“没有免费午餐定理”与农业政策研究中的算法选择:以机器学习预测生猪价格变动为例

农产品价格政策是农业政策的核心之一,而准确预测价格变动又是价格政策制定的根本。人工智能的突破给农产品价格分析和预测提供了新的强大的工具,而如何选择相对较优的算法来分析和预测价格就成为了一个研究课题。本研究比较运用了四个机器学习模型:传统的ARIMA模型、卷积神经网络(CNN)、循环神经网络(RNN),以及长短期记忆网络(LSTM),来分析和预测中国生猪价格的变化。本文发现传统的ARIMA模型和LSTM模型的性能不相上下,这两者都远远优于CNN和RNN;而从价格的极端变化角度出发,LSTM模型较优越于ARIMA模型。这符合机器学习中的“没有免费午餐定理”(No Free Lunch Theorem):对于所有可能的研究问题,没有一个算法绝对优于其他算法。这要求研究者在政策研究中采用多种算法从而找出相对较好的算法。另外,“群体稳定性指数(PSI)”显示中国猪肉价格在2018年前后发生了显著的结构变化,由此,本文认为在数据结构发生变化的时候,要不断更新模型,与时俱进。

资产定价第一基本定理的拓扑描述

资产定价的第一基本定理是数量金融学中核心的定理之一 ,本文证明了在 L∞ 的弱 * 拓扑 σ(L∞ ,L1)中的凸集分离定理 ,并在此定理的基础上给出了没有无风险免费午餐的拓扑描述 ,证明了市场公平性与没有无风险免费午餐条件的等价性 ,从而重新证明了资产定价的第一基本定理 .

关于资产定价的第一基本定理

资产定价的第一基本定理是数理金融学中最核心的定理之一 ,本文证明了在 L∞的弱 *拓扑 σ(L∞ ,L1)中的凸集分离定理 ,并在此定理的基础上给出了没有无风险免费午餐的拓扑描述 ,证明了市场公平性与没有无风险免费午餐条件的等价性 ,从而重新证明了资产定价的第一基本定理 .

无导数优化：没有免费午餐定理的真实含义

在工程和应用科学的许多领域中，最重要的步骤之一是通过建模和使用优化技术提升产品或服务过程的质量与性能．对于金融市场运作，放射治疗技术，蛋白质折叠的测定，材料科学，电力系统设施的设计以及很多其他领域，这些完全不同的科技领域的进展也要依靠一些恬静而隐秘的帮手，即优化方法的帮助．除了似乎只是一些算法的机械式的应用外，它还面临大量的挑战和发展机会．文献中的术语“优化”（optimization）通常指的是一类数学方法或算法（及其输出结果），它们通过对一个已知的变量集合进行操作，在满足一系列约束的条件下计算任意一个目标函数的极值．更严格地说，针对一个显式目标函数的最大化问题可以一般地表示成如下数学形式：

非线性交易策略下两种无套利条件的比较（英文）

相关文献仅在交易策略线性依赖于时间变量t的情形下,建立了资产定价基本定理的两个基本无套利条件的比较.这两个基本无套利条件分别是:没有风险消失的免费午餐和没有好的交易条件.本文在交易策略时间变量t满足指数函数模型的情形下,建立了没有风险消失的免费午餐与没有好的交易条件之间的关系.

进化算法求解多目标随机期望值模型

多目标优化问题由多个满足其约束条件的目标组成,在求解的过程中,许多变量往往具有随机性、突发性和不可预测性。因此考虑随机变量在多目标决策过程中的影响作用具有重要的意义。如今随机期望值模型的求解缺少通用的、普遍优化的算法。对于不同的算法,求解函数模型结果也会有不同的效果。本文针对确定性的测试集函数,在函数模型中引入随机变量,并使用正态分布、指数分布、均匀分布,构建新的多目标随机期望值模型。同时,针对模型,采用六种多目标进化算法进行求解分析,结果表明不同的算法对于求解多目标随机期望值模型的效果不同,NSGA-II算法在求解多目标随机期望值模型上更具有优势。

新书介绍

南方人为什么能赚钱；天下有免费的午餐；年轻没有失败——决胜职场16策略。

卡尔纳普式的归纳逻辑的局限与所罗门诺夫先验的优势

20世纪50年代,卡尔纳普发展了归纳逻辑来表示证据相对于假设的"确证度"。随后,利斯塔、古德-图灵等人提出了各种平滑方法,这些平滑方法可以看作广义的卡尔纳普式的归纳逻辑。这些方法虽然都可以从某个层次的"无差别原则"导出,但这并不能构成其理论基础。"无差别原则"无论作用在这里的哪一层都不合适,根据机器学习领域的无免费午餐定理,都不具有通用性,只有作用在可能世界的产生方式这一层次上导出的所罗门诺夫先验才具有通用性,能够逼近任何可计算的模式。而且,不仅如此,在同时满足奥卡姆剃刀原则和最大熵原则的意义上,所罗门诺夫先验具有最优性。