一、Estimation of scale parameters of logistic distribution by linear functions of sample quantiles(论文文献综述)
尹美玲[1](2020)在《构建贝叶斯随机波动模型对互联网金融产品余额宝收益的波动性研究及其动态VaR测度》文中认为近年来,对互联网金融产品收益的波动性研究及其风险测度对投资者和监管部门都越来越重要.本文以余额宝的万份收益率为研究对象,在对其互联网金融特征探究后,建立Bayes-SV-T模型研究其整体的波动特征,据此再建立Bayes-POT模型对其尾部风险进行测度.本文的研究内容主要分为三大部分:第一部分是对余额宝运行模式概述后对其数据的互联网金融特征进行探究,为模型的设定和检验奠定基础.本文分别从波动性、尾部及峰部三个角度探究了余额宝的互联网金融特征.对于波动性,划分小样本并将其标准差与总体标准差进行比较,发现上一期波动对当前波动有明显的影响.在研究尾部和峰部时,以标准正态分布和t分布为比较标准,将余额宝的收益率数据进行相同统计口径的标准化后,在判定尾部长短特征时,在样本分布的尾部上选取一个分位数值作为某区间的左端点,固定该区间内的概率值,以此确定该区间的右端点,从而计算该区间的长度,通过三种分布的区间长度比较,发现余额宝样本数据对应的区间长度最长,从而其尾部更长;在判定尾部厚薄特征时,对于三个分布,选取完全相同的尾部区间,分别计算样本点落在该区间内的概率,发现余额宝收益率的该概率最小,从而其尾部更薄;在判定峰部特征时,对每一个分布,在其众数附近建立概率非零性和概率可区分性规则,确定一个充分小的邻域半径,并计算样本数据落在该邻域内的概率,经过比较发现余额宝收益率分布具有更尖的峰.第二部分是在第一部分研究的基础上,建立Bayes-SV-T模型对余额宝收益率的波动性进行研究,并为第三部分Bayes-POT模型的构建奠定基础.首先,基于所发现的互联网金融特征以及SV模型相比于GARCH类模型在模型形式、参数数量、参数估计和模型检验上具有的特定优势,将模型设定为SV-T模型.其次,确定模型的似然函数并根据其核设定各参数的先验分布,推导参数的联合后验分布及各参数的满条件后验分布,据此利用Gibbs抽样对参数进行估计,得到Bayes-SV-T模型.然后,据该模型对波动性进行分析,发现波动具有较强的持续性,波动水平最高为0.6528,最低0.039,且在2015年7月16日之后,以平均波动水平值为水平轴,波动曲线呈现出周期为890天,振幅为0.2的正弦曲线特征.最后,用随机模拟法对模型进行检验,将模拟样本与真实样本的分位数值进行比较,发现误差在0.1%左右,验证了模型的可靠性并对收益率进行了预测.第三部分是在上面Bayes-SV-T模型的基础上,进一步构建余额宝收益率的Bayes-POT模型,对其尾部风险进行动态VaR测度.首先对Bayes-SV-T模型的扰动项进行POT模型的类别设定及阈值的确定;其次建立Bayes-POT模型并求解,据此计算收益率的动态VaR值,然后分别运用Kupiec似然比和贝叶斯方法对VaR值进行检验并比较,结果表明本文构建的风险测度模型是可靠的,且贝叶斯方法下的检验较优.最后利用模型对动态VaR值进行外推预测.
段俊[2](2019)在《基于极值理论与CoVaR模型的金融市场风险测度研究》文中研究表明近年来,随着全球金融市场联系日益紧密,金融资产间的关联程度更加密切,并且科技进步使信息的传递越来越快,信息网络已将资本市场融为一体,更易造成单一金融市场风险问题透过高度的市场联动效应而形成系统性风险。从拉美危机、美国的“黑色星期一”、日本股市危机、欧洲货币危机到墨西哥比索危机、亚洲金融风暴,再到美国“次贷危机”等,此类极端事件的发生都导致了全球资本市场的大幅剧烈波动,对世界经济金融发展造成了极大的破坏,致使众多金融类公司破产倒闭、实体经济陷入萧条。因此,在市场发达、投资渠道多元化的今天,金融风险管理尤为重要。金融风险管理是现代金融理论的核心内容之一。虽说金融风险管理的传统理论依托于VaR模型,并与相关金融波动模型和Copula理论相结合均取得了不错效果,但针对频繁发生的极端风险事件,应用此类组合方法所估计的精度有待进一步提高。随后研究人员在此基础上又引入极值理论,但总体效果仍有拓展空间。因此,如何更有效的测度金融市场风险,尤其对极端风险进行有效的管理成为金融机构和投资者日益关注的问题。目前,国内金融风险管理主要以借鉴和改进国外的相关风险管理理论与模型为主,以期提高相关金融主体的抗风险能力。由于金融市场的极端风险特征和金融资产的非线性相关性,本文在吸收现有相关理论和研究成果基础上,沿着金融风险测度这条主线,从单一资产到多元资产的风险测度,从VaR到CoVaR,通过引入分位数回归模型、典型事实的金融波动模型、极值理论以及Copula函数有机结合,从而构建更能反映金融市场波动特征的风险度量测度模型。因此,基于金融市场风险测量模型改进是本文的研究特色,其主要研究内容和创新性体现在以下几个方面:第一,基于分位数回归模型与极值理论的金融市场风险测度改进。首先应用QR-GARCH模型拟合金融资产收益率特征,在获取波动性和残差的基础上,引进EVT模型,最终构建基于QR-GARCH-EVT的极值风险测度模型。同时,引入分位数回归的CAViaR模型,构建基于CAViaR-EVT模型的极值风险测度模型。该类模型组合的优点主要体现在,分位数回归模型不用事先假定金融资产收益率的分布特征,统计特性良好;而且EVT模型更适合“厚尾”分布特征的高分位点预测,结果也比较稳定。因此,文章利用分位数回归模型和EVT模型的各自优点重新组合可以很好的对风险进行评估。第二,使用CoVaR方法度量中国石油期货市场和国内国外大宗商品期货市场的风险溢出强度和传导效应。从研究内容上看,现有的风险溢出效应研究重心更多的是关注证券市场,关于原油期货市场与相关资本市场的风险溢出效应研究不多,而针对在极端情况下的中国原油市场与其他大宗商品市场的风险溢出强度和传递研究涉及偏少。文章考虑原油期货市场的金融属性,通过改进GARCH族模型,应用Beta-Skew-t-EGARCH模型和EVT模型拟合其波动特征,并在此基础上,引入Copula函数刻画中国原油市场与国内外大宗商品期货市场的非线性相依结构,度量其在极端条件下的风险溢出效应,从而为投资者提供更加清晰的风险传染认知,以及为风险监管部门提供更加合理的决策指导依据。第三,基于CoVaR模型的投资组合风险测度改进。通过改进Markowitz的效率前沿,把引起个别标的资产收益率变动的因素纳入到系统性风险考量,应用CoVaR模型衡量系统性风险扩散,构建新的基于CoVaRMean-资产配置模型。该模型的主要优点是将风险扩散的效果纳入到投资资产组合优化的统一分析框架中,有助于降低资产配置组合的风险。
刘琦[3](2018)在《光伏发电功率组合概率预测方法研究》文中进行了进一步梳理太阳能作为一种可再生能源,以其清洁、蕴含量巨大等特点得到了迅速的发展。但是由于受太阳辐射等多种气象因素的影响,光伏出力具有很强的波动性和间歇性。当大规模光伏发电系统接入到电网时,会对电网的稳定性和安全性造成较大的影响。因此,准确可靠的光伏发电功率预测,可以给工作人员提供可靠的数据信息,有利于灵活管理光伏发电量,提高电网系统运行的稳定性和安全性。目前,对于光伏出力预测研究多是点预测,并且通过点预测值很难详细描述预测数据信息,而概率预测能弥补点预测的不足,因此本文主要采用概率预测方法。由于光伏出力受到多种气象因素的影响,而气象因素之间存在一定的相关性,为降低模型计算复杂度,本文采用随机森林算法中的特征选择功能进行特征选择,挑选出重要特征,作为预测模型的输入变量。在不同天气类型中,光伏出力相差较大,本文将采用模糊C均值方法按照天气类型对数据样本进行划分,获得具有相似天气类型的数据样本。本文提出了三种光伏出力概率预测方法,改进稀疏高斯过程回归预测方法、神经网络分位数回归预测方法和改进最小二乘支持向量机误差预测方法。在改进稀疏高斯过程回归模型中,引入的稀疏高斯模型大大降低了高斯过程回归模型的计算复杂度,采用改进灰狼优化算法对模型的超参数进行求解,提高了模型的预测性能。在神经网络分位数回归模型中,对不同分位点上的光伏出力进行预测,并且采用核密度估计方法进行概率估计,进而获得光伏出力的概率分布。在改进最小二乘支持向量机误差模型中,采用改进灰狼优化算法对模型参数优化,然后分别采用参数估计和非参数估计方法对预测误差进行概率估计,进而获得预测功率的概率分布。对三种预测模型分别进行了实例验证,结果表明,三种预测模型具有不同的预测特点。为了充分发挥出不同模型的预测优势,本文提出了一种分时段变权重的组合预测方法,将一天的预测时间分为四个时间段,每个时间段分别采用最优组合方法对三种预测模型进行组合,获得预测性能更优的组合模型。结果表明,组合模型相比于三种预测模型具有更优的预测性能,可以为电网提供更多更全面的预测信息,提高电网运行的稳定性和安全性。
喻雪[4](2018)在《Gumbel分布中参数的广义置信区间》文中提出Gumbel分布是极值分布的主要类型之一,极值分析的主要目的之一是估计分位数xp.在水文统计中,称xp为重现期是T=1/1-p的重现水平;在风险管理中,xp为VaR,表示在未来某一特定的一段时间内证券组合损失超过xp的概率将会是1-;在保险精算中,xp是估计T年初始准备金等,因此分位数在实际生活中有着重要的应用.Gumbel分布的p分位数为:xp=μ-σln[-ln(p)],由分位数表达式可知,对分布函数位置参数和尺度参数的估计方法的优劣直接影响对再重现水平估计的准确性,因此对Gumbel分布参数地研究具有较大的理论意义和实用价值.本文基于Gumbel分布位置-尺度参数的最小风险同变估计,给出位置参数、尺度参数、分位数广义枢轴量的表达式,进而求出分位数的广义置信区间.同时给出两个Gumbel分布位置参数差的推断,本文共分为五章.第一章给出Gumbel分布分位数的已有的国内外的研究现状,并对文中所需要的预备知识进行说明.第二章对Gumbel分布中的位置参数和尺度参数采用一种新的估计方法:最小风险同变估计,同时利用蒙特卡洛方法与极大似然估计的统计性质进行了比较,体现其在样本容量较小的情况下具有更有效的统计意义.第三章基于Gumbel分布位置-尺度参数的最小风险同变估计,给出位置参数、尺度参数、分位数广义枢轴量的表达式,进而求出分位数的广义置信区间,并通过抽样求出其分位数0.95广义置信区间的覆盖率.模拟结果显示,分位数广义置信区间的实际置信水平与0.95非常接近,说明其方法具有优良性,并证明了 Gumbel分布这三个兴趣参数的广义置信区间具有频率意义下的实际置信水平1-α.并将方法应用到实际问题中,利用Gumbel分布拟合澳大利亚南部的Pirie港海平面年最大值,并给出了Pirie港T年一遇的最高海平面置信区间.第四章将本文研究的Gumbel分布分位数的广义置信区间与已经研究出的Gumbel分布分位数的广义置信区间进行两方面的比较,第一方面为置信区间的覆盖率,第二方面为区间长度,通过数据模拟,说明在小样本情况下,本文构造的广义置信区间具有更有效的统计意义.第五章讨论了两个Gumbel分布位置参数差的推断,包括尺度参数相等时位置参数差的广义置信区间及其检验和尺度参数不相等时位置参数差的广义置信区间及其检验,同时给出了尺度参数比的广义置信区间以及检验.
郭鹏[5](2017)在《贝叶斯空间分位计量模型及应用研究》文中提出空间计量经济学是计量经济学领域中研究的前沿问题之一。由于任何经济个体都不可能独立存在,它总是与其相邻的经济个体存在着各种各样的联系,这使得空间计量经济学的理论和应用研究日益受到学术界的广泛关注。空间计量经济学将空间效应和空间相依关系引入传统计量模型和统计方法中,为解决经济管理活动中的空间相依性和空间异质性等问题提供新的理论框架和分析方法。此外,空间经济学还将空间权重矩阵加入模型分析中,该权重矩阵可以测度个体之间存在的空间效应。尤其是在经济全球化和一体化的背景下,国际贸易和资本流动等活动极大的提高了各个国家与地区间的金融依存度,全球股市间的联动性也显着的增加了,此时考虑股市间的空间溢出效应就显得尤为重要。空间金融数据的尖峰厚尾特征使得经典均值回归模型的假设难以得到满足,而分位回归理论为解决这一问题提供了有效的工具和方法。分位回归模型可以完整的刻画被解释变量中心位置和尾部行为的趋势,从而为全面地描述被解释变量与解释变量间的因果关系提供有效的方法和支撑的工具。而将贝叶斯理论引入则可以考虑参数的不确定性风险,并在理论上扩展空间计量的研究方法与视角,在实践上为经济管理问题的决策分析提供技术支持。针对空间数据中存在的空间相依性,本文将非对称拉普拉斯分布表述为经典的高斯分布和指数分布的混合形式,并基于该混合表述形式将空间相依性整合进非对称拉普拉斯过程中。再将该过程与分位回归理论相结合,通过条件分位模型来估计分位多元回归模型,这样就可以刻画在不同分位点下的自变量对因变量的异质性影响。并在三种不同的混合表述形式下推导贝叶斯空间分位自回归模型的性质,以及在极端分位数下的平滑性和协方差性质。最后通过一个仿真分析论证贝叶斯空间分位自回归模型的优良性质。同时考虑截面数据间的空间异质性与空间相关性是空间计量经济学中有待解决的难点问题之一。目前,仅有地理加权回归模型从局部视角综合处理横截面数据中的空间相关性与空间异质性。但经典的估计方法在估计地理加权回归模型时存在三个主要的限制:经典估计方法要求随机误差项服从正态分布或其他已知分布;计算量巨大,特别是在大样本情况下传统估计方法几乎无法完成计算;仅能描述响应变量与协变量之间的中心趋势,而不能刻画其尾部性质。本文针对传统估计方法的不足,使用贝叶斯理论和分位回归方法来估计地理加权回归模型,并对地理加权回归模型进行数理推导和统计推断研究。贝叶斯理论可有效的处理上述前两个问题,而分位回归方法则可以处理上述第一个和第三个问题。最后,对地理加权回归模型,贝叶斯地理加权回归模型和M-分位数地理加权回归模型进行仿真研究和参数估计。空间面板数据可同时考虑空间相依性和空间异质性,这是由空间面板数据的性质决定的,但其估计方法则要复杂些。本文在面板分位回归和贝叶斯分位回归的基础上构建了贝叶斯空间面板分位回归模型,该模型不仅能对非正态、异方差数据有较好的拟合效果,还能够全面的刻画在被解释变量的不同条件分位下,解释变量对被解释变量的边际效应。通过把非对称拉普拉斯分布表示成指数分布和正态分布的混合形式,得到条件分位函数后验估计量的解析式,并设计Gibbs和M-H抽样算法对模型参数进行估计。最后,利用蒙特卡罗仿真实验对所提出的模型和方法进行检验。股市联动性的研究是金融研究中的热点问题。本文选取全球四十一个国家的股市数据,选取股市收益为响应变量,汇率波动、GDP增长率、主权违约率等为协变量。先使用一阶空间混合回归模型对全球股市之间的空间相依性进行估计,再利用二阶空间混合回归模型研究空间效应对股市收益的影响和外部冲击是怎样通过空间系统传递的,最后则对每个模型的结果进行稳健性分析。
王楠[6](2015)在《VaR的几种统计推断方法的比较》文中研究说明世界各国经济的发展已经进入全球化和一体化,全球金融市场在经济全球化的发展中占有重要地位,在整个全球金融市场的发展过程中,金融风险最受关注的话题之一。在这种背景下,衡量一个国家金融市场发展状况好坏的关键点在于它对金融市场风险的管控能力强弱。VaR作为近二十年来才发展起来的新型金融风险管理工具备受全球各国金融机构、政府等社会各方面的青睐,VaR现已是国际金融市场中风险测量的主要手段,也是众多金融投资领域中风险管控的国际性标准之一,而期望损失ES作为VaR的一个很好的补充,也吸引了很多金融学者对它的深入研究。因此,研究VaR及ES对金融风险的测度在理论上和实际生活中都具有重要的意义。风险价值VaR和期望损.失ES的计算方法有许多种,目前世界各国金融界测度风险价值和期望损失应用的主要是历史模拟法、Monte Carlo方法、非参数估计法和极值理论方法,这四种VaR及ES的计算方法各有优势,都是在一定前提条件下进行计算的,因为金融市场的发展瞬息万变,其中所存在的波动性很大,必须在有效合理的前提条件下进行计算。本文首先简要的介绍上述四种VaR和ES计算方法及其主要特点,然后选择两个白噪声模型产生足够的随机数据,分别用这四种VaR和ES方法计算,对计算结果与名义水平进行比较,分析他们的各自的比较结果,探讨存在结果不同的真正原因,最后通过对股票市场的实际数据进行实证分析,说明这四种VaR和ES计算方法使用效果的优劣。
王贶[7](2014)在《城市居民收入与支出的非参数分位数回归估计》文中提出随着统计分析的逐步发展,越来越多的研究学者聚焦于数据建模和统计量分析,因为模型的设定是进行更深层次探究的基础,一个优良的模型,可以对分析对象实现最优拟合,以便更全面更准确的掌握分析对象的特点,这样就可以更深入的研究,并得出切实有效的结论。在形形色色的统计方法中,最小二乘法凭借着自身简洁有效且与想象相符的优势,被广泛应用与参数和非参数模型的研究中。然而,没有一种方法是完美无瑕的,对带有异常值和异方差的数据,由于自身局限性,最小二乘法也存在一定的不足。分位数回归(Quantile Regression)思想的提出,最对这种方法进行了有效的补充与完善。对于估计参数与非参数模型,也显示出了优越的稳定性。本文侧重研究分位数理论、非参数分位数回归模型、局部多项式估计方法以及他们的实际应用,论文的着力于以下几项工作:首先,论文介绍了分位数回归的研究背景,理论的形成和发展过程。可以看出,对分位数的研究过程,从萌芽到成长壮大,其应用领域被学者们不断扩展,说明分位数回归适用于多种领域多种用途的研究。这也从另一个角度说明了对分位数回归问题的研究是很有意义的。其次,论文详细介绍了本文的理论支持。即分位数回归的定义,基本原理,以及相关的一些性质。对分位数回归进行实用性拓展,找出适合本文研究内容的模型——非参数分位数回归模型,并做出详细介绍。再次,采用非参数模型估计最为常用的方法——局部多项式方法,运用分位数回归技术,对全国230个城市的居民收支情况进行建模与分析,同时列出最小二乘估计的相关结果,通过对比,可以得出:对于数据量大且非常态分布的数据,非参数分位数回归方法是优于普通最小二乘法的,而且可以提供更多的信息,便于得到正确的统计分析结论。最后,本文运用非参数分位数回归技术,得出的结论不仅是对非参数分位数回归应用的扩展,同时也对经济学领域的研究的有益参考。
陶山山[8](2013)在《多维最大熵模型及其在海岸和海洋工程中的应用研究》文中指出海岸及海洋工程所处的环境条件非常恶劣,它们经常遭受台风、寒潮等严重天气过程的影响。海堤是防御海洋灾害的主要建筑物,我国沿海地区经济发达,一旦遭遇台风而导致海堤损毁,将产生难以估量的经济损失和人员伤亡;海洋平台造价昂贵,灾害性的天气过程将导致平台无法正常工作,严重时甚至会使平台倾覆、石油泄漏,污染海洋环境、造成生态破坏。影响海岸及海洋工程的环境要素主要有风、浪、潮、流、海冰、海雾等,如何有效地构造其设计标准,对于工程结构的安全性和可靠性非常重要。传统的设计标准采用单因素方法,将每种海洋环境要素视为独立变量,进行单独设计。这种方法过于保守,无法反映实际的海洋环境条件。因而有必要进行多维环境要素联合设计标准的研究,这就需要有足够准确的多元概率分布模型作为理论支撑。目前建立的模型类型单一,有时无法反映实际海况,拟合时误差较大。本文在最大熵原理的基础上,推导了二维及多维最大熵模型,将其应用于海堤和海洋平台等的多维环境荷载联合设计中,并将其引入多维复合极值理论、结构可靠度分析以及风险分析中。本文的主要工作如下。一维最大熵分布函数可以涵盖海洋环境设计的多种分布,因而可以避免线型选择的问题。本文总结并提出了一维最大熵分布函数的7种参数估计方法,即三参数矩法、四参数矩法、经验适线法、最大似然法、概率权重法、L-矩法和粒子群算法;对这些参数估计方法进行了实例验证和Monte-Carlo模拟,结果表明最大似然法和经验适线法的拟合效果较优,因而推荐使用。由于海洋环境设计参数的估计误差较大,因而有必要引入置信区间的概念。本文提出了5种设计重现值的区间估计方法,即Woodruff法、最大似然法、样本分位数渐近法、顺序统计量法和符号检验法。根据数值模拟和实例验证得出,对一维最大熵分布函数,重现值区间估计的参数方法优于非参数方法;而在参数方法中,推荐使用最大似然法区间估计。鉴于一维最大熵分布函数在应用中的优越性,类似对二维情形,给出适用于海洋环境要素的约束组合,建立了二维最大熵分布函数,并推导出其参数的矩估计方法。基于二元Copula函数,推导出边缘分布均服从最大熵分布函数的各种二维最大熵模型,并将这一类Copula模型统一在最大熵原理之下,实现了其与二维最大熵分布函数的统一。利用二维最大熵模型,进行了渤海年极值波高和伴随风速的联合概率设计,以及营口、葫芦岛海冰的同现概率分析。计算结果表明,二维最大熵分布模型对数据的拟合优度良好。针对当前多维概率模型大多限于低维(二维或三维),很难向更高维推广的缺点,根据多维联合信息熵和最大熵原理,建立了一般的多维最大熵模型、矩约束下的多维最大熵模型,以及适合海洋环境约束的三维最大熵分布函数;鉴于建立的三维最大熵分布函数难于计算,利用多元Copula函数构造了边缘均服从一维最大熵分布函数的多维最大熵模型,并将其统一于最大熵原理之下。利用黄海某岛25年的年极值波高、周期、增水数据,根据三维最大熵模型,提出了一种海堤顶高程和越浪率的联合设计方法。针对灾害性天气过程中多维环境要素的两组样本(过程中同为极值的要素及荷载最大时伴随的环境要素),提出了两种新型的多维复合极值模型,进而获得多维复合最大熵模型。利用这些模型对青岛风暴潮的强度进行了分级,对台风过程下导管架平台的环境条件设计进行了计算。结果表明,多维复合最大熵模型描述台风/寒潮等灾害性天气过程的统计分布是合适的;并且,其中最大荷载对应环境要素组合下的多维复合极值分布对应的设计值更为安全。将多维最大熵模型引入静态结构可靠度计算中,结合直接积分法,使得结构可靠度计算的全概率法得以实现。鉴于静态可靠度计算无法考虑结构与荷载随时间的变化,无法真正保证结构的耐久性和安全性,因而对结构的时变可靠度进行了相应讨论,给出了相应服役期内时变可靠度的计算公式。最终,结合渤海某平台,就较为简单的情形进行了工程验证。利用标值点过程理论,将灾害性天气过程视为随机点事件,将过程中各种环境荷载作为该点事件的标值,建立了灾害性天气过程的Poisson多元标值点过程模型。将多维最大熵分布作为多维标值的联合分布,利用以上点过程模型,推导出了海洋平台的综合风险率,为其安全防护提供了参考。
陈雄强[9](2013)在《分位数自回归模型理论与应用研究》文中研究指明自从1978年Koenker和Bassett提出分位数回归方法以来,在计量经济学的研究领域中涌现了大量的分位数回归模型,分位数自回归(QAR)模型便是其中之一。QAR模型能较好地刻画经济金融序列数据中的非正态性、非对称性和动态性等特征。它是运用分位数回归方法研究时间序列模型的理论起点。近年来,QAR模型越来越受到国外学者的青睐,并已成为时间序列分析领域的研究热点之一。QAR模型的基本思想是在AR模型框架下,引入分位数回归方法以刻画时间序列中的非对称变化特征。QAR模型提出的时间不长,还有许多问题亟待解决和完善。本文针对QAR模型理论中存在的不足,扩展和改进了现有的QAR模型估计和诊断检验方法,使之能更好地应用于实际经济问题研究。本文的主要创新点如下:(1)在基本QAR模型的基础上,采用蒙特卡罗模拟方法分析了QAR过程的平稳性和样本矩的统计特性,推导了QAR过程的自相关函数,并系统阐述了QAR模型的建模策略。(2)由于不同分位数回归曲线之间容易出现交叉,这会影响QAR模型估计的准确性。为此,本文对QAR模型的估计方法进行了研究,阐述了三种估计QAR模型回归参数的方法——QR法、RCQR1法和RCQR2法,讨论了这三种估计量的一致性和有限样本性质。研究结论表明,当样本容量较小时,QR法是最理想的估计方法;而在样本容量较大时,RCQR2法的估计效果更好。当QAR模型的误差项服从非正态分布时,RCQR2法在参数估计上的优势尤其明显。(3)本文模拟分析了有限样本条件下,拟似然比(QLR)统计量在检验QAR模型回归系数显着性的检验尺度和检验功效。结果表明,这种检验方法具有较好的检验功效。基于上述研究,本文提出了序贯检验方法,用于确定QAR模型的最大滞后阶数;比较分析了多种不同滞后阶数选择方法在有限样本条件下的准确性与稳健性。模拟结果显示,基于QLR统计量的序贯检验,尤其是基于supAn统计量的序贯检验,具有较好的有限样本性质,其检验功效显着优于SIC和AIC准则。(4)在实证研究方面,本文运用QAR模型研究了我国通货膨胀率的持久性及其非对称性动态特征。研究结果表明,不同分位数上的QAR模型的回归系数存在显着差异。从通货膨胀率条件分布的低分位数到高分位数,我国通货膨胀率的持久性不断增强。基于不同分位数τ上的单位根检验结果表明,我国通货膨胀率序列具有总体平稳性和局部非平稳性特征。在受到负向冲击或减速通胀状态下,通货膨胀率序列的变动往往呈现平稳自回归过程:而在受到正向冲击或加速通胀状态下,通货膨胀率序列的变动通常表现为单位根过程。根据QAR模型预测得到的临界分位数值,可以有效区分通货膨胀率变动路径中的平稳点和非平稳点。
徐秋爽[10](2013)在《分位数虚假回归与误差修正模型的理论研究及应用》文中研究表明分位数回归是用给定的解释变量X来估计被解释变量Y的条件分位数的一种基本方法。它不仅可以度量解释变量对被解释变量分布中心的影响,还可以度量分布极端情况下的该种影响,具有经典最小二乘回归所不具备的优点。经济金融领域中的时间序列多是非平稳的,直接对他们进行最小二乘估计,有可能出现虚假回归现象。通过引入均衡误差项建立误差修正模型,不仅能够避免虚假回归,而且能够同时研究变量之间的长期均衡关系和短期参数关系。通过蒙特卡罗实验发现,非平稳时间序列的分位数回归同样存在着虚假回归的问题,而目前对该问题的研究还不多。本文结合传统的误差修正模型提出了分位数误差修正模型,该模型将分位数回归法与误差修正模型结合起来,同时具有两者的优点,能够更为全面地研究误差修正模型的调整机制。具体研究思路是:先采用最小二乘法估计具有协整关系的变量间的长期均衡关系,然后对误差修正方程进行分位数回归,并讨论在各分位点上的调整机制,特别是在极端分布情况下的调整机制。本文进一步利用分位数误差修正模型对沪深300股指期货市场的价格发现功能及其与现货市场之间的信息传导关系进行了实证研究,并将研究结果与用传统的误差修正模型得到的结果进行了比较。结果表明:随着分位的增加现货市场的信息效率逐渐提高,体现出比期货市场更大的信息优势,而传统的误差修正模型放大了市场调节机制的作用。
二、Estimation of scale parameters of logistic distribution by linear functions of sample quantiles(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、Estimation of scale parameters of logistic distribution by linear functions of sample quantiles(论文提纲范文)
(1)构建贝叶斯随机波动模型对互联网金融产品余额宝收益的波动性研究及其动态VaR测度(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.2.1 国外研究现状 |
1.2.2 国内研究现状 |
1.3 结构安排与主要内容 |
1.4 创新点 |
第二章 余额宝运行模式的概述及其互联网金融特征探究 |
2.1 余额宝的运行模式 |
2.2 余额宝类理财产品的特点 |
2.3 样本数据的选取及基本统计分析 |
2.4 余额宝收益率的互联网金融特征探究 |
2.5 本章小结 |
第三章 建立Bayes-SV-T模型对余额宝收益率的波动性进行研究 |
3.1 基于余额宝收益率的互联网金融特征对模型类别的设定 |
3.1.1 为什么选择SV模型 |
3.1.2 SV模型的数字特征分析 |
3.2 余额宝收益率的Bayes-SV-T波动模型的建立与求解 |
3.2.1 Bayes-SV-T波动模型的建立 |
3.2.2 Bayes-SV-T波动模型的求解 |
3.3 基于Bayes-SV-T模型对余额宝收益率的波动性分析 |
3.4 余额宝收益率的Bayes-SV-T模型的检验及预测 |
3.5 本章小结 |
第四章 Bayes-POT模型的构建及余额宝收益率的动态VaR测度 |
4.1 余额宝收益率的Bayes-POT模型构建 |
4.1.1 POT模型类别的设定与阈值的确定 |
4.1.2 Bayes-POT模型的建立与求解 |
4.2 基于Bayes-POT模型计算余额宝收益率的动态VaR |
4.3 余额宝收益率的动态VaR检验 |
4.3.1 基于Kupiec似然比的VaR检验 |
4.3.2 基于贝叶斯方法的VaR检验 |
4.4 基于Bayes-POT模型预测余额宝收益率的动态VaR |
4.5 本章小结 |
第五章 总结与展望 |
5.1 总结 |
5.2 展望 |
参考文献 |
攻读硕士学位期间发表的论文 |
后记 |
(2)基于极值理论与CoVaR模型的金融市场风险测度研究(论文提纲范文)
中文摘要 |
英文摘要 |
1 绪论 |
1.1 选题背景 |
1.2 研究意义 |
1.3 金融市场风险测度的核心概念界定 |
1.3.1 CoVaR模型 |
1.3.2 金融波动模型 |
1.3.3 极值理论 |
1.3.4 Copula理论 |
1.4 研究目的与研究内容 |
1.4.1 研究目的 |
1.4.2 研究内容 |
1.5 研究方法与技术路线 |
1.5.1 研究方法 |
1.5.2 技术路线 |
1.6 研究贡献与创新之处 |
1.6.1 研究贡献 |
1.6.2 创新之处 |
2 金融市场风险测度相关理论基础 |
2.1 金融风险测度理论 |
2.1.1 VaR理论 |
2.1.2 CoVaR理论 |
2.2 金融波动理论 |
2.2.1 线性ARCH模型 |
2.2.2 GARCH模型 |
2.3 极值理论 |
2.3.1 BMM模型及估计 |
2.3.2 POT模型 |
2.4 Copula理论 |
2.4.1 Copula函数的参数估计 |
2.4.2 Copula函数的检验 |
2.5 小结 |
3 文献综述 |
3.1 国内外关于金融市场风险测度的研究综述 |
3.1.1 ARCH族模型的应用研究 |
3.1.2 CoVaR风险溢出效应的研究综述 |
3.2 极值理论在金融市场风险测度中的研究综述 |
3.3 Copula理论在金融市场风险测度中的研究综述 |
3.4 文献述评 |
4 基于极值理论与分位数回归模型的金融市场风险测度研究 |
4.1 问题提出 |
4.2 基于QR-GARCH-EVT模型的金融风险测度研究 |
4.2.1 Va R模型 |
4.2.2 QR-GARCH模型 |
4.2.3 QR-GARCH-EVT模型构建 |
4.2.4 QR-GARCH-EVT模型检验 |
4.3 基于CAViaR-EVT模型极值风险测度研究 |
4.3.1 分位数回归CAViaR模型 |
4.3.2 CAViaR-EVT-VaR模型 |
4.3.3 CAViaR-EVT-VaR实证检验 |
4.4 小结 |
5 基于Copula-EVT-CoVaR模型的金融市场风险测度研究 |
5.1 问题提出 |
5.2 基于Copula-EVT-CoVaR模型的金融风险测度研究 |
5.2.1 Copula-EVT-CoVaR模型构建 |
5.2.2 Copula-EVT-CoVaR模型的实证检验 |
5.3 小结 |
6 基于Copula-GH-CoVaR模型的金融市场风险测度研究 |
6.1 问题提出 |
6.2 基于Copula-GH-CoVaR模型的金融市场风险测度研究 |
6.2.1 Copula-GH-CoVaR模型构建 |
6.2.2 Copula-GH-CoVaR模型估计与检验 |
6.3 小结 |
7 基于Mean-CoVaR模型的投资组合风险测度研究 |
7.1 问题提出 |
7.2 Mean-CoVaR模型构建及估计 |
7.3 基于Mean-CoVaR模型实证研究 |
7.3.1 数据来源及描述性统计 |
7.3.2 Mean-CoVaR模型估计 |
7.3.3 实证检验结果比较 |
7.4 小结 |
8 研究结论及展望 |
8.1 研究结论 |
8.2 展望 |
参考文献 |
附录 |
A.作者在攻读博士学位期间发表的文章 |
B.作者在攻读博士学位期间参与研究的课题 |
C.学位论文数据集 |
致谢 |
(3)光伏发电功率组合概率预测方法研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 课题研究背景及意义 |
1.2 国内外研究现状 |
1.3 本文的主要研究内容 |
第2章 光伏发电系统概述及数据预处理 |
2.1 太阳能光伏电池数学模型 |
2.1.1 太阳能光伏电池原理 |
2.1.2 太阳能光伏电池等效模型 |
2.2 光伏发电系统 |
2.2.1 光伏发电系统的组成 |
2.2.2 光伏发电系统的分类 |
2.3 数据预处理 |
2.3.1 数据描述 |
2.3.2 基于随机森林的特征选择 |
2.3.3 相似样本的分类选择 |
2.4 本章小结 |
第3章 基于改进稀疏高斯过程回归的概率分布预测 |
3.1 高斯过程回归模型 |
3.1.1 权重空间 |
3.1.2 函数空间 |
3.1.3 核函数 |
3.1.4 模型训练 |
3.2 稀疏高斯过程模型 |
3.3 基于改进灰狼优化的稀疏高斯过程模型 |
3.3.1 灰狼优化算法 |
3.3.2 改进灰狼优化算法 |
3.3.3 基于改进灰狼优化的稀疏高斯过程模型 |
3.4 算例验证分析 |
3.4.1 评价指标 |
3.4.2 实验结果与分析 |
3.5 本章小结 |
第4章 基于神经网络分位数回归的概率分布预测 |
4.1 分位数回归理论 |
4.1.1 线性分位数回归 |
4.1.2 非线性分位数回归 |
4.1.3 神经网络分位数回归模型 |
4.2 核密度估计理论 |
4.2.1 核密度估计 |
4.2.2 最优窗宽选取 |
4.3 基于神经网络分位数回归的概率预测模型 |
4.4 算例分析 |
4.5 本章小结 |
第5章 基于改进最小二乘支持向量机的误差修正概率分布预测 |
5.1 最小二乘支持向量机算法 |
5.1.1 线性支持向量机 |
5.1.2 非线性支持向量机 |
5.1.3 最小二乘支持向量机 |
5.1.4 .基于改进灰狼优化的最小二乘支持向量机 |
5.2 分布估计方法 |
5.2.1 参数估计方法 |
5.2.2 非参数估计方法 |
5.3 功率预测误差概率分布 |
5.4 算例分析 |
5.5 本章小结 |
第6章 基于组合模型的概率分布预测 |
6.1 组合模型理论 |
6.1.1 组合模型概述 |
6.1.2 非最优组合模型 |
6.1.3 最优组合模型 |
6.2 基于分时段变权重组合模型 |
6.3 算例验证 |
6.4 本章小结 |
第7章 总结与展望 |
参考文献 |
发表论文和参加科研情况说明 |
发表学术论文 |
参与科研项目 |
致谢 |
(4)Gumbel分布中参数的广义置信区间(论文提纲范文)
摘要 |
Abstract |
第1章 引言 |
1.1 模型介绍 |
1.2 国内外研究 |
1.3 预备知识 |
1.4 研究内容与结构 |
第2章 Gumbel分布中参数的估计 |
2.1 位置-尺度参数的最小风险同变估计 |
2.2 位置-尺度参数的极大似然估计 |
2.3 分位数的估计 |
第3章 广义置信区间 |
3.1 Gumbel分布中参数的广义置信区间 |
3.2 频率性质 |
3.3 计算机模拟 |
第4章 Gumbel分布分位数的两种广义置信区间的比较 |
4.1 Gumbel分布分位数的另一种广义置信区间 |
4.2 计算机模拟进行比较 |
第5章 两Gumbel总体下参数的推断 |
5.1 尺度参数相等时(即σ_1=σ_2=σ时)位置参数差的推断 |
5.2 尺度参数不相等时(即σ_1≠σ_2时)位置参数差的推断 |
5.3 尺度参数比(σ_2/σ_1)的推断 |
参考文献 |
致谢 |
攻读学位期间发表的学术论文 |
(5)贝叶斯空间分位计量模型及应用研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 选题背景与研究意义 |
1.1.1 选题背景 |
1.1.2 研究意义 |
1.2 文献综述 |
1.2.1 空间计量模型的贝叶斯分析 |
1.2.2 空间分位回归模型 |
1.2.3 贝叶斯分位回归模型 |
1.3 研究思路与研究内容 |
1.3.1 研究思路 |
1.3.2 研究内容 |
第2章 贝叶斯空间分位基础理论分析 |
2.1 空间计量模型分析 |
2.1.1 空间效应及检验 |
2.1.2 空间权重矩阵 |
2.1.3 空间计量模型的形式 |
2.2 分位回归理论分析 |
2.2.1 分位数与样本分位数 |
2.2.2 分位回归模型 |
2.2.3 分位回归模型的检验 |
2.3 贝叶斯推断理论 |
2.3.1 贝叶斯理论 |
2.3.2 先验分布 |
2.3.3 MCMC计算理论 |
2.3.4 收敛性诊断 |
2.4 本章小结 |
第3章 贝叶斯空间分位自回归模型构建 |
3.1 空间分位自回归模型分析 |
3.1.1 空间分位自回归模型 |
3.1.2 空间自回归模型的IVQR估计量 |
3.1.3 IVQR估计量的渐进性质 |
3.2 贝叶斯空间自回归模型分析 |
3.2.1 贝叶斯空间自回归模型 |
3.2.2 贝叶斯空间自回归模型参数分析 |
3.3 贝叶斯空间分位自回归模型的构建 |
3.3.1 非对称拉普拉斯分布及其表示形式 |
3.3.2 空间分位自回归过程模型 |
3.3.3 贝叶斯空间自回归模型 |
3.3.4 超参数σ的先验分布 |
3.3.5 仿真设计与分析 |
3.4 本章小结 |
第4章 贝叶斯空间地理加权分位回归模型构建 |
4.1 混合地理加权回归模型分析 |
4.1.1 混合地理加权回归模型 |
4.1.2 常参数的两步估计法 |
4.1.3 常参数项的确定 |
4.2 贝叶斯地理加权回归模型的构建 |
4.2.1 贝叶斯地理加权分位回归模型 |
4.2.2 贝叶斯地理加权回归模型的参数估计 |
4.2.3 仿真设计与分析 |
4.3 M-分位地理加权回归模型的构建 |
4.3.1 单位模型的小域估计 |
4.3.2 M-分位地理加权回归模型 |
4.3.3 模型参数的小域估计 |
4.3.4 均方误差的估计 |
4.3.5 仿真设计与分析 |
4.4 本章小结 |
第5章 贝叶斯面板空间分位回归模型构建 |
5.1 面板分位回归模型分析 |
5.1.1 模型的表示 |
5.1.2 固定效应的惩罚面板分位回归 |
5.1.3 参数估计量的渐进性 |
5.1.4 惩罚分位回归估计量的渐近性 |
5.2 贝叶斯分位回归模型分析 |
5.2.1 非对称拉普拉斯分布 |
5.2.2 贝叶斯分位回归 |
5.2.3 参数的不恰当先验信息 |
5.3 贝叶斯面板空间分位回归模型的构建 |
5.3.1 贝叶斯面板空间分位回归模型 |
5.3.2 Metropolis-Hastings算法 |
5.3.3 Gibbs抽样算法 |
5.3.4 仿真设计与分析 |
5.4 本章小结 |
第6章 实证研究 |
6.1 股市联动性问题描述 |
6.2 空间模型设定与权重矩阵 |
6.2.1 空间混合模型设定 |
6.2.2 空间权重矩阵 |
6.3 指标选取 |
6.4 实证结果 |
6.4.1 一阶空间混合模型结果 |
6.4.2 二阶空间混合模型结果 |
6.5 结果对比与分析 |
6.6 本章小结 |
结论 |
参考文献 |
致谢 |
附录A 攻读博士学位期间发表的学术论文目录 |
附录B 攻读博士学位期间参与的研究课题 |
(6)VaR的几种统计推断方法的比较(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景及选题意义 |
1.2 国内外对VaR和ES方法研究现状综述 |
1.2.1 国外研究现状 |
1.2.2 国内研究现状 |
1.3 论文结构安排 |
第二章 VaR及ES的基础理论 |
2.1 VaR及ES的定义 |
2.2 VaR与ES的计算方法 |
2.2.1 历史模拟法 |
2.2.2 Monte Carlo模拟法 |
2.2.3 非参数估计法 |
2.2.4 极值理论法 |
第三章 模拟研究 |
3.1 模型介绍 |
3.2 VaR与ES的模拟计算 |
3.2.1 随机数据的产生 |
3.2.2 VaR及ES计算 |
3.2.3 比较结果与分析 |
第四章 实证分析 |
4.1 金融数据的特征分析 |
4.2 样本数据的统计分析 |
4.2.2 样本数据的选取和基本分析 |
4.2.3 正态性分析 |
4.2.4 相关性分析 |
4.3 VaR的计算与结果分析 |
4.3.1 历史模拟法 |
4.3.2 Monte Carlo模拟法 |
4.3.3 非参数估计法 |
4.3.4 极值理论法 |
4.3.5 结果比较与分析 |
总结语 |
参考文献 |
附录 |
致谢 |
(7)城市居民收入与支出的非参数分位数回归估计(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究背景 |
1.2 分位数回归理论研究现状 |
1.3 本文主要研究工作及内容 |
2 分位数回归理论 |
2.1 分位数回归的基本原理 |
2.1.1 分位数、秩和最优化 |
2.1.2 分位数回归的定义 |
2.1.3 分位数回归的实现 |
2.1.4 p 个观测值的分位数回归 |
2.1.5 最优化条件 |
2.1.6 同变性 |
2.1.7 分位数回归估计的渐近性 |
2.1.8 分位数回归检验 |
2.2. 非参数分位数回归 |
2.3 局部多项式分位数回归 |
3 城市居民收入—支出问题的研究 |
3.1 研究意义 |
3.2 研究方法的选择 |
3.3 实例分析 |
4 结果与展望 |
参考文献 |
附录A 文中数据附表:2012 年城市居民收支 |
攻读硕士学位期间发表学术论文情况 |
致谢 |
(8)多维最大熵模型及其在海岸和海洋工程中的应用研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 海洋环境要素设计现状 |
1.2.2 多维概率分布理论研究现状 |
1.2.3 结构可靠度理论研究现状 |
1.2.4 海洋工程风险分析研究现状 |
1.3 研究内容 |
1.4 创新点 |
参考文献 |
2 一维最大熵分布函数 |
2.1 海洋工程中常用的一维概率模型 |
2.1.1 Gumbel 分布 |
2.1.2 Weibull 分布 |
2.1.3 皮尔逊Ⅲ型分布 |
2.1.4 对数正态分布 |
2.1.5 广义极值分布 |
2.1.6 广义 Pareto 分布 |
2.2 一维最大熵模型 |
2.2.1 信息熵与最大熵原理 |
2.2.2 一般形式的一维最大熵模型 |
2.2.3 一维最大熵分布函数 |
2.2.4 一维最大熵分布函数与其他分布的关系 |
2.3 一维最大熵分布函数的参数估计方法 |
2.3.1 三参数矩法 |
2.3.2 四参数矩法 |
2.3.3 经验适线法 |
2.3.4 最大似然法 |
2.3.5 概率权重法 |
2.3.6 L-矩法 |
2.3.7 粒子群算法 |
2.4 参数估计方法的比较及其工程应用 |
2.4.1 分布拟合检验方法 |
2.4.2 实例验证 |
2.4.3 Monte-Carlo 模拟 |
2.4.4 结论 |
2.5 重现值的区间估计方法 |
2.5.1 Woodruff 方法 |
2.5.2 最大似然法 |
2.5.3 样本分位数渐近法 |
2.5.4 顺序统计量法 |
2.5.5 符号检验法 |
2.6 重现值区间估计方法的比较及工程应用 |
2.6.1 随机模拟 |
2.6.2 实例验证 |
2.7 本章小结 |
参考文献 |
3 二维最大熵模型 |
3.1 海洋工程中常用的二维概率模型 |
3.1.1 二维 Gumbel 分布 |
3.1.2 二维 Weibull 分布 |
3.1.3 二维皮尔逊Ⅲ型分布 |
3.1.4 二维对数正态分布 |
3.1.5 二维 Gamma 分布 |
3.1.6 二维正态分布 |
3.1.7 二维等效最大熵分布 |
3.2 二维最大熵分布函数 |
3.2.1 二维最大熵分布函数 |
3.2.2 参数的矩估计方法 |
3.3 Copula 函数构造二维最大熵模型 |
3.3.1 二元 Copula 函数的基本理论 |
3.3.2 二元 Copula 函数的构造及类型 |
3.3.3 Copula 二维模型的参数估计及模型选择 |
3.3.4 Copula 函数构造二维最大熵分布模型 |
3.4 工程应用 |
3.4.1 渤海固定式平台联合设计 |
3.4.2 营口和葫芦岛海冰同现概率分析 |
3.5 本章小结 |
参考文献 |
4 多维最大熵分布模型 |
4.1 常见的多维概率模型 |
4.1.1 多维正态分布 |
4.1.2 多维对数正态分布 |
4.1.3 多维学生 t 分布 |
4.1.4 多维极值分布理论 |
4.2 多维最大熵分布理论 |
4.2.1 矩约束下的多维最大熵模型 |
4.2.2 三维最大熵分布函数 |
4.3 Copula 函数构造多维最大熵模型 |
4.3.1 多元 Copula 函数的分类 |
4.3.2 多元 Copula 函数构造多维概率模型及优选 |
4.3.3 Copula 函数构造多维最大熵分布模型 |
4.4 海堤顶高程及越浪率的计算 |
4.4.1 一维数据分析 |
4.4.2 二维数据分析 |
4.4.3 三维数据分析 |
4.4.4 海堤顶高程及越浪率计算 |
4.4.5 结论 |
4.5 本章小结 |
参考文献 |
5 多维复合最大熵模型及其工程应用 |
5.1 复合极值分布理论研究现状 |
5.1.1 一维复合极值分布理论 |
5.1.2 多维复合极值分布(主极值下伴随样本) |
5.2 多维复合极值分布的推广及应用 |
5.2.1 环境要素同为极值时的多维复合极值分布 |
5.2.2 最大荷载对应环境要素组合下的多维复合极值分布 |
5.2.3 多维复合最大熵模型 |
5.3 青岛风暴潮强度分级 |
5.4 台风/寒潮过程(波高、风速)复合最大熵模型 |
5.5 本章小结 |
参考文献 |
6 多维最大熵模型在结构可靠度分析中的应用 |
6.1 多维最大熵模型在静态可靠度分析中的应用 |
6.1.1 极限状态方程与可靠度 |
6.1.2 JC 法 |
6.1.3 直接积分法 |
6.1.4 基于多维最大熵模型的全概率法 |
6.2 基于多维最大熵模型的时变可靠度分析 |
6.3 海洋平台服役期内时变可靠度计算 |
6.4 本章小结 |
参考文献 |
7 多维标值点过程模型在海洋平台风险分析中的应用 |
7.1 灾害性天气过程的多维 Poisson 标值点过程模型 |
7.2 海洋平台综合风险率 |
7.3 工程算例 |
7.4 本章小结 |
参考文献 |
8 结论与展望 |
8.1 结论 |
8.2 展望 |
致谢 |
个人简历 |
攻博期间参加的科研工作 |
攻博期间发表的学术论文 |
(9)分位数自回归模型理论与应用研究(论文提纲范文)
中文摘要 |
Abstract |
第一章 绪论 |
第一节 研究背景与意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
第二节 基于分位数回归的AR模型研究现状 |
1.2.1 QAR模型的设定与性质研究 |
1.2.2 QAR模型框架下的单位根检验研究 |
1.2.3 非线性QAR模型研究 |
第三节 论文结构安排与主要创新 |
1.3.1 论文结构安排 |
1.3.2 论文主要创新 |
第二章 总体平稳条件-下的QAR模型 |
第一节 QAR模型的基本形式及其性质 |
2.1.1 QAR模型的基本形式 |
2.1.2 QAR过程的遍历平稳性 |
第二节 QAR模型样本矩的统计性质 |
2.2.1 QAR过程样本均值的统计性质 |
2.2.2 QAR过程样本方差的统计性质 |
2.2.3 QAR过程样本偏态的统计性质 |
2.2.4 QAR过程样本峰态的统计性质 |
第三节 QAR过程的自相关函数和偏自相关函数 |
2.3.1 QAR过程的自相关函数及其估计 |
2.3.2 QAR过程的偏自相关函数及其估计 |
第四节 QAR模型的建立 |
2.4.1 模型的设定 |
2.4.2 模型参数的估计 |
2.4.3 模型诊断与检验 |
2.4.4 QAR模型的预测 |
第五节 QAR模型的扩展 |
2.5.1 QARL模型 |
2.5.2 T-QAR模型 |
2.5.3 基于copula的非线性QAR模型 |
2.5.4 非参数QAR模型 |
2.5.5 QAR-ARCH模型 |
第六节 小结 |
第三章 QAR模型参数估计的比较研究 |
第一节 模型的识别 |
3.1.1 分位数回归模型的识别 |
3.1.2 QAR模型的识别 |
第二节 QAR模型的参数估计 |
3.2.1 QR法 |
3.2.2 RCQR1法 |
3.2.3 RCQR2法 |
第三节 有限样本模拟分析 |
3.3.1 估计量的极限分布 |
3.3.2 三种估计方法的比较 |
3.3.3 稳健性分析 |
第四节 小结 |
第四章 参数显着性检验与滞后阶数选择 |
第一节 QAR模型回归系数显着性检验 |
4.1.1 QLR检验 |
4.1.2 检验尺度与检验功效 |
第二节 QAR模型滞后阶数的选择 |
4.2.1 滞后阶数选择方法 |
4.2.2 滞后阶数选择的模拟实验 |
4.2.3 滞后阶数选择方法的稳健性分析 |
第三节 小结 |
第五章 通货膨胀持久性及其非对称性分析 |
第一节 引言 |
第二节 数据选取与模型设定 |
5.2.1 数据描述与总体平稳性检验 |
5.2.2 模型设定与估计 |
5.2.3 基于不同分位数的平稳性检验 |
第三节 实证结果分析 |
5.3.1 模型估计与检验结果 |
5.3.2 通货膨胀非对称性分析 |
5.3.3 通货膨胀动态路径分析 |
第四节 小结 |
第六章 总结与展望 |
第一节 论文总结 |
第二节 研究展望 |
参考文献 |
致谢 |
附录A 证明 |
附录B 程序 |
个人简历 在学期间发表的学术论文与研究成果 |
(10)分位数虚假回归与误差修正模型的理论研究及应用(论文提纲范文)
摘要 |
Abstract |
第1章 引言 |
1.1 选题的背景和意义 |
1.2 研究内容与研究方法 |
1.3 本文结构安排 |
1.4 本文创新点 |
第2章 分位数回归 |
2.1 分位数模型 |
2.1.1 分位数回归的基本概念 |
2.1.2 分位数回归的实现 |
2.1.3 分位数回归的渐近理论 |
2.1.4 分位数回归的计算 |
2.1.5 分位数回归的检验 |
2.2 分位数模型研究现状 |
第3章 分位数误差修正模型 |
3.1 误差修正模型 |
3.1.1 时间序列的平稳性 |
3.1.2 单整序列 |
3.1.3 虚假回归 |
3.1.4 协整 |
3.1.5 误差修正模型理论 |
3.1.6 EG 两阶段法 |
3.1.7 误差修正模型应用研究现状 |
3.2 分位数误差修正模型 |
3.2.1 分位数模型中虚假回归的提出 |
3.2.2 分位数虚假回归的蒙特卡罗方法模拟 |
3.2.3 分位数误差修正模型理论 |
3.2.4 分位数误差修正模型 EG 两阶段法 |
第4章 分位数误差修正模型的应用 |
4.1 期货市场与现货市场 |
4.1.1 期货市场与现货市场的差别 |
4.1.2 股指期货的影响 |
4.1.3 股指期货的功能 |
4.1.4 股指期货市场的价格发现功能及其研究现状 |
4.2 分位数误差修正模型的应用 |
第5章 结论与展望 |
5.1 结论 |
5.2 研究展望 |
参考文献 |
致谢 |
个人简历、在学期间发表的学术论文和研究成果 |
四、Estimation of scale parameters of logistic distribution by linear functions of sample quantiles(论文参考文献)
- [1]构建贝叶斯随机波动模型对互联网金融产品余额宝收益的波动性研究及其动态VaR测度[D]. 尹美玲. 南京财经大学, 2020(04)
- [2]基于极值理论与CoVaR模型的金融市场风险测度研究[D]. 段俊. 重庆大学, 2019(09)
- [3]光伏发电功率组合概率预测方法研究[D]. 刘琦. 天津大学, 2018(06)
- [4]Gumbel分布中参数的广义置信区间[D]. 喻雪. 天津师范大学, 2018(01)
- [5]贝叶斯空间分位计量模型及应用研究[D]. 郭鹏. 湖南大学, 2017(06)
- [6]VaR的几种统计推断方法的比较[D]. 王楠. 广西师范大学, 2015(05)
- [7]城市居民收入与支出的非参数分位数回归估计[D]. 王贶. 辽宁师范大学, 2014(01)
- [8]多维最大熵模型及其在海岸和海洋工程中的应用研究[D]. 陶山山. 中国海洋大学, 2013(01)
- [9]分位数自回归模型理论与应用研究[D]. 陈雄强. 南开大学, 2013(07)
- [10]分位数虚假回归与误差修正模型的理论研究及应用[D]. 徐秋爽. 华侨大学, 2013(08)