具有包容关系的结构异质DEA效率评价方法

指标结构同质是数据包络分析(DEA)方法的基本假设之一;然而,现实问题的复杂性使得该假设常常难以完全被满足.针对具有包容关系的产出结构异质问题,通过解析决策单元(DMU)之间生产结构的内在关系来构建一种分阶段的DEA效率评价方法.该方法充分考虑了不同结构DMU的主观偏好,较好地规避了传统DEA方法在结构异质DMU效率评价过程中的不公平性.随后,该方法分别被拓展至投入结构异质和多重结构异质的情境中.最后,通过两个算例来说明本文方法的有效性与实用性.

神经网络用于股市预测的一种新方法

采用并联的神经网络结构,将原始数据和技术指标值分别输入两个不同的子网络,在输出端将两者的输出综合起来得到一个新的输出,以此提高预测精度.最后以上证指数为例,通过仿真验证这种方法的可行性.