高维尾期望回归模型分布式估计方法的改进

文章针对高维尾期望回归模型的估计问题提出了一种在交互有效的替代损失(CSL)方法基础上进行优化函数改进的分布式估计方法,具体的改进步骤为:通过构建正则化的梯度增强型损失(GEL)函数,使所有Worker机器都能并行地优化各自对应的正则化GEL函数,并通过Master机器对计算结果进行更新。数值模拟和实证分析验证了该改进方法的估计误差收敛于基于所有数据的Centralize方法的估计误差,且相对于CSL方法,该方法具有较快的收敛速度。

基于大规模数据尾期望回归的分布式计算方法

大规模数据是需要新处理模式才能具有更强的洞察力和决策力的海量、高增长率和多样化的信息资产。分析海量数据的工作异常复杂,主要面临两个挑战:数据的难存储性和偏态性。基于此,文章主要研究以下两个问题:(1)将数据进行分布式存储,减轻单台机器的存储负担,采用尾期望回归分析偏态数据。(2)基于尾期望回归构造全局损失函数的一个交互有效的梯度增强型损失函数,为解决该损失函数的优化问题,提出修正的ADMM算法。模拟研究表明,在有限次主从机器之间交互次数下,提出的分布式计算方法得到的估计误差递减并趋于全局最优方法得到的估计误差。基于全国健康访谈调查(NHIS)数据的实证研究表明,提出的分布式计算方法对国民体重具有良好的预测性能。

相依时序逐日盯市条件尾期望的经验估计

Chen等提出了逐日盯市在险价值,并在严平稳ρ混合相依情形下,证明了其经验估计量的大样本性质.基于逐日盯市在险价值,定义了逐日盯市条件尾期望,并在时序满足严平稳强混合条件时,分别证明了经验估计量的强相合性及渐近正态性.

一种基于多维尾条件期望的扩散模型检验方法

为了解决多维扩散模型的设定检验问题,我们基于多维尾条件期望(CTE)制定了一个检验统计量.虽然不能直接估计出多维扩散模型的转移密度矩阵,但是可以估计出每个分量的转移密度,再通过CTE将每个分量联合起来,建立了一个真正的多维统计量.最后通过仿真模拟评估了该检验方法的检验的性能.

相依保险风险的非参数估计

文章研究了在强混合结构下保费与风险载荷的非参数估计问题,得到了基于PH变换及条件尾期望原理的保险风险载荷与保费估计的一致强相合性,以及关于条件尾期望原理保费与风险载荷的一个中心极限定理。通过统计模拟显示相应的估计量具有较好的性质,可以作为保险实践中运用的估价量。

基于Tarch-M模型下的VaR法与TCE法在外汇风险度量中的应用

将残差项服从t分布的门限自回归条件异方差模型应用于我国外汇风险的计量。对2005年7月21日到2008年10月31日的美元/人民币汇率日波动率进行了分析,研究发现:风险值方法(VaR法)可以比较好地度量外汇风险,但是实际风险一旦超过了风险值的估计它会失去效用,所以引入了尾条件期望(TCE法)作为风险值的补充,并证明它估计超出VaR法的风险期望值是有效的。

基于VaR修正理论的投资组合优化模型

根据风险价值VaR的计算思路,本文提出了基于GARCH理论的风险计量投资组合优化模型;同时在修正的VaR——尾条件期望的基础上对证券组合投资的优化模型做了进一步的改进。