一个关于投资组合损失风险价值界的注记

本文在独立和部分独立的条件下,将风险向量进行加权处理并分成不同的组,给出了投资组合损失风险价值的上、下界。

违约暴露集中信用组合的违约损失研究

建立了违约暴露集中信用组合损失估计的递归模型,该模型容易编写计算程序实现。利用该模型,从VaR和经济资本的角度讨论了违约暴露集中对组合损失的影响。发现违约率相同时,对于高信用质量组合,违约暴露集中不会增加组合损失的风险,随着违约暴露集中程度的增加,为组合损失准备的经济资本反而减少;而对一般信用质量组合,违约暴露集中会增加组合损失的风险,随着违约暴露集中程度的增加,经济资本也要增加。对一般信用质量组合,违约暴露越分散,分散得越均匀,组合损失风险就越小,需要的经济资本就越少。

回收率随机的信用组合损失的极限分布

估计组合损失常用且有效的方法是蒙特卡洛模拟,但是这种方法需要耗费大量时间。文章假设回收率是随机变量,且与违约率是相关的,得到了组合损失的极限分布函数,拓展了V asicek关于组合损失极限分布的模型。根据模型还求得了组合损失的期望、方差、受险价值和预期短缺。对比发现将回收率看做常数而忽略其波动性会低估组合损失的V aR。另外还与用蒙特卡洛模拟具体组合的结果进行对比,发现得到的模型可以很好地近似包含资产个数较多组合的损失分布,可方便地用来估计大型信用组合的损失。

基于改进U-Net的车间场景分割

为了更好地对车间环境进行把控,同时针对车间目标像素级分割任务样本少、类别多、尺度变化大导致的语义分割精度低的问题,设计了一种改进的U-Net车间场景分割模型。改进的模型采用Rep-VGG轻量级主干网络,并在U-Net上采样阶段引入金字塔拆分注意力机制,以增加模型的特征表达能力及推理速度。模型训练则采用Dice-Cross Entropy组合损失函数以解决样本不均衡导致的难以训练的问题。实验数据表明该模型在自建的小样本车间数据集上可达到快速、轻量化及高精度的分割效果。

基于SA-CycleGAN的3T磁共振图像生成方法

磁共振成像(Magnetic Resonance Imaging,MRI)广泛应用于临床诊断,相较于1.5T MRI,3T MRI具有高对比度和高信噪比等优势。文章提出了一种基于生成对抗网络融合自注意力机制(SA-CycleGAN)的超场强磁共振图像生成方法,利用生成对抗网络从1.5T MRI生成3T MRI,并将自注意力机制嵌入生成对抗网络框架,引入谱归一化处理,在减少函数振荡的同时加速模型收敛;为提高生成图像的真实性,将先验信息引入网络,提出组合损失函数。使用50对3D磁共振图像训练网络,并用10对图像进行测试。实验结果表明:所提SA-CycleGAN方法生成的磁共振图像的峰值信噪比(PSNR)和结构相似性(SSIM)高于SRGAN、CycleGAN等对比方法。

基于零样本学习的未知辐射源个体识别研究

针对辐射源个体识别基本遵循闭集假设无法有效识别未知类的问题,提出了一种基于零样本学习的辐射源个体识别模型实现对已知类和未知类辐射源个体识别。通过搭建卷积神经网络提取隐藏在辐射源信号数据下的语义特征,引入注意力模块增强对关键特征的关注,提出一种组合损失函数促使不同类辐射源信号在语义特征空间分离,根据辐射源信号在语义特征空间的分布进行辐射源个体分类识别。实验结果表明,相较于传统闭集识别,本文所提模型在能够在保持已知类识别率的前提下识别未知类且能在未知类之间区分,平均识别率达到90%以上。在工程化验证中,搭建的未知辐射源个体识别平台能够在室内及室外场景下实现快速准确识别。

核电站安全壳预应力损失初步计算

在核电站安全壳的研究中,预应力损失的大小直接影响建立的有效预应力。本文以某核电厂后张拉环向预应力体系为研究对象,参考国内相关设计规范计算了由于各种因素引起的预应力瞬时和长期损失,给出了有效预应力的初步设计值。

一种基于条件约束注意力生成对抗网络的水下图像增强模型

针对由水下复杂环境导致的水下图像颜色失真、对比度和清晰度低等问题,提出了一种基于条件约束注意力生成对抗网络的水下图像增强模型.首先,该模型包括生成网络模块和判别网络模块,在模型训练过程中,两模块进行相互对抗学习,使得该模型具备较好的特征提取能力;其次,生成网络模块中设计了空间注意力模块,加强或减弱空间位置的特征,提高了水下图像的清晰度和对比度;采用跳跃连接改善了梯度消失现象,同时有助于梯度的反向传播;最后,损失函数中采用了组合损失函数进行迭代训练,增加了模型训练时的条件约束,提高了模型训练的稳定性.实验结果表明:所提模型增强后的图像清晰度和颜色校正情况优于其他对比算法;该模型的评价指标值较对比算法指标值均有所提高.该模型获得了更好的主观视觉评价和客观量化评价,有效提高了图像质量,且耗时更短.

一种具有边缘增强特点的医学图像分割网络

针对传统医学图像分割网络存在边缘分割不清晰、缺失值大等问题,该文提出一种具有边缘增强特点的医学图像分割网络(AS-UNet)。利用掩膜边缘提取算法得到掩膜边缘图,在UNet扩张路径的最后3层引入结合多尺度特征图的边缘注意模块(BAB),并提出组合损失函数来提高分割精度;测试时通过舍弃BAB来减少参数。在3种不同类型的医学图像分割数据集Glas,DRIVE,ISIC2018上进行实验,与其他分割方法相比,AS-UNet分割性能较优。

基于HU-ResNet的混凝土表观裂缝信息提取

针对混凝土结构表观裂缝检测准确率低、细节信息丢失及精度不高等问题,提出一种利用HU-ResNet卷积神经网络的混凝土表观裂缝检测方法。基于改进U-Net网络建立HU-ResNet模型,采用经ImageNet预训练的ResNet34残差网络作为编码器,以保留裂缝细节信息并加速网络收敛,引入scSE注意力机制模块在空间和通道重新标定编码块与解码块的输出特征,并利用超柱模块融合解码器各阶段所输出特征图获取更精确的裂缝图像语义信息和定位,同时采用组合损失函数进一步提高裂缝图像精度。实验结果表明,该模型的像素准确率、交并比和F1值分别达到0.9904、0.6933和0.8166,优于Canny、区域生长等传统数字图像模型和FCN8s、U-Net、U-ResNet等深度学习模型且裂缝检测更精准。

基于改进U-Net网络的隧道裂缝分割算法研究

针对复杂背景下隧道的细小裂缝图像特征难以提取以及裂缝像素类别不平衡等问题,提出了一种改进U-Net网络的隧道裂缝分割算法。将U-Net模型的编码器和解码器与残差模块相结合,使得网络参数共享,并避免出现深层网络梯度消失的问题;在此结构基础上引入挤压和激励(Squeeze and Excitation,SE)模块来提升重要特征,抑制无用特征,加强对裂缝边缘和形状等特征的权重分配;采用组合损失函数来处理裂缝像素正负样本不平衡的问题,进一步获得更加精细的分割结果。在公共隧道裂缝数据集和自制数据集上设计对比实验来验证改进模型的有效性。结果表明:该算法对裂缝的分割精度均优于其他方法,F1-Score分别达到了76.36%和75.46%,并且运行速度也有明显的提升,可以很好地满足实际工程的应用需求。

隧道衬砌裂缝实时分割的Mobile-PSPNet方法

针对移动端平台计算资源紧张,难以应用计算复杂度高的语义分割网络进行隧道衬砌裂缝实时检测的问题,提出一种基于改进金字塔场景解析网络(PSPNet)的实时分割网络模型Mobile-PSPNet,以减少模型对计算资源的需求。以改进的MobileNetV2轻量网络替换Resnet50作为主干网络以大幅减少模型复杂度,同时在深层主干网络引入适用于移动端设备的h-swish激活函数补偿因替换主干网络所损失的精度,在浅层主干网络利用卷积注意力机制(Convolutional Block Attention Mechanism)从通道和空间2个维度提升网络对裂缝特征的关注度以增强网络抗干扰性,最后采用组合损失函数从全局和局部进行损失计算以处理裂缝图像的样本不均衡问题。实验结果表明:组合损失函数能更为精准地对裂缝图像进行分割;Mobile-PSPNet在自制数据集上的交并比为73.74%,在GPU上预测单张473×473的图像耗时为26 ms。Mobile-PSPNet具有与主流模型相当的精度和更快的分割速度,更适合部署于移动端平台以进行隧道衬砌裂缝的实时检测。

基于改进的V-Net模型的肝肿瘤分割算法

为了解决CT图像中肝肿瘤分割不够准确的问题,提出了一种基于改进的V-Net网络的肝脏肿瘤分割算法。首先针对原始V-Net网络不能很好的识别肿瘤信息而引入注意力机制,实现让模型更好的关注感兴趣的肿瘤区域。接着采用组合损失函数来防止模型训练中出现漏检的情况,提高了模型的收敛速度。通过采用LiTS数据集来进行本次的肝肿瘤分割实验,最终得到Dice相似系数、精确率以及召回率分别为0.6905、0.8156、0.6528,实验结果表明该算法可以很好地分割肝肿瘤。

基于通道注意力的多模态服装兼容性学习

针对服装图像特征提取不全面和服装兼容性难以建模等问题,提出了一种基于通道注意力的多模态服装兼容性模型ECA-RMCN。在特征提取网络CNN的残差模块上引入高效通道注意力模块ECA-Net来增强服装低级和高级等重要特征,抑制无效特征。采用组合损失函数处理服装正负样本不均衡的问题,达到更好的搭配效果。在公共的Polyvore数据集进行对比实验来验证模型有效性。实验结果表明,该算法对服装的兼容性预测和搭配性能优于其他方法,有很好的应用价值。

风险管理中的代理成本研究

一、引言风险管理是现代金融理论的三大支柱之一,并成为公司金融财务策略最重要的目标之一,其主要目的是降低标的资产报酬不确定的风险。基本上,风险可区分为可透过资产多元化降低之风险及不可透过资产多元化降低之风险,前者是指将投资组合中的各种资产尽量多元化以降低整体组合损失不确定的程度,其原理为:资产多元化后,因为影响各种资产的因素不尽相同,所以资产的价格不会同方向变动,彼此相抵的效果可使整体组合的风险下降,也即是证券投资组合理论。

带干扰复合泊松模型下对调整系数的新研究(英文)

本文研究了带干扰复合泊松模型中采用成数再保与超额损失再保险混合策略时作为自留额水平函数的调整系数.我们按照原始条款计算成数再保费,按照期望值保费原则计算超额损失再保费,这样得到了调整系数是超额损失自留额极限的单峰函数的结论.本文最后部分给出了有限时间破产概率的上界.

关于再保险效应的注记

本文在Sparre Anderson模型中采用超额损失再保险与成数分保混合的策略,其中成数分保再保险费按照原始条款计算,超额损失再保险费按Esscher保费原则计算。通过调整系数来研究再保险的效应,将调整系数看作自留额水平的函数,证明了在M充分大时保险人的调整系数关于自留额水平M单调增加,在一定程度上有利于保险公司确定更合理的自留额水平M。

10天美股发生4次熔断 巴菲特损失800亿美元

按照《Guru Focus》推算,奉行"别人恐惧时贪婪"的股神巴菲特,自2月19日历史高点开始,其伯克希尔·哈撒韦投资组合损失了约800亿美元,跌幅约32%,其中主要有苹果199.5亿美元,美国银行132亿美元,可口可乐58亿美元。如果从今年年初计算,巴菲特的投资组合浮动损失超过731亿美元,跌幅约为29%。

一种融合上下文多光谱空间通道特征的左心室分割算法研究

针对左心室生理结构复杂以及心脏磁共振成像纹理不均匀、噪声大、心腔肌肉干扰造成边界模糊等情况而导致左心室分割效果差等问题,本文提出了一种融合上下文多光谱空间通道特征的左心室分割算法。本文算法采用U型结构与跳跃连接方式将不同尺度的特征图进行融合,确保局部特征信息二次利用,提高了特征利用率。采用深度可分离池化通道金字塔(depthwise pooling attention pyramid,DPAP)模块对多尺度特征的有用信息进行优化;接着采用频域通道空间注意力模块对特征的通道和空间两个维度进行优化;最后采用组合损失函数缓解正负样本不均衡的问题。结果表明,在MICCAI2009磁共振左心室挑战赛数据集上,本文算法在相似性系数上验证集为93.25%、在线集为93.33%,相比主流分割算法DeepLabV3+有1.6个点提升,相比医学经典U-Net算法有6.9个点提升,能对左心室有效分割,分割结果边缘连续,轮廓清晰。