基于符号网络的边值预测方法研究

针对社会网络中存在的正负二元边值关系,基于共同邻居指标法在识别社会网络符号边值问题中的优势,提出了一种符号网络下的边值预测方法(ICN-Predict)。该符号网络边值预测方法有效结合了节点符号密度属性和网络拓扑结构特征,避免了共同邻居法预测选值敏感性问题。通过实验仿真发现,ICNPredict预测方法扩大了符号网络边值预测的适用面,提高了边值预测精度,同时表明进一步提高预测精度的关键在于提高负值边的预测准确率。

中国股市持续期模型及其预测能力检验

文章选择中国股票市场超额成交量持续期作为度量市场流动性的指标,以ACD持续期模型为基础,通过样本外滑动窗口SPA检验方法,比较了四种不同超额成交量持续期ACD模型的预测精度,从模型预测评价的角度分析了中国股市日内市场流动性特征。

高频数据视角下的市场价格影响因素述评

随着金融大数据研究的兴起,传统的交易数据分析已无法满足市场需求。本文从高频数据的视角对金融市场价格影响因素进行了全面的总结分析,着重介绍了成交量、交易持续期、日内效应对日内价格的影响机制及相关研究成果,并讨论了交易持续期与信息、波动率之间的影响关系。从中可以看出,各类市场微观交易指标从不同角度反映了外部信息对市场日内价格波动的影响,这些结论也为高频数据计量实证分析提供了一定的理论指导。

超高频数据的日内效应调整方法研究

日内效应在金融高频数据研究中已被广泛证实,是一种日内周期性运动的动态效应,它影响了以微观金融指标为参数的计量模型的准确估计。基于金融超高频持续期数据,本文首先论述了日内效应调整的重要性,然后引入自适应映射(SOM)的方法对日内效应进行调整。SOM是一种基于神经网络学习的特征提取方法,能够动态识别高维数据中的结构特征,克服了静态调整方法的不足。最后通过建立基于自回归条件持续期模型(ACD)的蒙特卡罗模拟实验,比较了三种日内效应调整方法的效果。模拟结果表明SOM方法在日内效应调整中更为有效和稳定,特别适合大数据条件下的周期性结构分析。

基于季节性ARIMA模型的移动APP用户活跃度分析——以利市软件为例

APP日活跃人数是一个核心的APP运营评价指标,且具有明显的周期性效应。本文通过季节性ARIMA模型对APP中的日活跃用户数进行建模分析,并基于已有历史数据进行预测能力评价。模型估计结果表明,季节性ARIMA模型能够很好地拟合APP日活跃用户数,有效地刻画了数据中的周期性特征,并对未来趋势给出了较为准确的预测结果。该预测模型可以对APP未来市场运营和营销策略的制定提供一定的数据参考。