225指数的实验结果显示,与非张量模型相比,该模型预测误差较小,预测精度有较显著的提高,表明该模型能充分地保留证券时间序列内部结构,证明了其在证券预测领域的有效性和实用性。     

Forecasting the volatility of stock price index

Accurate volatility forecasting is the core task in the risk management in which various portfolios’ pricing, hedging, and option strategies are exercised. Prior studies on stock market have primarily focused on estimation of stock price index by using financial time series models and data mining techniques. This paper proposes hybrid models with neural network and time series models for forecasting the volatility of stock price index in two view points: deviation and direction. It demonstrates the utility of the hybrid model for volatility forecasting. This model demonstrates the utility of the neural network forecasting combined with time series analysis for the financial goods.     

异质投资者、噪声与金融市场波动的仿真研究

提出了包涵噪声因素的非线性结构化人工金融市场模型,运用计算机仿真技术研究投资者的异质性、噪声和金融市场波动性的互动关系。结果证实投资者预期的异质性与相互影响可以导致市场的不稳定性与复杂动力学行为,模型能够产生真实金融市场的诸多特征性事实,而且人工金融市场的这些特征都是内生现象,是市场交易过程与投资者相互影响的结果。     

结合公司财务报表数据的股票指数预测方法

股票市场参与者的所有市场活动综合影响着股票市场的变化,使股票市场的波动充满复杂性,也使得准确预测股票价格成为难题。在这些影响股市变化的活动中,财务披露是预测股票指数变化的一种吸引人的且具有潜在财务回报的手段。为了应对股票市场的复杂变化,提出一种结合公司披露的财务报表数据进行股票指数预测的方法。该方法首先对股票指数历史数据和公司财务报表数据进行预处理,主要是对公司财务报表数据生成的高维矩阵进行降维,然后用双通道的长短期记忆（LSTM）网络对归一化后的数据进行预测研究。在上证50指数和沪深300指数数据集上的实验结果表明,该方法的预测效果优于仅使用股票指数历史数据的预测效果。     

再生资源回收物流网络优化模型与算法研究

再生资源回收利用是发展循环经济的有机组成部分,再生资源回收物流网络规划问题的研究是再生资源回收利用系统运行的前提与基础。在考虑再生资源回收量和需求量波动性的基础上,以最小化回收物流总成本为优化目标,构建具有回收点、回收中心、集散市场和深加工中心或客户的四层级、多品种单周期再生资源回收物流网络规划模型。采用基于回收主体综合处理能力及映射关系的解改进优化策略,设计两阶段启发式算法求解模型。算例表明,提出的模型与算法能有效制定再生资源回收物流网络布局方案,且可推广用于单品种单周期、单品种多周期、多品种多周期的再生资源回收物流网络优化问题。     

A double-threshold GARCH model of stock market and currency shocks on stock returns

International integration of financial markets provides a channel for currency movements to affect stock prices. This paper applies a four-regime double-threshold GARCH (DTGARCH) model of stock market returns to investigate empirically the effects of daily currency movements on five stock market returns, namely in Taiwan, Singapore, South Korea, Japan and the USA. The asymmetric reactions of the mean and volatility stock returns in five markets to stock market and foreign exchange news are investigated using linear and nonlinear models. We discuss a four-regime DTGARCH model, which allows for asymmetry in both the conditional mean and conditional variance simultaneously by using two threshold variables to analyze stock market reactions to different types of information (that is, positive and negative news) that are generated from stock and foreign exchange markets. By applying the four-regime DTGARCH model, this paper finds that the interactions between the information of stock and foreign exchange markets lead to asymmetric reactions of stock returns and their associated variability. The empirical results show that international fund managers who invest in newly emerging stock markets need to evaluate the value and stability of domestic currencies as part of their stock market investment decisions.     

基于DCIO-DNN和迁移学习的基因表达回归预测模型

传统预测基因表达的线性模型无法解决基因表达谱数据高维度、少样本和非线性的现实问题。对此提出一种基于直连输入输出深度神经网络(DCIO-DNN)和迁移学习的基因表达回归预测模型(DCIO-DNN_GM)。提出一种可以建模landmark和target基因的线性和非线性映射关系的新型网络结构;引入迁移学习策略和正则化技术在小数据集上训练了模型。实验结果表明,该模型各项指标都更高。