预测状态表示模型的复位算法

预测状态表示(Predictive State Representations,PSRs)是用于解决局部可观测问题的有效方法.然而,现实环境中,通过样本学习得到的PSR模型不可能完全准确.随着计算步数的增多,利用PSR模型计算得到的预测向量有可能越来越偏离其真实值,进而导致PSR模型的预测精度越来越低.文中提出了一种PSR模型的复位算法.通过使用判别分析方法确定系统所处的PSR状态,文中所提算法可对利用计算获取的预测向量复位,从而提高PSR模型的准确性.实验结果表明,采用复位算法的PSR模型在预测精度上明显优于未采用复位算法的PSR模型,验证了所提算法的有效性.

上市公司控制权转移预测研究

本文基于我国的资本市场与制度环境,运用Logit回归技术建立预测模型,并对1999-2001年A股上市公司的全样本进行回代检验,有64.5%的总正确率;对未来数据(2002和2003年)数据的预测研究表明,预测总正确率为75.7%和64.4%,综合预测准确率为70.1%,综合预测敏感度为57.8%,综合指定度为70.3%,说明预测模型能够较好地预测目标公司,并且具有令人满意的稳定度。还说明我国上市公司控制权转移具有较好的可预测性,从而在一定程度上反映出我国资本市场效率尚达不到中强式有效状态。

上市公司控制权转移预测研究

本文基于我国的资本市场与制度环境,运用全样本研究思路,运用Logit回归技术,建立预测模型。预测模型能够较好地预测目标公司,并且具有令人满意的稳定度,说明我国上市公司控制权转移具有较好的可预测性,从而在一定程度上反映出我国资本市场效率尚达不到中强式有效状态。