基于双因子Lee-Carter模型的死亡率预测及年金产品风险评估

本文针对传统单因子Lee-Carter模型中死亡率的改善呈常数速率的明显弊端,利用贝叶斯MCMC方法和中国实际人口死亡率数据,考察对比了双因子Lee-Carter模型的预测效果.检验结果表明双因子模型的拟合优度和离差信息准则DIC明显优于单因子模型,较好地抓住了死亡率随时间演进的波动性.文章还进一步比较了基于两种模型预测结果的年金的定价、统计特征、风险度量和资本要求.结果表明双因子模型下,年金价格核密度图的尖峰厚尾现象较为突出,宜考虑TVaR风险度量来弥补SolvencyⅡ中基于VaR的资本额度计算方法的不足,以因应年金产品中死亡率超预期改善的长寿风险.     

仿真试验中Bootstrap方法的应用

应用非参数Bootstrap方法对Monte-Carlo仿真输出样本进行重复再抽样,用一种改进的偏差校正方法给出了命中概率的点估计,用BCa方法对命中概率进行置信区间估计,并使用传统统计分析方法对Monte-Carlo仿真输出样本进行分析,将两种方法得出的分析结果进行对比.比较结果表明,Bootstrap估计方法在置信区间估计方面有较大优势,能够降低对Monte-Carlo仿真输出样本容量的要求.     

动态指数平滑预测方法及其应用

指数平滑法是应用广泛的时间序列预测方法之一,但在传统方法中其相关系数的确定具有主观性,因此,其预测结果往往偏差较大.本文对传统指数平滑法进行改进,将其参数动态化,使得模型随预测过程自动更新,从而保证了预测的实时性、客观性.以最小预测误差平方和(SSE)为优化目标建立动态指数平滑参数和初值的优化模型,并通过迭代优化法求解.通过动态指数平滑模型,传统方法的一些缺陷,如模型参数选取的主观性、易导致预测偏差等被有效解决.预测实例表明,新方法优于传统指数平滑方法.     

基于随机死亡率与利率模型下的生存年金组合风险分析

在L ee-Carter随机死亡率模型和AR(1)随机利息力模型条件下,建立了生存年金组合精算现值模型,并推导了年金组合现值的一、二阶矩。在利用我国死亡率经验数据估计模型参数的基础上,具体分析了一类生存年金组合,并通过年金组合现值的方差系数研究了年金组合面临的长寿风险与利率风险。     

企业失败动态预测的ARMA-EWMA模型及其应用

利用ARMA模型的时间序列分析和EWMA控制图对过程变异的加权累加记忆特征．以图示化的形式研究企业失败演化路径。实证结果显示．ARMA-EWMA模型能够预测出企业由缋效好向差转变的转折点，预测失败趋势；在预测精度上．ARMA—EWMA模型与统计判别Fisher模型、Logit模型近似，表现出较高的预测正确率，但在中长期预测上，ARMA—EWMA模型优于统计判别模型。     

仿真输出分析中置信区间的Bootstrap估计方法

介绍了一种非参数统计分析方法，并将此方法应用于仿真输出分析，从而解决了传统方法的局限性。建立了感兴趣的性能测度的Ｂｏｏｔｓｔｒａｐ置信区间估计的步骤，并通过仿真实验进行了验证。Ｍ／Ｍ／１排队系统的仿真实验结果表明，这种方法能给出合理的点估计和有效的置信区间，而且仿真精度较传统方法有明显提高。     

趋势包络预测方法及其参数估计问题

研究并提出了趋势包络预测方法,给出了上、下包络模型、趋势模型和趋势包络预测方法的定义。在此基础上,给出了它们的参数估计方法。     

基于TEI@I方法论的通货膨胀问题分析与预测

基于TEI@I方法论提出了通货膨胀预测的研究框架.首先对通货膨胀的相关影响因素进行了分析,然后建立了因子预测模型、ARIMA模型、向量自回归模型以及马尔可夫状态转移模型,并分别进行了预测.然后采用Boostrap方法进行了集成,得到了每种预测方法的权重,并利用载止2007年12月的数据对2008年的月度通货膨胀率进行了集成预测,实证结果表明新的集成方法使预测结果更为稳定.     

组合预测方法在粮食单产预测中的应用

组合预测是利用各种预测模型所包含的独立有用预测信息来对事业未来发展趋势进行预计，估测的过程。通过粮食单产预测实例，论证了组合预测方法是一种比单一预测方法具有更能收到料好预测效果的佳法。     

基于遗传神经网络的癌症死亡率预测

分析了遗传算法(GeneticAlgorithm,GA)和人工神经网络(ArtificialNeuralNetwork,ANN)的优缺点,在此基础上,提出了将遗传算法与人工神经网络有机结合的遗传神经网络此外,利用长期进行的恶性肿瘤登记的报告资料,采用遗传神经网络对北京地区的癌症死亡率进行预测结果表明该研究工作是可行的,可以作为预测的一种有效手段.     

Modified state prediction algorithm based on UKF

The state prediction based on the unscented Kalman filter (UKF) for nonlinear stochastic discrete-time systems with linear measurement equation is investigated. Predicting future states by using the information of available measurements is an effective method to solve time delay problems. It not only helps the system operator to perform security analysis, but also allows more time for operator to take better decision in case of emergency. In addition, predictive state can make the system implement real-time monitoring and achieve good robustness. UKF has been popular in state prediction because of its advantages in handling nonlinear systems. However, the accuracy of prediction degrades notably once a filter uses a much longer future prediction. A confidence interval (CI) is proposed to overcome the problem. The advantages of CI are that it provides the information about states coverage, which is useful for treatment-plan evaluation, and it can be directly used to specify the margin to accommodate prediction errors. Meanwhile, the CI of prediction errors can be used to correct the predictive state, and thereby it improves the prediction accuracy. Simulations are provided to demonstrate the effectiveness of the theoretical results.     

动态多模型指数平滑法融合的在线预测方法

针对传统预测算法实时性差、难以适应多种数据变化情况、参数无法根据数据的实时变化进行在线调整等问题,提出了一种动态多模型指数平滑法融合的在线预测算法。该算法根据历史数据的预测误差,动态调整指数平滑法的平滑系数,以及1次、2次、3次指数平滑法的融合权值,实时得到对传感器测量参数的准确预测。仿真表明,该算法在多种数据变化情况下均优于单一采用指数平滑法。     

动态多模型指数平滑法融合的在线预测方法

针对传统预测算法实时性差、难以适应多种数据变化情况、参数无法根据数据的实时变化进行在线调整等问题,提出了一种动态多模型指数平滑法融合的在线预测算法。该算法根据历史数据的预测误差,动态调整指数平滑法的平滑系数,以及1次、2次、3次指数平滑法的融合权值,实时得到对传感器测量参数的准确预测。仿真表明,该算法在多种数据变化情况下均优于单一采用指数平滑法。     

设备故障评估新指标及基于ARMA的预测系统

设备故障停机时间受生产调度的影响较大,不能真实反映设备的自身性能,且具有很强的随机性和波动性,不适于直接用来进行自回归移动平均(auto-regressive moving average,ARMA)建模.针对此问题,提出一种设备故障评估指标--设备不可用度,将设备故障停机时间转换为设备不可用度,通过异常点替代和数据平...     

我国不良贷款回收率的影响因素和预测模型

利用中国资产管理公司的不良贷款数据库,对影响我国不良贷款回收率的因素:风险暴露规模、地区、行业、担保方式、五级分类、逾期时间等,进行了统计分析;在此基础上,建立了单户处置企业的不良贷款回收率预测模型,并且利用模型的各个影响因素对回收率的贡献程度进行了测算.以单户预测模型为基础,结合打包处置的处置策略,利用十折交叉验证和组合预测的思想,建立了打包处置的回收率预测模型.实证结果表明:无论是单户预测模型还是打包预测模型,预测结果均达到了较高的精度.     

PSO-LSSVM灰色组合模型在地下水埋深预测中的应用

针对LSSVM参数难以确定和单一方法预测精度不高的问题, 提出一种基于粒子群优化LSSVM灰色组合预测模型的学习方法. 利用粒子群算法的收敛速度快和全局优化能力, 优化LSSVM模型的惩罚因子和核函数参数. 避免了人为选择参数的盲目性. 在同一时刻利用不同长度序列的灰色预测方法对历史数据进行初步预测, 将初步预测结果的组合作为LSSVM的输入, 该时刻的实际值作为输出, 进行训练建立灰色LSSVM组合预测模型, 提高了模型的推广预测能力. 选取三江平原某地区1985年至2006年地下水埋深实测数据, 建立PSO-LSSVM组合预测模型. 通过两种方式对模型进行检验, 与其他模型相比, 该组合模型具有较高的预测精度.     

基于动态线性模型的民航发动机性能状态监控与在翼寿命预测

以民航发动机为对象,提出了一种基于动态线性模型的性能状态监控与在翼寿命预测方法.利用动态线性模型来描述性能参数偏差值序列,借助贝叶斯因子法来监测参数序列的异常.算例分析表明,该方法可操作性强,借助统计方法能够在故障发生的早期及时预警;动态线性模型同时用来描述发动机的性能退化过程,能够考虑维修、水洗以及故障等使用因素对性能退化的影响,实例证明该方法更加符合航空公司实际运营情况,能够更加合理地预测下发时间.     

基于RBF-HMM模型的时间序列在线预测

针对非线性非高斯时间序列,提出观测噪声服从隐马尔可夫模型(HMM)的径向基函数(RBF)神经网络预测模型—RBF-HMM模型,该模型具有如下两个特点:(1)用隐节点数可变的RBF神经网络对时间序列进行非线性建模;(2)用HMM对非高斯噪声进行建模.并采用序列蒙特卡罗(SMC)方法实现RBF-HMM模型参数的动态调整和时间序列的在线预测.最后采用南京禄口国际机场日旅客吞吐量数据进行实证研究,结果表明该模型的有效性.