利用Hawkes过程模型的移动边缘计算服务质量预测

移动边缘计算为用户提供高性能、低延时、高带宽的网络服务.在移动边缘计算环境中,服务质量预测对提高用户的满意度具有重要作用.目标用户的相似用户在历史时刻使用该边缘服务器访问服务的服务质量高,对目标用户访问该边缘服务器有激励作用,并且使用该边缘服务器服务质量高的相似用户越多,起到的激励作用也会累加.考虑到激励作用可以提高服务质量预测准确性,本文提出基于Hawkes过程模型的移动边缘计算服务质量预测方法.方法首先确定目标用户的相似用户,再提取相似用户在边缘服务器上的服务质量数据,使用最大似然估计方法训练Hawkes过程模型,得到训练后的各参数值,最后使用Hawkes过程模型对目标用户使用附近边缘服务器服务质量高的概率进行预测,得到概率最高的边缘服务器,以提高用户的满意度.与现有方法的对比实验表明,本文所提出的方法对移动边缘服务环境中未知QoS的预测更为准确.

非参数触发算法对时空因果关系的优化研究

为了从多类型时空序列中稳定准确地提取事件类型间的因果关系,提出了一种非参数触发算法(NPTP).首先基于多变量Hawkes模型,用非参数条件强度函数约定出事件类型间的因果关系;然后通过迭代计算事件类型间触发关系的条件概率;最后由秩选择得到显著事件类型对的概率并将概率中值的均值作为显著性度量值,从而获得事件类型间的触发关系.仿真结果表明,与参数算法CSTP和单变量算法MISD相比,在算法的稳定性和准确性指标方面均有优化提升.

引入联跳的中国股市协方差预测——基于多元HAR模型

金融资产的时变协方差矩阵是投资组合配置、风险管理等实务活动的关键参数。早期的协方差预测模型研究使用日数据或者更低频数据,但大多存在参数估计困难和维数灾难等问题。运用日内高频数据可以构建协方差矩阵的后验非参数估计量,使其从隐变量转变为可以直接建模的可观测变量,降低协方差模型估计的复杂性并增强模型的高维适用性。进一步的,利用高频数据还可以识别多个金融资产的价格在日内同一采样间隔内发生的跳跃,即多资产联跳。针对联跳多由宏观经济新闻公告和政策制度等的发布引起,这些信息终将被吸收并体现在协方差矩阵中,联跳可能蕴含着对协方差预测有益的信息,因此识别联跳并将其引入协方差预测模型。将异质自回归模型扩展至多元形式,作为协方差非参数估计量的基准模型,并将取值0/1的联跳指示变量与Hawkes模型估计出的联跳强度分别及同时引入多元形式模型,构建3种扩展模型。选择均方误差和平均绝对误差这两种常用统计意义损失函数,采用Diebold Mariano检验,评价各扩展模型的样本外预测性能相对于基准模型是否有所改进,并采用模型置信集检验并挑选最佳扩展模型。此外,比较各种预测模型用于全局最小方差投资组合策略的效果。基于上证50指数成分股中不同行业5只高流动性个股分钟高频价格数据进行实证,研究结果表明,(1)相对于联跳指示变量,联跳强度对协方差矩阵的预测有更显著的贡献;(2)引入联跳强度可以显著提升对协方差的拟合优度和样本外预测精度;(3)同时引入联跳强度和联跳指示变量,且采用矩阵对数变换,确保正定性的扩展多元形式模型在统计和经济意义上都是最优模型。研究结论肯定了在协方差预测模型中引入联跳的重要价值,并揭示了宏观信息对协方差预测的贡献,对于金融管理者和投资者进行金融风险管理及进行资产配置都具有实际指导意义。