面向流数据分类的在线学习综述

流数据分类旨在从连续不断到达的流式数据中增量学习一个从输入变量到类标变量的映射函数,以便对随时到达的测试数据进行准确分类.在线学习范式作为一种增量式的机器学习技术,是流数据分类的有效工具.主要从在线学习的角度对流数据分类算法的研究现状进行综述.具体地,首先介绍在线学习的基本框架和性能评估方法,然后着重介绍在线学习算法在一般流数据上的工作现状,在高维流数据上解决“维度诅咒”问题的工作现状,以及在演化流数据上处理“概念漂移”问题的工作现状,最后讨论高维和演化流数据分类未来仍然存在的挑战和亟待研究的方向.

雷达-通信网络频谱共享的动态协同算法

在雷达-通信一体网络中各时刻间的决策变量具有时间相关性时,以往追求某一时刻性能最优的资源分配算法不再适用。本文基于马尔可夫决策过程理论,构建面向雷达-通信一体网络的资源分配决策问题,其目标在于最小化各用频设备的长期平均发射功率。该马尔可夫决策过程问题状态-动作空间维度随用频设备数量呈指数增长,易陷入“维度诅咒”。为提升运行效率,本文提出一种分布式相对值迭代算法,通过对每个用频设备进行资源预分配处理,将原问题分解为多个可并行迭代的低维子问题,其中每个子问题可通过传统的相对值迭代法快速求解。仿真结果表明所提算法与追求单一时刻性能最优的贪婪策略比较,其性能可得到明显提升。

突发公共卫生事件下的全球股市系统性金融风险传染——来自新冠疫情的证据

本文采用最新发展的弹性网络收缩技术,构建高维收益溢出与波动溢出网络,在突发公共卫生事件背景下,全面考察了50个国家(地区)股票市场间的系统性金融风险传染关系,并对其背后的驱动机制展开了深入研究。分析结果表明,在新冠疫情的冲击下,全球股票市场的风险溢出表现出显著的地理溢出效应。贸易依存度与资本开放度较高的经济体间,金融风险传染效应更为明显。同时,单一市场对国际市场的风险冲击与其疫情严重程度显著正相关,而海外疫情风险的持续上升将加剧本土金融市场的脆弱性。尽管现阶段中国资本市场呈稳定发展态势和较强韧性,但需对此保持审慎乐观态度,全球疫情仍在蔓延乃至反弹,未来中国资本市场仍将面临外部金融风险的冲击。在此基础上,本文从突发公共危机治理的新视角,为有效应对疫情冲击、防范输入性风险传染提出了相关建议,从而为健全国际金融风险监控机制提供了有益参考依据。

动态量化空间均衡模型的理论进展与中国应用

量化空间均衡是研究新发展格局和区域协调发展等中国重大议题的有力工具。相比于传统的实证方法或理论模型方法,其优势在于具备一般均衡效应,可进行丰富的反事实模拟和政策分析,匹配多维度数据并实现量化研究。近年来,随着量化空间均衡在多领域的深入应用和交叉融合,这一研究范式呈现出“动态化”拓展的重大特征。动态量化空间均衡模型可应用于宏观经济学、金融经济学、环境经济学、房地产经济学等多个研究领域,拓展了这些领域的研究范式和研究视角。本文首先对动态量化空间均衡文献进行综述,详细梳理和讨论了现有理论框架、技术难点和研究议题;进一步地,将这一框架应用于中国宏观经济的空间动态模拟,展示了建模、算法、数据匹配和模拟等过程,分析了空间均衡视角为传统宏观范式提供的理论启示,以及为构建新发展格局提供的政策含义;最后,展望了动态量化空间均衡在诸多中国本土问题上的广阔应用前景。