供应链零售商预测技术研究—基于牛鞭效应的视角

一阶自回归(AR(1))序列模拟需求过程是传统文献采用的经典模型,然而上述文献关于需求过程参数(如需求自回归系数)对牛鞭效应的影响分析缺乏实践意义,为了更符合企业的实际决策过程,本文建立了需求依赖于价格、而以AR(1)序列模拟价格过程的需求函数模型,分析了最小均方差、移动平均和指数平滑预测下的牛鞭效应,确定了零售商的预测技术选择条件。研究表明:(1)产品市场规模不影响零售商预测技术的选择;(2)当产品价格敏感系数较小或价格自回归系数较小时,零售商应选择最小均方差预测技术;(3)当产品价格敏感系数和价格自回归系数均较大时,零售商应选择移动平均预测技术。     

固定效应面板数据部分线性模型的加权截面LSDV估计(英文)

本文考虑误差为自回归过程的固定效应面板数据部分线性回归模型的估计.对于固定效应短时间序列面板数据,通常使用的自回归误差结构拟合方法不能得到一个一致的自回归系数估计量.因此本文提出一个替代估计并证明所提出的自回归系数估计是一致的,且该方法在任何阶的自回归误差下都是可行的.进一步,通过结合B样条近似,截面最小二乘虚拟变量(LSDV)技术和自回归误差结构的一致估计,本文使用加权截面LSDV估计参数部分和加权B样条(BS)估计非参数部分,所得到的加权截面LSDV估计量被证明是渐近正态的,且比可忽略误差的自回归结构模型更渐近有效.另外,加权BS估计量被推导出具有渐近偏差和渐近正态性.模拟研究和实际例子相应地说明了所估计程序的有限样本性.     

半参数平滑转换分位数自回归模型及应用

已有针对平滑转换自回归模型(STAR)的研究多是将转换函数设定为Logistic函数或指数函数形式,并在均值回归框架下获得模型的估计、检验及预测结果.文章基于重心权有理插值和分位数回归方法,构建一类新的半参数平滑转换分位数自回归模型,其主要特点表现在:第一,基于重心权有理插值方法构造的平滑转换函数,形式更加灵活自由,有效减少了模型误设的风险.第二,在分位数回归框架下,利用遗传算法获得新模型在不同分位点处的平滑转换自回归系数估计,比单纯的均值回归得到的信息更为丰富.数值模拟结果显示,新模型的平滑转换自回归系数估计在无偏性、有效性和一致性方面均具有较好表现.最后,将新模型应用于上证综指日收益率的动态趋势及预测研究,细致揭示了收益率序列在不同阶段、不同分位点处的非线性和异质性变化特征.     

带有干扰噪声的自回归过程的参数估计及渐近性质

本文讨论了带有干扰噪声的自回归过程Y(t)=X(t)+Z(t),其中X(t)为AR(p)序列,Z(t)、为干扰噪声序列的未知参数φ_1,…,φ_p,σ_g~2,σ_x~2,谱密度f(λ)的估计问题,对所给估计建立了强收敛速度和渐近正态性,并给出了模型阶的一种强相容估计方法。     

混合地理加权空间自回归模型的Profile GMM估计

为了更好地同时考虑空间自相关性和空间异质性,本文研究一类空间自回归混合地理加权回归模型.基于Profile方法和广义矩(GMM)方法,构造了模型中未知空间自回归参数,常数回归系数和系数函数的两类Profile GMM估计.数值模拟结果表明所提出的估计在有限样本中表现良好.     

DNA序列分类的数学模型

本文从三个不同的角度分别论述了如何对 DNA序列进行分类的问题 ,依据这三个角度分别建立了三类模型 .首先 ,从生物学背景和几何对称观点出发 ,建立了 DNA序列的三维空间曲线的表达形式 .建立了初步数学模型 -积分模型 ,并且通过模型函数计算得到了 1到 2 0号 DNA序列的分类结果 ,发现与题目所给分类结果相同 ,然后我们又对后 2 0个 DNA序列进行了分类 .然后 ,从人工神经网络的角度出发 ,得到了第二类数学模型 -人工神经网络模型 .并且选择了三种适用于模式分类的基本网络 ,即感知机模型 ,多层感知机 ( BP网络 )模型以及 LVQ矢量量化学习器 ,同时就本问题提出了对 BP网络的改进 (改进型多层感知机 ) ,最后采用多种训练方案 ,均得到了较理想的分类结果 .同时也发现了通过人工神经网络的方法得到的分类结果与积分模型得到的分类结果是相同的 (前四十个 ) .最后 ,我们对碱基赋予几何意义 :A.C.G.T分别表示右 .下 .左 .上 .用 DNA序列控制平面上点的移动 ,每个序列得到一个游动曲线 ,提取游动方向趋势作为特征 ,建立起了模型函数 ,同时也得到了后二十个 DNA序列的分类结果 ,而且发现结果与上述两个模型所得到的分类结果几乎相同 (其中有一个不同 ,在本模型中表示为不可分的 ) .此模型保留的信息量更多 ,而且     

关于DNA序列分类问题的模型

本文提出了一种将人工神经元网络用于 DNA分类的方法 .作者首先应用概率统计的方法对 2 0个已知类别的人工 DNA序列进行特征提取 ,形成 DNA序列的特征向量 ,并将之作为样本输入 BP神经网络进行学习 .作者应用了 MATLAB软件包中的 Neural Network Toolbox(神经网络工具箱 )中的反向传播 ( Backpropagation BP)算法来训练神经网络 .在本文中 ,作者构造了两个三层 BP神经网络 ,将提取的 DNA特征向量集作为样本分别输入这两个网络进行学习 .通过训练后 ,将 2 0个未分类的人工序列样本和 1 82个自然序列样本提取特征形成特征向量并输入两个网络进行分类 .结果表明 :本文中提出的分类方法能够以很高的正确率和精度对 DNA序列进行分类 ,将人工神经元网络用于 DNA序列分类是完全可行的     

有AR残差的回归模型的参数估计和定阶

§1.引言 在线性回归模型中,有平稳相关噪声的回归模型是一类最常用、最广泛的形式,它的一般定义如下: 其中ε(t)为白噪声,F_t=(F_1(t),…,F_s(t))~τ为自变元,而β=(β_1,…,β_s)~τ为自变元的回归系数,Φ(B)=1-Φ_1B-…-Φ_pB~p,θ(B)=1-θ_1B-…-θ_qB~q,为后移算子,且序列{η(t),t≥1}是不可观测的。模型(1.1)蕴含了人们熟知的(A)统计     

生产安全事故宏观发展态势的计量经济学研究

为了研究工矿商贸就业人员10万人生产安全事故死亡率时间序列变化特征,基于我国行业生产安全事故死亡人数及第二、三产业就业人员数量等2方面年度统计数据,通过研究事故死亡率时间序列的自回归移动平均过程,论文构建了事故死亡率时间序列的分阶段自回归移动平均模型.研究表明:工矿商贸行业10万人事故死亡率变化趋势具有明显的分阶段波动特征,事故死亡率序列均为趋势平稳过程;序列当期观测值与滞后1期观测值具有显著的自相关性;各阶段事故率自回归移动平均模型结构不尽相同;特征描述模型为正确把握我国安全生产状况及趋势提供理论依据.     

纵向数据下线性模型的模态回归估计

本文考虑纵向数据下线性回归模型的稳健估计问题.通过结合模态回归(modal regression)方法和二次推断函数(quadratic inference functions)技术,提出了一种基于模态回归的估计过程.证明了回归系数的估计是相合的,并给出了其渐近分布.数据模拟结果表明所提出的估计方法具有较好的稳健性和有效性.     

原油价格时间序列自回归子模式传输特征分析

为了更好地分析原油现货价格的波动规律,文章以大庆原油日现货价时间序列为研究对象,把计量经济模型与复杂网络方法结合起来,定量地定义自回归模式,运用时间滑动窗的思想设置合理的窗体长度和步长,将时间序列划分为多个子模块,建立了多个自回归子模式.将自回归子模式设置为节点,各子模式之间的传输设置为边,建立自回归子模式传输复杂网络,利用复杂网络的特征与性质,研究大庆原油现货价格时间序列传输特性.文章发现少数自回归子模式和传输模式驱动大庆原油现货价时间序列的振荡,在传输过程中出现对波动的聚类效应,并且某些非主要自回归子模式在原油时间序列中具有高中介能力等.这项研究不仅为分析原油价格时间序列提出了独特的视角,而且为投资者提供了重要信息.     

基于SVR的RAR区域经济预测模型

由于区域经济系统中许多经济变量呈现出强非线性与大波动性的特征,使得传统的时间序列线性建模和预测技术难以适应区域经济预测的要求.为此,提出基于支持向量机改进的残差自回归区域经济预测模型.首先采用时间序列分析中的残差自回归模型对时间序列趋势进行线性拟合,然后对残差自回归模型估计后的残差序列采用支持向量回归方法再次提取其非线性特征,从而提高区域经济时间序列模型的预测精度.最后以广东省GDP的预测实例说明模型的有效性.     

基于基因表达谱的肿瘤识别与分类特征基因提取研究

针对基因表达谱信息基因提取的问题,使用Wilcoxon秩和检验方法进行"无关基因"的剔除,基于高低水平基因表达的特点,建立了关于高/低表达水平的双线性回归模型,基于残差分析提取了19个特征基因.使用启发式宽度优先搜索算法搜索最优基因子集,确定结肠癌的基因"标签",运用支持向量机对分类效果进行检验,分类效果良好.     

基于稀疏自编码器的金融市场指数预测模型

针对高维数据"维数灾难"问题,降维是最典型的处理方式之一。降维技术不仅可以减弱"维数灾难"的负面影响,而且能够剔除高维数据中的冗余特征,从而提升高维数据回归、分类等任务的效率。高维数据通常呈现出复杂或非线性结构,恰当的降维方法可以有效地将高维特征数据投影至低维空间,以实现原始数据的非线性特征提取。本文尝试使用无监督学习模型稀疏自编码网络对金融高维数据进行非线性特征提取,将提取到的特征作为有监督学习模型BP神经网络的输入以预测指数收益率。更进一步地,为了验证稀疏自编码算法在特征提取方面的优势与有效性,本文引入稀疏主成分模型进行对比分析。实证分析显示:本文所使用的稀疏自编码网络能够较好地提取非线性特征并进行预测,其预测精度优于以稀疏主成分为代表的线性降维方法。     

基于MCMC算法的贝叶斯变结构分位自回归模型研究

为了更全面细致的刻画时间序列变结构性的特征及其相依性,提出了一类马尔可夫变结构分位自回归模型。利用非对称Laplace分布构建了模型的似然函数,证明了当回归系数的先验分布选择为扩散先验分布时,参数的各阶后验矩都是存在的,并给出了能确定变点位置和性质的隐含变量的后验完全条件分布。仿真分析结果发现马尔可夫变结构分位自回归模型可以全面有效地实现对时间序列数据变结构性的刻画。并应用贝叶斯Markov分位自回归方法分析了中国证券市场的变结构性,结果发现中国证券市场在不同阶段尾部表现出不同的相依性。     

自回归序列的穿带率

穿零问题是时间序列分析中的一个重要研究内容,被广泛应用于语音识别、信号探测等科学研究领域.统计学者已经给出了二阶自回归序列AR(2)的渐进穿零率与一阶渐进相关函数的关系,以及均方渐近穿零率与自回归序列AR(P)的特征根的关系等一系列研究成果.在此基础上,本文引入了自回归序列AR(P)的渐近穿带率(BCR)的概念,建立了序列的2邻点渐近穿带率与一阶渐近相关函数之间的关系.当带宽足够窄时,用2邻点穿带率可以近似穿带率,从而建立了渐近穿带率和一阶渐近相关函数与方差的关系式.     

基于函数系数自回归模型的风速时间序列预测

准确预测风电场风速是解决风能对电力系统所造成的安全、稳定运行和电能质量等问题的有效途径之一.风速的难以预测是由于它的高度随机和非线性.基于一种非参数的非线性自回归随机模型来预测风速,模型的自回归系数随模型依赖变量的变化而变化,因而它有灵活的非线性结构.数值实验和比较结果表明了这种函数系数自回归模型在风电场风速预测中的有效性.     

ARMA序列参数的相关矩估计

§1.引言 满足以下模型的平稳时间序列称为自回归滑动平均序列(简称ARMA序列),其模型为x_t-φ_1x_(t-1)-φ_2x_(t-2)-…-φ_px_(t-p)=a_t-θ_1a_(t-1)-θ_2a_(t-2)-…-θ_qa_(t-q),(1.1)其中a_t为独立同分布的随机序列,且Ea_t=0,Ea_t~2=σ~2。以下多项式无公共根,且的根都在单位圆外。以后称此为稳定性条件。 我们把模型的参数用矢量表示,即     

一类统计量的递推算法

在时间序列的参数估计及信号检测等问题中,经常遇到要计算如下的双线性型统计量:其中x_n~τ=(x_1,x_2,…,x_n),y_n~τ=(y_1,y_2,…,y_n)为由数据构成的矢量,表示序列或信号的采样值;Γ_n=(γ_(kl))_(n×n)为n阶正定对称阵,表示序列的协方差阵;记号“τ”表示矢量或矩阵的转置。当n增大时,求逆阵Γ_n~(-1)的计算量将以n~2的数量级增长,很快就会超过     

Switching Control of Nonlinear Systems Based on the Quasi-ARX Model and the SVR Algorithm北大核心CSCD

该文基于改进的含有外部输入项的准线性自回归(准ARX)径向基函数(RBF)网络模型和支持向量回归(SVR)算法,提出了一种非线性切换控制方法.改进的准ARX模型非线性部分采用RBF网络.控制系统设计过程分为三个部分:首先,利用聚类方法确定模型的非线性参数;然后,采用线性SVR算法来解决控制系统的鲁棒性问题;接下来,基于控制误差给出切换判定函数,确定切换律给出控制序列.最后通过数值仿真验证了该方法的有效性.