置信水平
- 含機(jī)會(huì)約束的柔性互聯(lián)配電網(wǎng)供電恢復(fù)方法
上下限;p為置信水平。式(13)表示電壓幅值不越限的概率要高于給定置信水平。2.2 確定性模型轉(zhuǎn)化過程1) 機(jī)會(huì)約束轉(zhuǎn)化本文利用抽樣平均近似方法(sample average approximation, SAA)將隨機(jī)優(yōu)化問題轉(zhuǎn)換成確定性問題。SAA將電壓越限約束表示為:(14)式中:NS為采樣數(shù);ξj為某次樣本;γ為置信水平;D［F(x,ξj)］為指示函數(shù)。由于指示函數(shù)是非凸的,上式仍不能直接求解。引入一個(gè)0-1二進(jìn)制變量,將SAA問題表示為混合整數(shù)規(guī)
電氣自動(dòng)化 2023年5期2023-10-12
- 基于機(jī)會(huì)約束規(guī)劃的智能樓宇與社區(qū)綜合能源系統(tǒng)協(xié)調(diào)優(yōu)化
并探討了不同置信水平下的系統(tǒng)優(yōu)化方案。然而［14-15］忽略了IB 的蓄熱特性,沒有充分考慮IB 提供的需求響應(yīng)對(duì)于ICES 優(yōu)化調(diào)度的影響,無法兼顧代理商和用戶的利益。綜上所述,本文首先基于樓宇的熱慣性,針對(duì)樓宇用戶和ICES 的差異化利益訴求,構(gòu)建了以ICES運(yùn)營(yíng)商為上層領(lǐng)導(dǎo)者、用戶為下層跟隨者的主從博弈雙層優(yōu)化模型。其次,為應(yīng)對(duì)風(fēng)光出力的不確定性,采用機(jī)會(huì)約束規(guī)劃方法,將含隨機(jī)變量的機(jī)會(huì)約束轉(zhuǎn)化為確定性約束,從而整合到主從博弈優(yōu)化調(diào)度模型中,并最終轉(zhuǎn)
電力系統(tǒng)自動(dòng)化 2023年4期2023-03-13
- 動(dòng)態(tài)可靠度小樣本評(píng)估方法
下可靠壽命的置信水平為γ，則各應(yīng)力水平下的損傷經(jīng)線性累加后， 其累積損傷的置信水平仍然為γ， 從而為高置信度的可靠壽命和可靠度評(píng)估奠定了理論基礎(chǔ)。 因此，基于文獻(xiàn)[5]，本文進(jìn)一步提出了一種產(chǎn)品動(dòng)態(tài)可靠度小樣本評(píng)估方法， 建立了程序塊譜下高置信度的可靠壽命計(jì)算公式，提出了程序塊譜、一般載荷和復(fù)雜情況下高置信度的可靠度計(jì)算公式， 不但能夠?qū)Ξa(chǎn)品設(shè)計(jì)壽命下的可靠度進(jìn)行評(píng)估， 而且還能夠?qū)Ξa(chǎn)品的動(dòng)態(tài)可靠度進(jìn)行實(shí)時(shí)評(píng)估， 克服了傳統(tǒng)干涉模型方法的缺點(diǎn)。 高置信度的
機(jī)電產(chǎn)品開發(fā)與創(chuàng)新 2022年6期2022-12-20
- 基于貝塔分布的最優(yōu)置信區(qū)間研究
一種是在給定置信水平的區(qū)間估計(jì)下要求平均區(qū)間長(zhǎng)度最短，另一種是在給定平均區(qū)間長(zhǎng)度下要求置信度盡可能大或精確度盡可能高.本文主要考慮第1種定義，即在給定置信度水平下求解平均值區(qū)間長(zhǎng)度最短的區(qū)間估計(jì).在數(shù)理統(tǒng)計(jì)中，關(guān)于置信區(qū)間的最優(yōu)性的研究較多.夏樂天等[1]討論了指數(shù)分布參數(shù)的最短區(qū)間估計(jì);袁長(zhǎng)迎等[2]在伽瑪分布形狀參數(shù)已知時(shí)研究了尺度參數(shù)的最短區(qū)間估計(jì);徐美萍等[3]研究了在威布爾分布中尺度參數(shù)的最短區(qū)間估計(jì);王秀麗[4]研究了均勻分布參數(shù)的最短置信區(qū)間
- 基于VMD的CNN-BiLSTM超短期風(fēng)電功率多步區(qū)間預(yù)測(cè)
間，生成給定置信水平下的風(fēng)電功率預(yù)測(cè)區(qū)間。1 基本方法原理1.1 變分模態(tài)分解由于風(fēng)電功率數(shù)據(jù)存在波動(dòng)大、非線性強(qiáng)、不穩(wěn)定、時(shí)間依賴性強(qiáng)等特點(diǎn)，直接輸入預(yù)測(cè)網(wǎng)絡(luò)一般難以得到準(zhǔn)確的預(yù)測(cè)結(jié)果，故使用變分模態(tài)分解(Variational Modal Decomposition, VMD)對(duì)預(yù)測(cè)輸入數(shù)據(jù)進(jìn)行預(yù)處理，從而提高預(yù)測(cè)精度。VMD是一種時(shí)間-頻率數(shù)據(jù)分解方法，它的作用是將一種多分量信號(hào)分解成多個(gè)單分量調(diào)幅調(diào)頻信號(hào)，再通過求解約束變分問題將原始信號(hào)分解為數(shù)個(gè)
- 考慮置信水平的混合儲(chǔ)能平抑風(fēng)電波動(dòng)
提出一種考慮置信水平的混合儲(chǔ)能平抑風(fēng)電波動(dòng)新方法。首先對(duì)比在不同時(shí)間常數(shù)下混合儲(chǔ)能對(duì)典型日風(fēng)電出力波動(dòng)的平抑效果，得到儲(chǔ)能參考功率；然后采用EMD將儲(chǔ)能參考功率分解成一系列本征模態(tài)函數(shù)(intrinsic mode function，IMF)，利用瞬時(shí)頻率—時(shí)間曲線混疊最少將儲(chǔ)能參考功率劃分為功率型高頻儲(chǔ)能配置和能量型低頻儲(chǔ)能配置，基于儲(chǔ)能成本對(duì)其進(jìn)行合理選型；最后對(duì)湖南某地風(fēng)電場(chǎng)實(shí)際數(shù)據(jù)進(jìn)行算例仿真。仿真結(jié)果表明：考慮置信水平后，儲(chǔ)能平抑風(fēng)電波動(dòng)所需要的
電力科學(xué)與技術(shù)學(xué)報(bào) 2022年1期2022-04-11
- 不同載荷條件下的可靠性轉(zhuǎn)換方法
載荷譜下產(chǎn)品置信水平為γ、 可靠度為R 的可靠壽命單側(cè)置信下限NRL由下式給出1.2 不同載荷條件下的可靠度轉(zhuǎn)換方法若產(chǎn)品在應(yīng)力水平為Si，加載時(shí)長(zhǎng)為ni，i=1，2，…，q，的程序塊譜下，工作了Nt次循環(huán)（以程序塊譜為單位），則可通過求解下式得到滿足式（3）的可靠度，根據(jù)置信限曲線等同性原理可知，此可靠度即為產(chǎn)品在該載荷譜下經(jīng)過Nt次循環(huán)時(shí)，其置信水平為γ 的可靠度R（Nt）單側(cè)置信下限RL（Nt）。對(duì)于一般情況，設(shè)截至某一時(shí)刻t，產(chǎn)品在應(yīng)力水平Si下的
機(jī)電產(chǎn)品開發(fā)與創(chuàng)新 2021年6期2022-01-04
- 短期風(fēng)電出力預(yù)測(cè)方法研究
1-α)% 置信水平上的頂層油溫預(yù)測(cè)區(qū)間，對(duì)預(yù)測(cè)結(jié)果進(jìn)行反歸一化處理。2 算例分析■2.1 數(shù)據(jù)預(yù)處理為驗(yàn)證本文所提出模型的有效性，獲取內(nèi)蒙某風(fēng)電場(chǎng)在2016年6-9月間SCADA風(fēng)電功率數(shù)據(jù)和風(fēng)電場(chǎng)風(fēng)速、風(fēng)向記錄數(shù)據(jù)，數(shù)據(jù)時(shí)間尺度為15分鐘/組。經(jīng)數(shù)據(jù)預(yù)處理后，識(shí)別、剔除明顯錯(cuò)誤數(shù)據(jù)并采用二階插值法修復(fù)缺失數(shù)據(jù)。共得到8518組數(shù)據(jù)，選取前8338組數(shù)據(jù)作為訓(xùn)練集，后180組作為預(yù)測(cè)集。對(duì)初始訓(xùn)練集進(jìn)行K=30次有放回的隨機(jī)采樣，共得到K=30個(gè)子訓(xùn)練集
電子制作 2021年16期2021-09-17
- 基于置信語言直覺模糊GMSM的決策
息完全熟悉(置信水平)。通過結(jié)合專家的置信水平和專家的評(píng)價(jià)信息在q階orthopair模糊數(shù)環(huán)境中，Bhagawati等[18]給出了一些置信q階orthopair模糊聚合算子，置信q階orthopair模糊加權(quán)平均 (CFWAq)、置信q階orthopair模糊有序加權(quán)平均 (CFOWAq)、置信q階orthopair模糊加權(quán)幾何 (CFWGq)、和置信q階orthopair模糊有序加權(quán)幾何 (CFOWGq)。在已有的語言直覺模糊環(huán)境中并沒有考慮專家對(duì)方
綠色科技 2021年16期2021-09-09
- 基于置信水平和q階orthopair正則模糊數(shù)的群決策方法
熟悉度(叫做置信水平)沒有包括。因此，Joshi和Gegov[18]提出了基于置信水平的置信q階orthopair模糊加權(quán)平均，置信q階orthopair模糊有序加權(quán)平均，置信q階orthopair模糊加權(quán)幾何，置信q階orthopair模糊有序加權(quán)幾何。在q階orthopair正則模糊環(huán)境中提出的許多屬性決策問題沒有將專家對(duì)方案的熟悉度納入信息聚合中。 因此，本文提出了置信q階orthopair正則模糊加權(quán)平均(CNFWA)和置信q階orthopair正
綠色科技 2021年12期2021-07-22
- 程序塊譜和隨機(jī)譜下的可靠壽命消耗評(píng)估方法
譜加載下產(chǎn)品置信水平為γ、可靠度為R 的可靠壽命單側(cè)置信下限為NRL* ，則根據(jù)Miner 損傷累積理論，可得由式（3）即可求得產(chǎn)品在任意指定應(yīng)力水平S**下置信水平為γ、可靠度為R 的可靠壽命單側(cè)置信下限NRL**。通常，標(biāo)準(zhǔn)載荷S**可取Si*（i=1，2，…，q）中的最大值。1.2 可靠壽命消耗評(píng)估設(shè)某一產(chǎn)品在使用過程中，受到應(yīng)力水平Si的ni個(gè)時(shí)長(zhǎng)（或循環(huán)數(shù)）作用，i=1，2，…，m，則產(chǎn)品消耗的可靠壽命百分比置信水平為γ 的單側(cè)置信上限LCUt為
機(jī)電產(chǎn)品開發(fā)與創(chuàng)新 2021年3期2021-06-22
- 部分核實(shí)數(shù)據(jù)下基于比例差的置信區(qū)間寬度的樣本量確定
然而，在給定置信水平下，關(guān)于疾病流行率之差（比例差）的置信區(qū)間的寬度控制在指定范圍內(nèi)的樣本量確定還沒有相關(guān)研究文獻(xiàn)。因此，本文中將從置信區(qū)間寬度的角度出發(fā)對(duì)此問題進(jìn)行研究，提出幾種有效的樣本量的確定公式或有效算法。如Nedelman［11］所論述，對(duì)此類問題假定不存在假陽性誤判是合理的。因而，研究不存在假陽性誤判下基于流行率之差的區(qū)間寬度控制下的樣本量的確定問題。表1 瘧疾數(shù)據(jù)1 數(shù)據(jù)結(jié)構(gòu)和統(tǒng)計(jì)模型1.1 數(shù)據(jù)結(jié)構(gòu)假設(shè)有來自第j組的Nj個(gè)個(gè)體，對(duì)每個(gè)個(gè)體先
- 可靠壽命消耗評(píng)估中的加速系數(shù)法
分比LCt的置信水平為γ 的單側(cè)置信上限LCUt由下式給出[3]式中NRL，i為該機(jī)電產(chǎn)品在應(yīng)力水平Si下置信水平為γ、可靠度為R 的可靠壽命單側(cè)置信下限，由下式計(jì)算對(duì)于不同的加速模型，上式分別由式（3）、式（5）或式（13）給出。該機(jī)電產(chǎn)品剩余可靠壽命百分比LRt置信水平為γ的單側(cè)置信下限LRLt為[3]3 雙應(yīng)力可靠壽命消耗評(píng)估方法4 多應(yīng)力可靠壽命消耗評(píng)估方法5 算例5.1 算例1設(shè)某機(jī)械零部件主要受疲勞載荷作用， 疲勞應(yīng)力幅以Sa表示，疲勞壽命以循
機(jī)電產(chǎn)品開發(fā)與創(chuàng)新 2020年6期2020-12-22
- 感恩礦工
。在90%的置信水平下，股價(jià)跌幅達(dá)到8.07%左右時(shí)，模型預(yù)測(cè)失敗。在95%的置信水平下，股價(jià)跌幅達(dá)到8.84%左右時(shí)，模型預(yù)測(cè)失敗。在99%時(shí)置信水平下，股價(jià)跌幅達(dá)到9.67%左右時(shí)，模型預(yù)測(cè)失敗。模型預(yù)測(cè)失敗說明風(fēng)險(xiǎn)不可控，所以當(dāng)股價(jià)的跌幅較大時(shí)，為了控制投資風(fēng)險(xiǎn)，應(yīng)及時(shí)止損，賣出股票。我們真的應(yīng)該慶幸從事著最崇高的事業(yè)我們播撒著愛和光明用辛勤汗水澆灌出明媚的春天讓這個(gè)世界那么充滿溫情誰說煤礦工人傻大黑粗誰說咱礦工在生活面前啥都不懂年輕的礦工總是充滿熱
當(dāng)代礦工 2020年10期2020-12-13
- 可靠壽命消耗評(píng)估和壽命管理方法
壽延壽是在高置信水平、高可靠度的要求下開展的，而現(xiàn)有的壽命消耗評(píng)估卻沒有考慮置信水平與可靠度問題，兩者相互脫節(jié)，所以也就無法進(jìn)行科學(xué)合理的壽命管理。 本文對(duì)此進(jìn)行了深入系統(tǒng)的研究，給出了機(jī)電產(chǎn)品高置信水平的可靠損傷、 可靠壽命消耗和剩余可靠壽命百分比及其置信限的計(jì)算公式， 建立了一種服役條件下可靠壽命消耗評(píng)估和壽命管理新方法，解決了上述難題。1 可靠損傷和可靠壽命消耗1.1 可靠損傷設(shè)N 為產(chǎn)品在廣義應(yīng)力水平S（載荷、溫度、濕度、載荷譜、環(huán)境譜等）下的壽命
機(jī)電產(chǎn)品開發(fā)與創(chuàng)新 2020年4期2020-08-13
- 小樣本加速壽命試驗(yàn)方法
靠壽命tR的置信水平為γ 的單側(cè)置信下限tRL， 采用加速壽命試驗(yàn)，以解決試驗(yàn)時(shí)間長(zhǎng)、成本高的問題?，F(xiàn)選取一個(gè)加速應(yīng)力水平S2，按傳統(tǒng)方法，加速應(yīng)力水平S2對(duì)應(yīng)力水平S0的加速系數(shù)為[1]式中，tR，0和tR，2分別為產(chǎn)品在S0和S2下可靠度為R 的壽命。理論上還可以證明，對(duì)于指數(shù)分布、兩參數(shù)Weibull 分布、對(duì)數(shù)正態(tài)分布等，加速系數(shù)τ2～0與可靠度R 無關(guān)，可以用壽命均值或特征壽命代替tR，0和tR，2。然而，tR，0和tR，2均為真值，工程上無法求
機(jī)電產(chǎn)品開發(fā)與創(chuàng)新 2020年3期2020-06-28
- 產(chǎn)品控制與市場(chǎng)風(fēng)險(xiǎn)之間的相互作用研究
向。在一定的置信水平下，VaR告訴高級(jí)管理人員，如果市場(chǎng)價(jià)格對(duì)公司的頭寸產(chǎn)生不利影響，他們能承受的最大損失是多少。風(fēng)險(xiǎn)價(jià)值模型的其中一個(gè)用途是對(duì)當(dāng)前的銀行和交易進(jìn)行估值，包括所有交易和非交易工具。另一方面，對(duì)未來頭寸進(jìn)行分析，需要用該模型來預(yù)測(cè)未來市場(chǎng)風(fēng)險(xiǎn)因素的價(jià)值。綜上所述，市場(chǎng)風(fēng)險(xiǎn)是一項(xiàng)重要的技術(shù)技能，產(chǎn)品控制人員需要有效地發(fā)揮其作用。闡述市場(chǎng)風(fēng)險(xiǎn)的背景、意義，以及銀行如何衡量市場(chǎng)風(fēng)險(xiǎn)，并對(duì)產(chǎn)品控制與市場(chǎng)風(fēng)險(xiǎn)之間的相互作用進(jìn)行研究。關(guān)鍵詞：市場(chǎng)風(fēng)險(xiǎn);風(fēng)
經(jīng)濟(jì)研究導(dǎo)刊 2020年15期2020-06-21
- 溫敏核不育水稻HD9802-9S育性相關(guān)基因的BSA測(cè)序初步分析
5%和99%置信水平作為篩選的閾值[9]，以1 Mb為窗口，每次分析10 kb，統(tǒng)計(jì)窗口內(nèi)SNP位點(diǎn)的ΔSNP-index平均值繪制ΔSNP-index沿染色體分布圖.2 結(jié)果與分析2.1 BSA重測(cè)序的結(jié)果2.1.1 HD9802-9S/R446 F2群體BSA重測(cè)序結(jié)果 HD9802-9S/R446 F2群體的ΔSNP-index沿染色體分布圖如圖2.以1 Mb為窗口，95%置信水平下超過閾值的連續(xù)區(qū)域作為候選區(qū)域，候選區(qū)域范圍如表1，99%置信水平的
- 基于SPSS分析的應(yīng)用型本科院校大學(xué)生人文素養(yǎng)現(xiàn)狀調(diào)查研究
1.121，置信水平值為0.290＞0.05，說明在人文知識(shí)方面兩樣本方差之間沒有顯著性差異，滿足方差齊性的要求。人文知識(shí)臨界置信水平是0，遠(yuǎn)小于5%，說明男性大學(xué)生與女性大學(xué)生在人文知識(shí)方面具有顯著的差異性。人文精神置信水平值為0.046＜0.05，則說明方差不具有齊性。人文精神臨界置信水平為0.252，大于5%，說明男性大學(xué)生與女性大學(xué)生在人文精神方面不存在明顯的差異性。人文行為置信水平值為0.014，則方差不具有齊性。人文行為臨界置信水平為0.324
經(jīng)濟(jì)師 2020年1期2020-01-16
- 基于VaR 模型中國(guó)保險(xiǎn)資金投資風(fēng)險(xiǎn)的度量
產(chǎn)組合在某一置信水平下可能遭受到的最大損失。因此，本文通過建立VaR 模型對(duì)我國(guó)保險(xiǎn)資金投資過程中的風(fēng)險(xiǎn)進(jìn)行實(shí)證分析，并結(jié)合當(dāng)前保險(xiǎn)資金運(yùn)用情況和相關(guān)政策提出有效建議。二、研究方法VaR（Value at Risk）在險(xiǎn)價(jià)值，一般指在某一時(shí)間段，某項(xiàng)金融資產(chǎn)或某類投資組合在一定置信水平下的最大期望損失。目前，VaR 模型是金融行業(yè)衡量市場(chǎng)風(fēng)險(xiǎn)的主流工具。例如，假定在99%的置信水平下，某金融機(jī)構(gòu)的投資組合持有一天的VaR 是100 萬元，則可表述為：在正常
市場(chǎng)研究 2019年10期2019-11-04
- 計(jì)算VaR的三種歷史模擬法的實(shí)證對(duì)比研究
值VaR給定置信水平1-α和時(shí)間間隔t，如果一間實(shí)體機(jī)構(gòu)在時(shí)間間隔t內(nèi)預(yù)計(jì)損失額超過M的概率小于α，則稱這家實(shí)體機(jī)構(gòu)在時(shí)間間隔t內(nèi)的VaR為M，即P{損失額>M}=α。(二)一般歷史模擬法一般歷史模擬法將歷史值作為未來可能的實(shí)現(xiàn)值，將歷史的損益分布作為未來的損益情況，進(jìn)而通過歷史數(shù)據(jù)得到表示未來一段時(shí)間一定置信水平下的VaR。其計(jì)算步驟為首先確定置信水平1-α和時(shí)間間隔t；然后計(jì)算歷史區(qū)間內(nèi)每天的收益率；最后對(duì)得到的收益率進(jìn)行有放回的抽樣，將得到的損失情況
福建質(zhì)量管理 2019年18期2019-10-14
- 基于VaR方法的股市風(fēng)險(xiǎn)分析
率密度函數(shù)，置信水平是c，則收益小于R*的概率表示為：且VaR分為絕對(duì)風(fēng)險(xiǎn)指和相對(duì)風(fēng)險(xiǎn)值，絕對(duì)風(fēng)險(xiǎn)指是指相對(duì)于當(dāng)前頭寸的最大損失值，而相對(duì)風(fēng)險(xiǎn)值是相對(duì)于收益期望值的最大可能損失。即VaR(相對(duì))=-R*W+μW其中μ是期望值，W為頭寸的大小。實(shí)踐中也通常使用這種相對(duì)VaR方法。VaR值主要取決于以下三個(gè)因素：(1)持有期的長(zhǎng)短；(2)置信水平的不同；(3)基礎(chǔ)貨幣量。持有期是指投資組合風(fēng)險(xiǎn)值所在區(qū)間，可以是一天也可以是一個(gè)月。置信水平的不同主要取決于主體的
福建質(zhì)量管理 2019年13期2019-07-01
- 一類多區(qū)間預(yù)測(cè)的深度學(xué)習(xí)模型及實(shí)驗(yàn)分析
在某一確定的置信水平下大致的波動(dòng)范圍，因而也能反映出預(yù)測(cè)結(jié)果的不確定信息.相較密度預(yù)測(cè)而言，區(qū)間預(yù)測(cè)能夠較好地滿足不確定預(yù)測(cè)的需要.當(dāng)前，區(qū)間預(yù)測(cè)的主要研究致力于直接預(yù)測(cè)時(shí)間序列可能的上界與下界.Oord等[6-7]提出通過神經(jīng)網(wǎng)絡(luò)將回歸問題轉(zhuǎn)換成分類問題，根據(jù)預(yù)測(cè)分類結(jié)果的分布計(jì)算出區(qū)間預(yù)測(cè)值.然而這種方法得到的區(qū)間預(yù)測(cè)是特定置信水平下的近似區(qū)間，因此,Keren等[8]提出兩種校準(zhǔn)方法，得到更為合理且有效的區(qū)間預(yù)測(cè)值估計(jì).還有通過區(qū)間預(yù)測(cè)的高質(zhì)量原則構(gòu)
- 聚合物驅(qū)的機(jī)會(huì)約束規(guī)劃最優(yōu)控制
題轉(zhuǎn)化為某一置信水平下的確定性優(yōu)化問題，最優(yōu)決策滿足約束條件的概率不小于該置信水平。對(duì)于復(fù)雜的機(jī)會(huì)約束條件，可引入Monte Carlo隨機(jī)模擬技術(shù)進(jìn)行處理[7]。機(jī)會(huì)約束規(guī)劃問題可描述為：(1)x----n維決策向量；ξ----隨機(jī)向量；Pr{·}----{·}中事件成立的概率；αj、βi----分別為給定的置信水平；fi(x,ξ)----在保證置信水平至少為βi時(shí)取得的最大值[8-9]。式(1)中，若m=1，則表示單目標(biāo)機(jī)會(huì)約束規(guī)劃。2 聚合物驅(qū)最優(yōu)控
- 滬銅現(xiàn)貨與期貨協(xié)整分析
ADF檢定，置信水平選擇5%，結(jié)果發(fā)現(xiàn)st和ft均是非平穩(wěn)序列。接著繼續(xù)對(duì)st和ft的一階差分Δst和Δft做ADF檢驗(yàn)，結(jié)果發(fā)現(xiàn)Δst和Δft均為平穩(wěn)序列，所以得出結(jié)論：st和ft為I(1)變量。表1 ADF單位根檢定結(jié)果注：表中為P值，***，**，*分別代表置信水平1%，5%，10%四、構(gòu)建VECM模型按照SC標(biāo)準(zhǔn)構(gòu)建最佳階數(shù)的VECM模型VECM(3)(3)(4)表2 顯示了Engle—Granger和Johanson MLE的協(xié)整向量從表2可知非
福建質(zhì)量管理 2019年2期2019-01-22
- 關(guān)于VaR的計(jì)算方法
的時(shí)間區(qū)間的置信水平，測(cè)度預(yù)期最大損失的方法，給出其數(shù)學(xué)定義 下某個(gè)有價(jià)證券的市場(chǎng)值的變化。VaR回答了：發(fā)生損失大于給定的VaR的概率小于δ。也就是說，我們可以1-δ的概率保證損失不會(huì)超過VaR，這一數(shù)據(jù)不僅給出了公司市場(chǎng)風(fēng)險(xiǎn)暴露的大小，同時(shí)也給出了損失的概率，下面給出VaR的計(jì)算方法：1 一般分布中的VaR我們假設(shè)：W0為投資組合的初始價(jià)值，R為收益率，則在目標(biāo)期末的投資組合將為W=W0（1+R）。令R的期望值與波動(dòng)性分別為μ和δ，且在給定置信水平下該
科學(xué)與財(cái)富 2018年30期2018-12-28
- 兩參數(shù)Cauchy分布的參數(shù)估計(jì)方法
而，參數(shù)μ的置信水平1-α的區(qū)間估計(jì)為：1.2 參數(shù)λ的區(qū)間估計(jì)構(gòu)造如下僅含有參數(shù)λ的樞軸量：又：于是T（λ）是僅含有參數(shù)λ的樞軸量，又T（λ）是λ的嚴(yán)格單調(diào)減函數(shù)。給定顯著性水平α，樞軸量T（λ）的上側(cè)1-α/2，α/2分位數(shù)分別記為T1-α/2和，通過Monte-Carlo模擬可以得到不同樣本容量所對(duì)應(yīng)的樞軸量T（λ）的上側(cè)分位數(shù)值。從而，參數(shù)λ的置信水平1-α的區(qū)間估計(jì)為：1.3 模擬分析給定置信水平1-α=0.90 ，取樣本容量n=10（5）30
統(tǒng)計(jì)與決策 2018年20期2018-11-22
- 單因子方差分析法在卷煙均勻性檢驗(yàn)中的研究與應(yīng)用
析；臨界值；置信水平；均勻DOI：10.16640/j.cnki.37-1222/t.2018.18.1890 引言卷煙物理指標(biāo)（卷煙質(zhì)量、圓周、長(zhǎng)度、吸阻、硬度和總通風(fēng)率）共同試驗(yàn)是煙草實(shí)驗(yàn)室檢測(cè)能力互認(rèn)的重要內(nèi)容，也是CNAS判定申請(qǐng)認(rèn)可實(shí)驗(yàn)室和獲準(zhǔn)認(rèn)可實(shí)驗(yàn)室技術(shù)能力的重要技術(shù)依據(jù)之一。對(duì)于卷煙工業(yè)企業(yè)而言，針對(duì)當(dāng)前多點(diǎn)同質(zhì)化加工的要求，通過共同試驗(yàn)?zāi)軌蛴行岣邫z測(cè)結(jié)果的一致性，進(jìn)而確保各生產(chǎn)點(diǎn)卷煙品質(zhì)的一致性。目前國(guó)內(nèi)外開展共同試驗(yàn)的通用做法是按照相
山東工業(yè)技術(shù) 2018年18期2018-10-31
- 基于置信水平的畢達(dá)哥拉斯模糊綜合評(píng)價(jià)方法
，或者稱為“置信水平”。例如，在博士論文、期刊論文、獎(jiǎng)獲評(píng)審、國(guó)家自然科學(xué)基金項(xiàng)目評(píng)審等問題中，專家在給出“評(píng)估值”的同時(shí)，還須以類似“熟悉程度”等形式說明自己評(píng)判的可靠性?！?span id="j5i0abt0b" class="hl">置信水平”的實(shí)質(zhì)就是評(píng)審專家對(duì)自己評(píng)判的可靠性的主觀評(píng)價(jià)，應(yīng)該受到重視。然而如何規(guī)范地將“置信水平”信息融入專家的最終評(píng)判評(píng)估結(jié)果并以此做出決策卻成了難題。針對(duì)此類考慮置信水平的評(píng)價(jià)問題，朱衛(wèi)東等提出利用歷史評(píng)估結(jié)果的準(zhǔn)確性衡量專家提供的評(píng)價(jià)信息可靠性的方法，進(jìn)而提出一種基于證據(jù)理論
統(tǒng)計(jì)與信息論壇 2018年10期2018-10-16
- Kelly-CVaR模型在大類資產(chǎn)配置中的應(yīng)用
表示在給定的置信水平α下，投資者在某一市場(chǎng)波動(dòng)范圍內(nèi)面臨的最大可能損失，方法被廣泛運(yùn)用于金融市場(chǎng)中的風(fēng)險(xiǎn)管理。但VaR方法也存在一些不足，為了克服VaR方法的缺陷，Rockefeller和Urease(2002)提出了條件VaR模型(Conditional VaR，以下簡(jiǎn)稱CVaR)。CVaR衡量尾部損失的平均值，代表了超額損失的平均值，被認(rèn)為是一種比VaR更有效的風(fēng)險(xiǎn)配置方法[2]。但CVaR是衡量和管理風(fēng)險(xiǎn)的一個(gè)指標(biāo)，難以單獨(dú)用于資產(chǎn)配置，由此在CVa
- 測(cè)試代價(jià)受限下數(shù)據(jù)的屬性和粒度選擇方法
用觀測(cè)誤差的置信水平來衡量。誤差置信水平越高，數(shù)據(jù)粒度越粗。本文首先建立了包含誤差置信水平、誤差區(qū)間、鄰域模型和可變的代價(jià)函數(shù)等內(nèi)容的理論模型；接著提出了一個(gè)高效的屬性和粒度選擇的算法，其中運(yùn)用了三個(gè)剪枝技術(shù)以提高算法的效率；最后，在多個(gè)UCI數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果表明，所提算法能針對(duì)不同大小的總測(cè)試代價(jià)約束進(jìn)行有效的屬性和粒度選擇，并且揭示了算法所得的最優(yōu)屬性子集和最優(yōu)數(shù)據(jù)粒度隨著總測(cè)試代價(jià)上限的大小變化的規(guī)律。2 理論模型本節(jié)建立理論模型，從而為下一節(jié)的算法
計(jì)算機(jī)工程與科學(xué) 2018年8期2018-08-23
- 高管激勵(lì)、研發(fā)投入與企業(yè)績(jī)效調(diào)節(jié)效應(yīng)實(shí)證分析
6，且在1%置信水平下顯著，說明企業(yè)的研發(fā)投入對(duì)于企業(yè)的業(yè)績(jī)提升起著明顯的正向作用。因此，本文的假設(shè) H1得到驗(yàn)證。CG的系數(shù)是0.093，且在5%置信水平上顯著，交互項(xiàng) RD*CG 的系數(shù)為 0.079，且在 5%置信水平下顯著。因此，假設(shè)H2得到驗(yàn)證。Wage的系數(shù)為0.176，在1%置信水平上顯著，RD*Wage的系數(shù)為0.048，在5%置信水平上顯著。因此，假設(shè)H3得到驗(yàn)證。3 結(jié)論本文使用中國(guó)創(chuàng)業(yè)板上市公司2009年至2014年的數(shù)據(jù)中有研發(fā)投入
西部皮革 2018年12期2018-07-31
- 基于F分布的最短置信區(qū)間研究
意義。在給定置信水平的情況下，基于單峰對(duì)稱分布的參數(shù)的區(qū)間估計(jì)，傳統(tǒng)方法構(gòu)造的區(qū)間是最短置信區(qū)間；當(dāng)分布為單峰非對(duì)稱時(shí)，利用傳統(tǒng)方法構(gòu)造的區(qū)間是等尾置信區(qū)間，而不是最短置信區(qū)間。關(guān)于研究最優(yōu)區(qū)間估計(jì)的文獻(xiàn)有很多，李柏林[1]證明了最優(yōu)區(qū)間估計(jì)的存在性，并推導(dǎo)出了常見分布的參數(shù)的區(qū)間估計(jì)公式；錢瑛[2]證明了單峰分布的最短置信區(qū)間的存在性；姜培華[3]證明了兩正態(tài)總體方差比的最優(yōu)區(qū)間的存在性，即F分布最優(yōu)區(qū)間的存在性，這些文獻(xiàn)都只是從理論上證明不同分布下的最
統(tǒng)計(jì)與決策 2018年12期2018-07-12
- 考慮市場(chǎng)力風(fēng)險(xiǎn)約束的最優(yōu)AGC控制模型
VaR為給定置信水平α下的最大損失或最大風(fēng)險(xiǎn)上限。正常負(fù)荷波動(dòng)下，假設(shè)輔助服務(wù)市場(chǎng)價(jià)格服從正態(tài)分布，即x～N(μ,σ2)，如圖3所示，μ為期望成本，σ為標(biāo)準(zhǔn)差，可將其轉(zhuǎn)換為標(biāo)準(zhǔn)正態(tài)分布：(2)圖3 市場(chǎng)價(jià)格概率分布示意圖Fig.3 Schematic diagram of probability distribution of market prices采用參數(shù)分布法根據(jù)歷史價(jià)格分布，模擬市場(chǎng)交易價(jià)格和輔助服務(wù)的購買成本，得到電網(wǎng)公司購買成本的分布，進(jìn)而算
電力自動(dòng)化設(shè)備 2018年5期2018-05-16
- VaR模型實(shí)證分析報(bào)告
條件下，給定置信水平和持有期,某種投資組合可能發(fā)生的最大損失值。例如，某公司的投資組合在置信水平為99%，持有期為一天時(shí)的VaR為70萬元。它說明該公司可以有99%的把握相信持有一天該投資組合的最大損失不會(huì)超過70萬元。換句話說，該公司持有一天該投資組合的損失超過70萬元的可能性只有1%。參數(shù)法可以采用直接法、移動(dòng)平均和指數(shù)移動(dòng)平均3種方法。二、VaR模型實(shí)例(一)數(shù)據(jù)描述在銳思數(shù)據(jù)庫中，選取茂化實(shí)華(股票代碼：000637)股票，將股票的日收盤價(jià)作為原始
福建質(zhì)量管理 2018年7期2018-04-08
- 滾動(dòng)軸承性能時(shí)間序列的模糊假設(shè)檢驗(yàn)
否定域與模糊置信水平，采用Monte Carlo仿真和試驗(yàn)研究驗(yàn)證該模型的有效性。1 模糊假設(shè)檢驗(yàn)?zāi)Ｐ?.1 基本原理滾動(dòng)軸承性能參數(shù)的時(shí)間序列為X=(x(1),x(2),…,x(t),…,x(T));T>5，X?R，(1)式中:T為數(shù)據(jù)的個(gè)數(shù)；R為模糊集。為評(píng)估滾動(dòng)軸承質(zhì)量的歷史演變，從X中任意取Xi和Xj，可得Xi=(xi(1),xi(2),…,xi(k),…,xi(K));Xi?Ui;i=1,2,…，(2)Xj=(xj(1),xj(2),…,xj(k
軸承 2017年7期2017-07-25
- 壽命服從兩參數(shù)對(duì)數(shù)Laplace分布的統(tǒng)計(jì)分析方法研究
易見參數(shù)μ的置信水平1-α的區(qū)間估計(jì)為：于是F(μ)是僅含有參數(shù)μ的樞軸量，又F(μ)為μ的嚴(yán)格單調(diào)增函數(shù)，且由此，給定顯著性水平α，樞軸量F(μ)的上側(cè)1-α/2,α/2的分位數(shù)記為F1-α/2和Fα/2，易見參數(shù)μ的置信水平1-α的區(qū)間估計(jì)為取樣本容量n=3(1)30，通過10 000次Monte-Carlo模擬得F(μ)的0.99，0.95，0.90，0.85，0.15，0.10，0.05，0.025，0.01的上側(cè)分位數(shù)，如表1所示。2.2 刻度參
兵器裝備工程學(xué)報(bào) 2017年4期2017-04-28
- 用VaR方法分析中國(guó)A股市場(chǎng)的風(fēng)險(xiǎn)
股市場(chǎng)在不同置信水平下的風(fēng)險(xiǎn)值，并與實(shí)際投資收益做了對(duì)比。最后得出用VaR方法度量A股市場(chǎng)的風(fēng)險(xiǎn)是可行的?！娟P(guān)鍵詞】滬深300指數(shù)；VaR；置信水平；A股1、研究背景介紹2014年下半年中國(guó)A股市場(chǎng)開啟了一波罕見的大牛市，一時(shí)間全民炒股成為了一股熱潮，尤其是新股民甚至產(chǎn)生一種錯(cuò)覺，只要炒股就能掙錢。但是15年六月中旬開始，A股開始暴跌，在短短十幾天時(shí)間里，上證指數(shù)從最高的5000多點(diǎn)一路猛跌至3300多點(diǎn)，一時(shí)間千股跌停。至此一些新股民開始聞股色變。然而僅
大經(jīng)貿(mào) 2017年1期2017-03-17
- 參數(shù)法、半?yún)?shù)法的動(dòng)態(tài)VaR模型風(fēng)險(xiǎn)度量
能力最弱，在置信水平99.5%下，EGARCH模型最準(zhǔn)確，在置信水平95%下，PGARCH模型最準(zhǔn)確；GED分布描述市場(chǎng)的準(zhǔn)確程度相對(duì)最弱，在較高的置信水平下，半?yún)?shù)模型能更好地度量市場(chǎng)的風(fēng)險(xiǎn)，在較低的置信水平下，參數(shù)模型能更好地度量股票市場(chǎng)的風(fēng)險(xiǎn)。動(dòng)態(tài)VaR模型；風(fēng)險(xiǎn)測(cè)度；損失函數(shù)0 引言做好風(fēng)險(xiǎn)管理，最重要的一個(gè)環(huán)節(jié)是進(jìn)行風(fēng)險(xiǎn)度量，金融風(fēng)險(xiǎn)度量的主要手段之一是在險(xiǎn)價(jià)值(Value at Risk, VaR)。VaR可以看作是建立在過去和現(xiàn)在信息上的未來
統(tǒng)計(jì)與決策 2016年23期2016-12-20
- 引信可靠性考核的系統(tǒng)性錯(cuò)誤及統(tǒng)計(jì)檢驗(yàn)方法
信；可靠性；置信水平；假設(shè)檢驗(yàn)0引言可靠性要求達(dá)到0.93以上，置信度0.9，我們的方案是(54,1)；同樣的要求，美軍制定的抽樣方案是(16,2)。如此簡(jiǎn)單的問題怎么會(huì)有如此懸殊的答案？文獻(xiàn)[1]指出，是我們錯(cuò)了。“不低于0.93則通過”與“低于0.93則拒止”，對(duì)于全數(shù)檢驗(yàn)是同義語；但是對(duì)于抽樣檢驗(yàn)是完全不同的兩個(gè)概念。抽樣結(jié)果有隨機(jī)散布，只要實(shí)際成功率不為0或100%，抽樣中通過或拒止的可能性都存在。在高概率通過與高概率拒止之間有一個(gè)灰色中間地帶，通
探測(cè)與控制學(xué)報(bào) 2016年3期2016-07-22
- 考慮風(fēng)電置信水平的機(jī)組組合優(yōu)化方法
）?考慮風(fēng)電置信水平的機(jī)組組合優(yōu)化方法王石，吳峰 （河海大學(xué)能源與電氣學(xué)院，江蘇南京211100）摘要：置信水平是將風(fēng)電功率波動(dòng)由概率形式體現(xiàn)的。隨著節(jié)能減排的需求越來越大，考慮置信水平能夠使系統(tǒng)機(jī)組不過多的安排機(jī)組備用，以免增加系統(tǒng)的運(yùn)行成本?；跈C(jī)組組合的方法，提出了一種考慮置信水平下的備用決策方法。通過考慮風(fēng)電功率波動(dòng)的概率分布和負(fù)荷波動(dòng)的概率分布，建立聯(lián)合概率密度函數(shù)，然后加入置信水平，得到不同置信水平下的系統(tǒng)基本發(fā)電成本和校正調(diào)度成本。采用IEE
電網(wǎng)與清潔能源 2016年2期2016-06-22
- 含隨機(jī)風(fēng)電出力及電網(wǎng)安全的電網(wǎng)調(diào)度策略研究
足負(fù)荷需求的置信水平。2)機(jī)組出力約束燃煤機(jī)組的出力約束為Pimin≤Pi≤Pimax(13)風(fēng)電場(chǎng)的出力約束為0≤PW≤PWmax(14)3)網(wǎng)絡(luò)安全約束-PL≤BdiagLB-1[Pg-PD]≤PL(15)(16)式中:B為系統(tǒng)的導(dǎo)納矩陣；xi為支路i的電抗；Nl為系統(tǒng)支路條數(shù)；L為系統(tǒng)支路節(jié)點(diǎn)的連接矩陣；PL為支路功率約束向量。2.3 模型的確定性轉(zhuǎn)化求解機(jī)會(huì)約束規(guī)劃問題的一種常用的方法是將其轉(zhuǎn)化為確定性優(yōu)化模型。式(12)可轉(zhuǎn)化為(17)整理后：(
四川電力技術(shù) 2016年1期2016-03-02
- 結(jié)構(gòu)性能概率模型的小樣本建模方法
一般可以一定置信水平下推斷結(jié)果的相對(duì)誤差反映統(tǒng)計(jì)不定性的影響．它們亦為隨機(jī)變量，且隨機(jī)性越大，推斷中的統(tǒng)計(jì)不定性越大．令它們分別為矩法推斷結(jié)果可能具有的相對(duì)誤差．可以證明它們分別服從標(biāo)準(zhǔn)正態(tài)分布和自由度為n-1的卡方分布[8]．這時(shí)利用區(qū)間估計(jì)法[3]，可得一定置信水平下相對(duì)誤差的上、下限．圖1所示為置信水平C=0.9、變異系數(shù)的典型情況下相對(duì)誤差的上、下限．可見：樣本容量較小時(shí)，矩法推斷結(jié)果存在著較大的相對(duì)誤差，受統(tǒng)計(jì)不定性的影響顯著，且主要存在于對(duì)標(biāo)準(zhǔn)
- 多杯等流型氣錨應(yīng)用試驗(yàn)效果統(tǒng)計(jì)誤差評(píng)價(jià)
，1-a稱為置信水平。若成立，則稱隨機(jī)區(qū)間為參數(shù)q在置信水平1-a下的置信區(qū)間。式中：n— 樣本容量，無因次。1.2 抽樣誤差與置信區(qū)間當(dāng)總體方差 s2為未知時(shí)，設(shè)X1,X2,…,Xn為服從總體 N(m, s2)的一個(gè)樣本，由于 s2未知，我們常用樣本方差 s2估計(jì)總體方差 s2，此時(shí)統(tǒng)計(jì)量，對(duì)于給定的顯著性水平a，根據(jù)t分布表可以確定 m的雙側(cè)臨界值 ta/2(n - 1) ，使得成立。可得總體均值m的置信水平為1-a的置信區(qū)間為[9]：則式中：Dx—
當(dāng)代化工 2015年11期2015-11-14
- 基于不確定性優(yōu)化模型的空氣質(zhì)量管理
能夠分析不同置信水平下的管理情景。將ISFPP模型應(yīng)用到一個(gè)假設(shè)的空氣質(zhì)量管理案例中，結(jié)果表明，置信水平的變化，可能導(dǎo)致系統(tǒng)總成本、污染物處理量及超標(biāo)排放量發(fā)生相應(yīng)的變化；在不同的置信水平下，生產(chǎn)企業(yè)能夠選擇合適的污染物控制措施，確定合理的污染物處理量和超標(biāo)排放量。因而，模型結(jié)果能夠用于生成決策方案，進(jìn)而幫助決策者制訂有效的管理政策?？諝赓|(zhì)量管理；優(yōu)化模型；區(qū)間線性規(guī)劃；隨機(jī)數(shù)學(xué)規(guī)劃；模糊可能性規(guī)劃；不確定性劉敏，鄭川江，陸海清.基于不確定性優(yōu)化模型的空氣
環(huán)境工程技術(shù)學(xué)報(bào) 2015年2期2015-08-24
- 索賠額服從指數(shù)分布的聚合模型條件風(fēng)險(xiǎn)價(jià)值研究
損失變量L在置信水平α下的風(fēng)險(xiǎn)價(jià)值(Value-at-Risk,VaR)為定義2[6]損失變量L在置信水平α下的條件風(fēng)險(xiǎn)價(jià)值(CVa R)為引理[7]損失變量L的分布函數(shù)為FL(x),有,其中πα為FL(x)的α分位點(diǎn).定理 在短期聚合風(fēng)險(xiǎn)模型中,若個(gè)體索賠額服從均值為θ的指數(shù)分布,理賠次數(shù),則總理賠額S在置信水平α下的CVa R為證 根據(jù)卷積方法,由全概率公式其中F*n(x)為個(gè)別索賠額X的n重卷積分布函數(shù).N=n時(shí),X1,X2,...,Xn服從,由伽馬
周口師范學(xué)院學(xué)報(bào) 2015年2期2015-04-24
- 基于GARCH模型的VaR方法對(duì)中國(guó)股市風(fēng)險(xiǎn)的實(shí)證分析
序列在5%的置信水平下不存在明顯的相關(guān)性.因此可以對(duì)滬深300對(duì)數(shù)收益率序列建立均值方程：rt=0.000367+μt其中μt為隨機(jī)誤差項(xiàng),0.000367為對(duì)數(shù)收益率序列均值,rt為t時(shí)刻的收益率.圖1 對(duì)數(shù)收益率序列的自相關(guān)分析圖將去均值化得到隨機(jī)誤差項(xiàng)的序列,并對(duì)殘差的平方做分布圖進(jìn)行檢查ARCH效應(yīng),結(jié)果如下圖2.由圖2可以看出序列存在自相關(guān),即存在ARCH效應(yīng).圖2 對(duì)數(shù)收益率的殘差平方的自相關(guān)分析圖(4)GARCH建模為了消除殘差序列的ARCH
海南熱帶海洋學(xué)院學(xué)報(bào) 2015年5期2015-03-14
- 中心極限定理在統(tǒng)計(jì)推斷中的應(yīng)用
于總體均值的置信水平為1－α的置信區(qū)間為在許多實(shí)際問題中，我們還經(jīng)常碰到總體分布和總體方差均未知的情況，此時(shí)可以用樣本方差s2作為總體方差D(X)的無偏估計(jì)量，用s2代替D(X)，根據(jù)中心極限定理，仍可以求出μ的置信水平為1－α的置信區(qū)間例1 以X表示某一工廠生產(chǎn)的某種器材的壽命(以小時(shí)計(jì))，經(jīng)驗(yàn)表明D(X)=1156，現(xiàn)從總體中取得一容量為49的樣本，得到各個(gè)觀察值，并計(jì)算出樣本均值珋x=1589，樣本方差s2=1122.25.求總體均值μ在置信水平為0
長(zhǎng)春師范大學(xué)學(xué)報(bào) 2015年2期2015-01-02
- 互聯(lián)網(wǎng)金融風(fēng)險(xiǎn)度量模型選擇研究
0%和95%置信水平下的最優(yōu)GARCH-VaR和GARCH-CVaR模型，作為對(duì)應(yīng)置信水平下的VaR和CVaR的度量。結(jié)果表明，CVaR模型能更有效地度量互聯(lián)網(wǎng)風(fēng)險(xiǎn)，其不僅可以很好地度量現(xiàn)有的風(fēng)險(xiǎn)水平，還對(duì)風(fēng)險(xiǎn)具有預(yù)測(cè)性?；ヂ?lián)網(wǎng)金融風(fēng)險(xiǎn)；GARCH模型；VaR；CVaR一、問題的提出2013年，余額寶拉開了互聯(lián)網(wǎng)金融理財(cái)?shù)男蚰?，帶?dòng)了眾多互聯(lián)網(wǎng)企業(yè)在金融領(lǐng)域進(jìn)行圈地運(yùn)動(dòng)，給傳統(tǒng)的金融業(yè)帶來前所未有的沖擊。這些互聯(lián)網(wǎng)理財(cái)產(chǎn)品憑借門檻低、流動(dòng)性強(qiáng)、收益高的特點(diǎn)
金融理論與實(shí)踐 2014年12期2014-07-18
- 跨國(guó)技術(shù)轉(zhuǎn)移和擴(kuò)散與國(guó)家創(chuàng)新能力的協(xié)整及因果關(guān)系檢驗(yàn)
是在10%的置信水平下，國(guó)家創(chuàng)新能力、國(guó)際貿(mào)易、跨國(guó)研發(fā)機(jī)構(gòu)嵌入及其一階差分序列的零假設(shè)(即時(shí)間序列是非平穩(wěn)的)都不能被拒絕 (ADF 檢驗(yàn)值大于10%置信水平的臨界值)，說明國(guó)家創(chuàng)新能力、國(guó)際貿(mào)易、跨國(guó)研發(fā)機(jī)構(gòu)嵌入及其一階差分序列是非平穩(wěn)序列。無論在1%、5%還是在10%的置信水平下，國(guó)家創(chuàng)新能力、國(guó)際貿(mào)易、跨國(guó)研發(fā)機(jī)構(gòu)嵌入的二階差分序列的零假設(shè)(即時(shí)間序列是非平穩(wěn)的)被拒絕 (ADF 檢驗(yàn)值小于1%、5%、10%置信水平的臨界值)，說明國(guó)家創(chuàng)新能力、國(guó)
中國(guó)科技論壇 2014年4期2014-02-06
- 分形市場(chǎng)理論下中國(guó)股市VaR研究
R），在給定置信水平c下期末資產(chǎn)的最小價(jià)值為P*=P0（1+R*），因此根據(jù)定義，VaR可表示為：由以上定義可以看出，計(jì)算VaR最主要的計(jì)算組合最低收益率R*。假定投資組合未來收益率的概率密度為f（P），則對(duì)于某一置信水平c下投資組合的最小值，有VaR在本質(zhì)上是統(tǒng)計(jì)投資組合價(jià)值的波動(dòng)，所以關(guān)鍵在于構(gòu)造投資組合價(jià)值變化的概率分布。根據(jù)VaR的定義，VaR分析依賴于收益率特別是極端收益率的分布，而極端收益率的特性與整個(gè)過程的收益率特性是不同的。因此，如何準(zhǔn)確描
湖北社會(huì)科學(xué) 2013年11期2013-05-25
- 基于CVaR度量的投資組合優(yōu)化研究
期內(nèi)、給定的置信水平下潛在的最大損失。關(guān)于對(duì) VaR 的改進(jìn)，ROCKAFELLAR［3］等提出了條件風(fēng)險(xiǎn)價(jià)值CVaR的優(yōu)化投資組合模型，并得出CVaR最優(yōu)化投資組合與VaR最優(yōu)化投資組合近似一致的結(jié)論。CVaR作為一致性的風(fēng)險(xiǎn)度量，已成為金融風(fēng)險(xiǎn)度量的有力工具。近年來，國(guó)內(nèi)在關(guān)于風(fēng)險(xiǎn)價(jià)值度量方面的研究相對(duì)較熱。劉小茂等研究了均值-CVaR有效前沿［4］;何潔琳等研究了一致性風(fēng)險(xiǎn)度量意義下的投資組合［5］，并給出了相關(guān)的實(shí)證;高岳琳等研究了基于CVaR約束
- 模糊范數(shù)法評(píng)估納米添加劑潤(rùn)滑脂摩擦試驗(yàn)數(shù)據(jù)
率密度函數(shù)與置信水平系統(tǒng)總體屬性參數(shù)的經(jīng)驗(yàn)概率密度函數(shù)可以用隸屬函數(shù)表示為(21)置信水平P為(22)(22)式必須滿足0≤P≤1。(23)由(22)式可知，P受q和L的影響。若要求P為某一常數(shù)，如P=95%或P=99%或P=100%，則可以調(diào)節(jié)q和L來滿足此要求。此外，因小樣本數(shù)據(jù)個(gè)數(shù)很少，故L值一般是很小的，如L=1，2或3。在實(shí)際計(jì)算中，一般給定P，優(yōu)選L=3，再調(diào)節(jié)q以滿足P，就可以得到在P置信水平下的區(qū)間評(píng)估結(jié)果[xL,xU]。3 評(píng)估結(jié)果及理論
軸承 2011年2期2011-07-22
- 不重復(fù)抽樣下總體比例的估計(jì)
置信概率或稱置信水平。由于超幾何分布是離散分布，而正態(tài)分布是連續(xù)分布，因此考慮對(duì)其進(jìn)行連續(xù)性修正[1,2]：正態(tài)近似產(chǎn)生的誤差主要與P和n相關(guān)，P接近于0和1時(shí)誤差相當(dāng)大，文獻(xiàn)[1]列出了正態(tài)近似的最小np值與n值。除正態(tài)近似外，Burstein[4]提出由二項(xiàng)分布近似超幾何分布而借用二項(xiàng)參數(shù)的置信區(qū)間略作修正近似成為p的置信區(qū)間，當(dāng)然此時(shí)二項(xiàng)參數(shù)的置信區(qū)間要盡可能準(zhǔn)確。本文研究比較區(qū)間CI1、CI2、CI3的統(tǒng)計(jì)性質(zhì)，以決定它們的取舍。1 范圍概率設(shè)總體
統(tǒng)計(jì)與決策 2011年12期2011-03-09
- 基于GARCH-CVaR與GARCH-VaR的人民幣匯率風(fēng)險(xiǎn)測(cè)度及效果對(duì)比研究
、分布假定和置信水平對(duì)VaR和CVaR風(fēng)險(xiǎn)測(cè)度的影響以及CVaR相對(duì)于VaR的優(yōu)勢(shì).1 VaR及CVaR概述1.1 VaR及CVaR的概念(1)VaR(Value at Risk)指處于風(fēng)險(xiǎn)中的價(jià)值，一般稱為風(fēng)險(xiǎn)價(jià)值或在險(xiǎn)價(jià)值，Jorion P(1996)把VaR定義為:資產(chǎn)在給定的置信水平和持有期下預(yù)期的最大損失.即:其中，Δp為資產(chǎn)在持有期內(nèi)的損失，VaR為置信水平c(一般取為99%、95%、90%)下的風(fēng)險(xiǎn)價(jià)值.(2)CVaR(Conditional
- 區(qū)間估計(jì)中一個(gè)問題的探討
組樣本，給定置信水平1－α，若μ已知，求σ2的置信區(qū)間。解2 對(duì)于樣本隨機(jī)變量X1，X2，…，Xn，由于Xi～N（μ，σ2），i＝1，2，…，n，顯然是σ2的無偏估計(jì)。又μ已知，所以可由此找σ2的置信區(qū)間。顯然（Xi－μ）／σ～N（0，1），i＝1，2，…，n，那么故對(duì)于給定的置信水平1－α，σ2的置信區(qū)間為對(duì)于σ2的這兩個(gè)置信區(qū)間，我們?cè)撊绾芜x擇了下面我們來看一個(gè)很常見的例子。例1 某工廠用包裝機(jī)包裝奶粉，設(shè)包裝機(jī)稱得的奶粉重量（單位：克）X服從正態(tài)分布
衡陽師范學(xué)院學(xué)報(bào) 2011年6期2011-01-09