基于随机矩阵理论决定多元GARCH模型最佳维度研究

基于随机矩阵理论(RMT)的降维技术能够通过去除噪声和只保留有用"信息",而对相关矩阵估计中用来描述相关的主成分或因子的最佳使用数量做出确定。本文认为利用RMT对相关矩阵估计的降维操作来实现RMT对多元GARCH模型的有效降维是可能的。为说明基于RMT的降维技术用于多元GARCH模型的有效性,本文建立了两类将基于RMT的相关矩阵估计和波动率结合在一起的多元GARCH模型:滑动相关多元GARCH模型(SC-GARCH模型)和改进的O-GARCH模型(IO-GARCH模型)。理论分析表明,这两类模型具有降维的相关结构,易于估计,并且利用RMT能确定出它们的理论最佳维度。实证研究中,本文建立了上海证券市场100只股票收益率的两类多元GARCH模型,并在马克维茨证券组合理论的框架下,考察了它们的协方差矩阵预测效果。结果表明这两类模型的预测效果很好。通过两类模型各个维度预测效果的比较可以看出,RMT能够为多元GARCH的降维提供有效的依据并且较准确地确定多元GARCH模型的最佳维度。理论和实证分析结果表明,基于RMT的降维技术是解决多元GARCH模型"维数灾祸"问题的有效手段。

田径速度性项目运动员比赛最佳心理状态维度构成及特征探讨

运动员比赛过程中的成绩好坏,不只是单一心理过程起作用,同时还包含着很多心理状态维度和特征,而且彼此之间相互作用,最终形成心理状态。采用调查研究法,对田径速度性项目运动员比赛最佳心理状态维度构成及其特征进行探讨。

灰色模型在路基沉降预测中的研究及应用

以湖南益马高速公路典型路基断面实测数据为研究对象,采用GM(1,1)和Verhulst两种灰色系统模型对沉降数据进行建模分析,得到不同维度下拟合公式的预测值及c值,并据此分析了预测精度以确定最佳维度;在最佳维度下计算了两种模型所得预测数据的拟合误差,进而确定了两种模型的适用预测时间。结果显示:在最佳维度7下,灰色模型GM(1,1)可用于路基沉降4个月内的预测;Verhulst模型可用于路基沉降14个月内的预测,其预测结果可为后续施工组织提供参考。

改进的多流形LLE学习算法

流形学习已成为机器学习和数据挖掘领域的研究热点。比如,算法LLE(Locally Linear Embedding)作为一种非线性降维算法有很好的泛化性能,被广泛地应用于图像分类和目标识别,但其仅仅假设了数据集处于单流形的情况。MM-LLE(Multiple Manifold Locally Linear Embedding)学习算法作为一种考虑多流形情况的改进算法,依然存在几点不足之处。因此,提出改进的MM-LLE算法,通过任意两类间的局部低维流形组合并构建分类器来提高分类精度;同时改进原算法计算最佳维度的方法。通过与算法ISOMAP、LLE以及MM-LLE比较分类精度,实验结果验证了改进算法的有效性。