Let(B,||·||)be a Banach space,(?,F,P)a probability space,and L^0(F,B)the set of equivalence classes of strong random elements(or strongly measurable functions)from(?,F,P)to(B,||·||).It is well known that L^0...Let(B,||·||)be a Banach space,(?,F,P)a probability space,and L^0(F,B)the set of equivalence classes of strong random elements(or strongly measurable functions)from(?,F,P)to(B,||·||).It is well known that L^0(F,B)becomes a complete random normed module,which has played an important role in the process of applications of random normed modules to the theory of Lebesgue-Bochner function spaces and random operator theory.Let V be a closed convex subset of B and L^0(F,V)the set of equivalence classes of strong random elements from(?,F,P)to V.The central purpose of this article is to prove the following two results:(1)L^0(F,V)is L^0-convexly compact if and only if V is weakly compact;(2)L^0(F,V)has random normal structure if V is weakly compact and has normal structure.As an application,a general random fixed point theorem for a strong random nonexpansive operator is given,which generalizes and improves several well known results.We hope that our new method,namely skillfully combining measurable selection theorems,the theory of random normed modules,and Banach space techniques,can be applied in the other related aspects.展开更多
本文从金融科技大数据出发,以人工智能的吉布斯随机搜索(Gibbs Sampling)算法为工具,在大数据框架下建立了针对公司财务欺诈风险的特征因子筛选的一般处理方法与特征提取推断原理,并结合上市公司的财务报表数据进行实证分析,结合从2017...本文从金融科技大数据出发,以人工智能的吉布斯随机搜索(Gibbs Sampling)算法为工具,在大数据框架下建立了针对公司财务欺诈风险的特征因子筛选的一般处理方法与特征提取推断原理,并结合上市公司的财务报表数据进行实证分析,结合从2017年1月到2018年12月证监会对上市公司财务报表信息披露违规的数据样本,筛选出刻画财务欺诈的特征因子并进行了验证测试,支持财务欺诈的识别。本文提出的框架和模型方法可以加强和提升对上市公司财务欺诈风险的识别能力,并实现对公司财务在欺诈方面的探测与预测(Detecting and Predicting)功能。展开更多
本文的目的是在大数据框架下,系统地陈述了如何利用吉布斯抽样(Gibbs sam pling)方法作为工具,以样本误差容忍度为标准的大数据关联特征因子提取的推断原理为基础,在金融衍生品场景下对关联风险特征进行有效提取的思维和路径.具体来讲,...本文的目的是在大数据框架下,系统地陈述了如何利用吉布斯抽样(Gibbs sam pling)方法作为工具,以样本误差容忍度为标准的大数据关联特征因子提取的推断原理为基础,在金融衍生品场景下对关联风险特征进行有效提取的思维和路径.具体来讲,采用马尔可夫链蒙特卡罗(MCMC)框架下的吉布斯抽样(Gibbs sampling)算法为工具,通过"OR值"(odds ratio)(也称为"比值比"或"优势比")为验证标准,在大数据(包含传统的结构化和非结构化数据)一般框架下对高度关联特征因子提取推断的原理下,系统性地陈述了如何从海量数据中提取与金融衍生品价格或者风险关联度高的风险特征因子的随机搜索方法.为了能够比较全面地展示如何利用吉布斯抽样方法通过随机搜索算法来实现对金融衍生品风险特征的提取,在本文中,我们对三种金融产品的关联特征提取进行了比较全面和系统的讨论,他们是:1)对支持"基金中的基金"(fund of funds,简称"FOF")组建的影响基金业绩关联特征的挖掘;2)对影响大宗商品期货螺纹钢价格趋势变化的关联特征指标的挖掘;3)对影响大宗商品期货铜价格趋势分析的关联特征刻画的提取.本文的分析和实证结果表明,我们在大数据框架下建立的特征提取方法除了能够有效地筛选出刻画影响基金业绩的关联特征外,也够提取出影响螺纹钢期货和铜期货价格趋势变化的关联特征,这为业界对FOF的组建与管理,对应金融衍生品价格变化走势,特别是大宗期货交易和风险管理方面提供了一种新的分析维度和风险特征因子应用方向.另外,本文讨论的从大数据的视角筛选金融衍生品风险特征因子的方法,也与过去传统的计量分析方法不同,是金融科技在大数据金融方面分析和应用的创新点.展开更多
基金This work was supported by National Natural Science Foundation of China(11571369)。
文摘Let(B,||·||)be a Banach space,(?,F,P)a probability space,and L^0(F,B)the set of equivalence classes of strong random elements(or strongly measurable functions)from(?,F,P)to(B,||·||).It is well known that L^0(F,B)becomes a complete random normed module,which has played an important role in the process of applications of random normed modules to the theory of Lebesgue-Bochner function spaces and random operator theory.Let V be a closed convex subset of B and L^0(F,V)the set of equivalence classes of strong random elements from(?,F,P)to V.The central purpose of this article is to prove the following two results:(1)L^0(F,V)is L^0-convexly compact if and only if V is weakly compact;(2)L^0(F,V)has random normal structure if V is weakly compact and has normal structure.As an application,a general random fixed point theorem for a strong random nonexpansive operator is given,which generalizes and improves several well known results.We hope that our new method,namely skillfully combining measurable selection theorems,the theory of random normed modules,and Banach space techniques,can be applied in the other related aspects.
文摘本文从金融科技大数据出发,以人工智能的吉布斯随机搜索(Gibbs Sampling)算法为工具,在大数据框架下建立了针对公司财务欺诈风险的特征因子筛选的一般处理方法与特征提取推断原理,并结合上市公司的财务报表数据进行实证分析,结合从2017年1月到2018年12月证监会对上市公司财务报表信息披露违规的数据样本,筛选出刻画财务欺诈的特征因子并进行了验证测试,支持财务欺诈的识别。本文提出的框架和模型方法可以加强和提升对上市公司财务欺诈风险的识别能力,并实现对公司财务在欺诈方面的探测与预测(Detecting and Predicting)功能。
文摘本文的目的是在大数据框架下,系统地陈述了如何利用吉布斯抽样(Gibbs sam pling)方法作为工具,以样本误差容忍度为标准的大数据关联特征因子提取的推断原理为基础,在金融衍生品场景下对关联风险特征进行有效提取的思维和路径.具体来讲,采用马尔可夫链蒙特卡罗(MCMC)框架下的吉布斯抽样(Gibbs sampling)算法为工具,通过"OR值"(odds ratio)(也称为"比值比"或"优势比")为验证标准,在大数据(包含传统的结构化和非结构化数据)一般框架下对高度关联特征因子提取推断的原理下,系统性地陈述了如何从海量数据中提取与金融衍生品价格或者风险关联度高的风险特征因子的随机搜索方法.为了能够比较全面地展示如何利用吉布斯抽样方法通过随机搜索算法来实现对金融衍生品风险特征的提取,在本文中,我们对三种金融产品的关联特征提取进行了比较全面和系统的讨论,他们是:1)对支持"基金中的基金"(fund of funds,简称"FOF")组建的影响基金业绩关联特征的挖掘;2)对影响大宗商品期货螺纹钢价格趋势变化的关联特征指标的挖掘;3)对影响大宗商品期货铜价格趋势分析的关联特征刻画的提取.本文的分析和实证结果表明,我们在大数据框架下建立的特征提取方法除了能够有效地筛选出刻画影响基金业绩的关联特征外,也够提取出影响螺纹钢期货和铜期货价格趋势变化的关联特征,这为业界对FOF的组建与管理,对应金融衍生品价格变化走势,特别是大宗期货交易和风险管理方面提供了一种新的分析维度和风险特征因子应用方向.另外,本文讨论的从大数据的视角筛选金融衍生品风险特征因子的方法,也与过去传统的计量分析方法不同,是金融科技在大数据金融方面分析和应用的创新点.