岭估计的高杠杆点

本文对岭估计的高杠杆值给出统计意义,并证明岭估计的高杠杆点与最小二乘估计的高杠杆点是相同的。     

负相协下递归密度估计的强收敛速度

在一定条件下给出了一种递归核估计的强收敛速度,同时给出了失效率函数的强收敛速度。     

NOD序列样本分位数的Bahadur表示

Bahadur表示对于样本分位数估计的大样本性质的研究有着重要作用,Ling对NA样本证明了样本分位数估计的Bahadur表示及其收敛速度n 1/4(log n)1/2.本文在更广泛的NOD样本下利用指数不等式证明样本分位数的Bahadur表示,获得了更快的收敛速度n 1/2(log n log log n)1/2.由于NA样本是NOD样本的特例,所以我们的结论有效地推广和改进了Ling的结论.     

α混合序列下的核密度估计量的渐近正态性

核密度估计是一类重要的非参数分布密度估计,而且α混合相依结构在金融时间序列中广泛存在。本文在α混合序列情形下,利用大小分块方法和矩不等式证明了核密度估计量的渐近正态性及其收敛速度,这个结果可以用于构造α混合序列未知的密度函数的置信区间,并且在适当窗宽条件下获得了较好的收敛速度。     

风险度量ES的非参数估计

期望损失(Expected Shortfall,ES)是当今最流行的金融资产风险度量的工具之一,是一个理想的一致性风险度量.本文在α-混合序列具有幂衰减混合系数的条件下,讨论了风险度量ES的样本估计量的性质,得到估计量的Bahadur表示以及渐近正态性.     

NA样本分布估计的一致强相合性

在NA相依样本下,研究经验分布函数估计和分布密度核估计的一致强相合性,获得了与独立情形一致的结论。     

一种提高前向神经网络泛化性能的新算法

提出了一种利用遗传算法优化前向神经网络的结构和正则项系数的混合学习算法．将该方法与附加动量的BP算法、固定正则项系数神经网络方法进行比较．数值结果显示该方法具有精度高、学习收敛速度快和泛化能力高等优点．     

NA样本下固定设计回归估计的渐进正态性

对于固定设计回归模型，本文在NA样本、强平稳及较弱的条件下建立了回归权函数估计的渐近正态性，应用这一结果具体地讨论了Gasser-Muller估计和Priesfley-Chao估计，得到相应的结论。     

相依样本下线性模型的最小二乘估计

对混合样本的线性回归模型给出最小二乘估计的ｒ阶矩组合的充分条件，改进了文（２），（３）和（４）中的有关结论，得到较理想的结果。