基于分位数预测回归模型的股票市场风险影响因素分析

了解股票市场风险因素在当代金融市场实践及研究中具有重要价值。基于此,文章采用最新的一致有效的IVX-QR分位数预测回归模型对上证综指的收益率分布进行研究,以探究市场风险的影响因素。结果显示:宽松的货币环境、投机行为、反应过度均会导致市场风险增加;经济周期繁荣期市场风险加大,应加强宏观审慎的逆周期管理模式;派息强度增加有助于降低市场风险,建立健全完善的股息制度有利于资本市场的健康稳定发展。

基于指数加权分位数回归预测的CPFR成本模型

针对某些商品的高易变性、不对称性的需求模式,基于预测方法高精确度的要求,采用计量经济学前沿预测研究方法指数加权分位数回归预测法,建立了由零售商、制造商的成本模型和供应链系统总成本模型构成的CPFR供应链系统成本模型,为基于多层次CPFR的三级库存协调与优化研究中提高需求预测精度探索新的视角.该模型通过直接预测销售序列的分位数,避免既存研究中基于假设的预测失误,使预测结果更加贴近需求模式的真实值.数值分析表明指数加权分位数回归预测模型的预测精度较高.

分位数回归方法在盛夏日用电量预测中的应用

利用南方某市2010—2012年盛夏期间日用电量和日气温、降水、相对湿度等数据,探索了分位数回归方法在日用电量预测中的应用。均一化处理后得到的日用电量系数序列剔除了经济社会发展和双休日等因素影响,相关分析表明其变化与前日用电量和当日最高气温变化的关系最为密切;将前日用电量和当日最高气温作为预报因子建立分位数回归方程,独立样本检验结果表明预测效果良好;与常用的均值回归等方法相比,分位数回归方法能够给出预测值的条件概率分布情况,可为电力调度和风险管理提供更多参考信息,具有较好的应用前景。

基于GBRT树模型分位数回归预测的CPFR补货方法

随着大数据的发展和物流科技信息化进程的加快,企业供应链数据呈爆炸式增长,且种类繁多、关系网络复杂,而传统CPRF技术中的预测模型已经不能适应供应链大数据需求预测,更不能依据需求预测进行有效的库存管理,经典的周期库存盘点策略也不能很好地适应非正态分布的需求数据,如何对供应链大数据进行准确预测并补货已成为供应链研究的热点。依据大数据的分位数回归预测技术,利用历史数据信息进行准确预测,并将分位数回归预测与补货模型合理有效连接,通过真实数据仿真分析,表明在98%的服务水平下,平均库存得到了降低。

商业银行条件风险价值的分位数回归组合估算

基于线性分位数回归和三种非线性分位数回归模型,对我国14家上市商业银行的股价收益率VaR与风险状态下银行的系统风险CoVaR进行了估算。通过6种回测法的8个检验统计量对模型进行了综合评估,并基于单一模型构建了更加综合的组合模型。研究表明:就准确性和稳健性而言,不同机器学习分位数回归模型各有所长;线性分位数回归模型较综合,可应用情景多;由线性分位数回归、神经网络分位数回归和随机森林分位数回归构建的组合模型比单一模型更加准确有效,综合有效性最强。