一种统计降维和Kohonen网络相结合的文本聚类方法

提出了一种基于词条互信息(WM I)值的统计降维和Kohonen网络(SOFM网)相结合的文本聚类方法,WM I值的方法侧重考虑文本特征项之间的互信息进行降维,可提高特征选择的效率,并使其更趋实用化。采用Kohonen网络进行文本聚类,其学习率函数是随时间单调下降的退火函数,实验结果表明了这种结合方法较一般的降维方法得到的聚类结果具有较高的聚类精度。

人民币汇率的可预测性与预测因子选择

随着我国汇率市场化改革深入发展,人民币的国际地位不断提高,人民币汇率波动也明显加强.在此背景下,设计有效的汇率预测方法具有重要意义.当数据充足时,预测问题的解决思路之一是寻找有效的预测因子.本文基于众多经济与技术预测因子,分别根据样本外预测能力和样本内拟合能力的惯性假设,构造了两种动量因子选择方法,并在美元和英镑兑人民币月度汇率预测问题中将其与多种主流模型进行对比.实证结果表明,动量因子选择方法在多数情况下显著强于随机游走基准模型,且相比于其他竞争模型,动量因子选择方法使用强预测因子的频率更高,能实现更小的预测误差以及更准确地判断汇率变化方向.此外,从预测因子分类和样本外预测时期划分角度考察模型的预测效果,动量因子选择方法均稳健地优于竞争模型.