基于MF-DCCA方法的证券市场间交叉相关性研究

针对多变量随机波动模型难以刻画金融时间序列尖峰厚尾特征的问题，构建了贝叶斯多变量厚尾随机波动模型。通过模型的贝叶斯分析，选择参数先验分布，设计基于Gibbs抽样的MCMC算法，据此估计模型参数，解决多变量随机波动模型参数较多难以估计的问题；并利用沪深300股指期货与现货交易数据进行实证分析。研究结果表明：贝叶斯多变量厚尾随机波动模型能更准确地刻画金融市场的波动特征以及金融市场间的波动溢出效应。     

复杂经济运行背景下省域经济风险评价——基于安徽省1995~2009年的经验证据

针对Probit分位回归在参数随机化条件下的建模问题,提出基于Metropolis-Hastings算法的贝叶斯Probit分位回归模型.通过分析Probit分位回归模型结构,选择模型的先验分布,运用M-H算法进行参数估计.利用Monte Carlo仿真技术,得到不同分位点模型参数后验分布,同时用贝叶斯probit分位回归与分位回归方法和光滑分位回归方法对模型参数估计进行比较分析.研究结果表明：贝叶斯Probit分位回归模型可以更全面描述离散选择变量的影响,能够得到更加准确有效的参数估计.     

基于MCMC的贝叶斯长记忆随机波动模型研究

针对贝叶斯长记忆随机波动模型的单步Gibbs抽样算法效率低下的问题，通过对模型在状态空间框架下的近似表示，将向前滤波向后抽样算法引入对波动变量的估计过程中，同时在贝叶斯框架下分析了模型参数的满条件后验分布，设计出Gibbs联合抽样算法.更进一步，在对模型进行参数估计的基础上，提出波动变量的向前多步预报分布的估计方法.模拟实验结果表明：联合Gibbs抽样算法能够在保证估计精度的基础上得到优于单步Gibbs抽样方法的抽样效率，对预报分布的特征分析可用于对金融时间序列的风险控制.     

基于混合先验分布的贝叶斯因子分析模型

针对现有因子分析模型不能充分融合模型参数信息问题,通过研究因子分析模型的统计结构,构造了参数的混合先验分布;利用贝叶斯定理证明了模型因子载荷阵的条件后验分布为矩阵t分布,协方差阵的条件后验分布为逆Wishart分布.实证研究表明:由于参数先验分布的作用,贝叶斯因子分析结果与传统的因子分析之间存在明显的差异.     

基于贝叶斯法的新疆天山云杉树高-胸径模型研究

【目的】贝叶斯统计法能够利用先验信息与样本信息去进行统计推断,可有效提升模型参数的可靠程度和稳定性。【方法】本研究以天山云杉林为研究对象,使用3块100 m×100 m天山云杉调查样地数据,利用经典统计方法(极大似然法)、贝叶斯法构建天山云杉树高-胸径模型。利用随机抽样法抽取80%样地数据进行建模,20%样地数据进行检验,对比分析基于经典方法的非线性模型和非线性混合效应模型以及基于贝叶斯法的贝叶斯模型和层次贝叶斯模型的表现和参数分布。【结果】通过对比非线性模型和贝叶斯模型,贝叶斯模型的a、b、c 3个参数置信区间比非线性模型的分别要窄53.86%、46.87%、65.17%。而层次贝叶斯模型和非线性混合效应模型相比,层次贝叶斯模型的固定效应参数置信区间比非线性混合效应模型的要窄37.21%、62.62%、49.31%,但随机效应参数标准差的置信区间更为分散。基于贝叶斯法的模型,其参数标准差均低于基于经典方法的模型。4种树高-胸径模型的拟合结果显示：层次贝叶斯模型的拟合效果优于其他3种模型,其决定系数(R²)为0.961。拟合精度显示：层次贝叶斯模型的预测精度略高于...     

基于贝叶斯法的长白落叶松林分优势高生长模型研究

贝叶斯统计推断是基于总体信息、样本信息和先验信息的一种统计推断方法,并已成为森林生长模型中的一种重要方法。本文以长白落叶松人工林为对象,基于1 687对林分优势高与年龄数据,利用Richards生长方程构建基于贝叶斯法和经典概率统计法的林分优势高生长模型,探讨贝叶斯统计法拟合小样本量数据的稳定性。分别基于全部样本,以及随机抽取的10%、5%和2%样本,利用经典概率统计法(非线性最小二乘法)、无先验信息的贝叶斯统计法和有先验信息的贝叶斯统计法进行参数估计,分析模型表现和参数分布。模型评价指标包括均方根误差(RMSE)、贝叶斯统计常用的DIC统计值以及参数的可信区间。结果表明:基于小样本的贝叶斯统计与大样本的经典概率统计的拟合结果相近,但贝叶斯统计法估计的参数稳定性强,且抽样5%时的RMSE值最小。有先验信息的贝叶斯统计拟合结果优于无先验信息的贝叶斯统计拟合结果,参数分布也较为集中,不确定性小;有先验信息贝叶斯统计和经典概率统计的参数分布区间有较大重叠。另外,有先验信息贝叶斯统计对3种不同样本量的拟合结果显示,参数标准差以及模型RMSE值都是在抽样5%时最小,说明用贝叶斯统计的拟合精度及参数确定性与样本量大小也有一定关系。研究验证了贝叶斯统计在利用先验信息、基于小样本量进行森林生长建模时的优越性。      

基于MH算法的贝叶斯分位自回归模型

针对时间序列分布特征多样性的问题,不考虑序列本身的分布特征而选择非对称Laplace分布的似然函数对模型进行贝叶斯分位回归分析.利用Metropolis-Hastings算法模拟参数的后验边缘分布,解决了参数估计过程遇到的高维数值积分的问题.仿真分析中,参数的迭代轨迹是收敛的,说明MH抽样有效地模拟了参数的后验边缘分布;并且应用该方法估计出了不同分位数下模型参数的后验均值,标准差,MC误差和95%的置信区间.非对称和局部持续性数据的数值模拟,证实了贝叶斯分位自回归模型可以更全面有效地描述滞后变量对响应变量变化范围和条件分布形状的影响.     

林分径级分布预测模型参数的贝叶斯法估计——以金沟岭林场样地数据为例

以吉林省金沟岭林场云冷杉针阔混交异龄林26块检查法样地的5次观测数据为基础,建立转移矩阵模型对一定周期的林分径级分布进行预测。分别利用经典统计学方法和贝叶斯方法对转移矩阵模型的参数进行估计,建立了固定参数的矩阵模型和贝叶斯矩阵模型,并对两种模型的预测效果进行对比。结果显示,固定参数的转移矩阵模型对林分径级分布的预测值比实际值偏高,贝叶斯模型的预测结果更接近林分的实际径级分布,证明了贝叶斯参数估计方法比固定参数平均的方法所建模型具有更高的预测精度。     

高频数据HMCMC方法在Black-Scholes模型中的应用

通过期权定价Black-Scholes模型,采用贝叶斯方法对模型中未知参数给出后验分布,通过高频数据扩充(HFA)的Mone Carlo (MC)方法(HMCMC)给出Black-Scholes模型参数波动率的数值结果,并和矩估计的方法做了比较,数值结果表明,所提出的方法具有较好的应用价值.     

基于MCMC模拟的MGPD模型及其在地质灾害风险度量中的应用

基于马尔科夫链蒙特卡洛(简记为MCMC)模拟的参数贝叶斯估计,对改进的广义帕累托分布(简记为MGPD)模型进行了优化,并利用该模型得到了地质灾害损失的在险损失值(简记为VaR)和条件损失值(简记为CVaR).以湖南娄底市地质灾害损失数据进行实证分析及模型适应性检验,结果表明:优化后的模型不仅具有很好的极值数据描述能力,而且具有较强的适用性.