第二讲 随机规划 第一节 基本概念 1、 问题的提出 许多实际决策问题，尤其是比较复杂的决策问题，可以建 立如下的线性规划模型： {}????? ??????≥=+++=+++=++++++.0,...,,............min 11221122222121112121112211n m n mn m m n n n n n n x x x b x a x a x a b x a x a x a b x a x a x a to subject x c x c x c M M （1.1） 用矩阵向量分析法，简化问题（1.1）得： ?? ???≥=0..min x b Ax t s x c T （1.2） 线性规划模型，在工业生产、运输业、农业、能源、生态、工程等领域都有广泛（典型）的应用。 在问题（1.1）中系数j c （例如价格因素）、ij a （比如生产率）、j b （比如需求量或存储能力）假设都已知为实数，这样我们的任务就是：寻找满足约束条件的决策变量j x （比如投入因素、生产率水平、能源 流），使这一组合达到最优。显然，在现实生活中，如果相关的函数（例如，费用函数或生产函数）关于决策变量是线性的，那么模型（1.1）就能够合理的描述现实生活中的问题。如果现实中不是这样
的，比如，因为产品的边际成本（边际成本指的是每一单位新增生产的产品（或者购买的产品）带来到总成本的增量）的增长或边际报酬的减少，我们就需要更一般的形式来建立问题的模型，如下： ?? ??? ?∈=≤.,...,1,0)(..)(min 0n i IR X x m i x g t s x g （1.3） 形式如（1.3）的问题就是一个数学规划问题。 这里的集合X 以及函数m i IR IR g n i ,...,0,:=→可以理解为是在建模过程中给出的。 在许多模型建立过程中（如问题(1.1)和(1.3)），若系数i ij j b a c ,,或 函数i g （和集合X ）分别为给定值，这是不合理的。比如说，在水电 发电站，流入发电站蓄水池的流水量，及运输网络中各个节点的需求量等等的因素，在建模的过程中，通常都作为不确定的参数。在一个生产问题中，未来的生产率，用概率分布来描述是最好的。但在建模过程中，这些参数真实值的不确定性，并不能用他们的平均值或别的估计值来消除（即真实值与平均值/估计值存在偏差）。就是说，在考虑实际情况的时候，问题（1.1）、（1.3）的模型，可能并不适合来解决更实际的问题。在这一章我们着重并尽可能的阐明，对于实际生活中的决策问题，需要扩大建模范围的必要性。 在数学规划中引入随机性是很自然的事情。在模型中的系数i ij j b a c ,,常常代表价格、成本、需求量、资源数量、经济指标等参数。 由于各种不确定性因素的影响，这些参数经常出现波动。例如，市场
软件学报ISSN 1000-9825, CODEN RUXUEW E-mail: jos@https://www.doczj.com/doc/a112170817.html, Journal of Software,2013,24(11):2476?2497 [doi: 10.3724/SP.J.1001.2013.04486] https://www.doczj.com/doc/a112170817.html, +86-10-62562563 ?中国科学院软件研究所版权所有. Tel/Fax: ? 概率图模型研究进展综述 张宏毅1,2, 王立威1,2, 陈瑜希1,2 1(机器感知与智能教育部重点实验室(北京大学),北京 100871) 2(北京大学信息科学技术学院智能科学系,北京 100871) 通讯作者: 张宏毅, E-mail: hongyi.zhang.pku@https://www.doczj.com/doc/a112170817.html, 摘要: 概率图模型作为一类有力的工具,能够简洁地表示复杂的概率分布,有效地(近似)计算边缘分布和条件分 布,方便地学习概率模型中的参数和超参数.因此,它作为一种处理不确定性的形式化方法,被广泛应用于需要进行 自动的概率推理的场合,例如计算机视觉、自然语言处理.回顾了有关概率图模型的表示、推理和学习的基本概念 和主要结果,并详细介绍了这些方法在两种重要的概率模型中的应用.还回顾了在加速经典近似推理算法方面的新 进展.最后讨论了相关方向的研究前景. 关键词: 概率图模型;概率推理;机器学习 中图法分类号: TP181文献标识码: A 中文引用格式: 张宏毅,王立威,陈瑜希.概率图模型研究进展综述.软件学报,2013,24(11):2476?2497.https://www.doczj.com/doc/a112170817.html,/ 1000-9825/4486.htm 英文引用格式: Zhang HY, Wang LW, Chen YX. Research progress of probabilistic graphical models: A survey. Ruan Jian Xue Bao/Journal of Software, 2013,24(11):2476?2497 (in Chinese).https://www.doczj.com/doc/a112170817.html,/1000-9825/4486.htm Research Progress of Probabilistic Graphical Models: A Survey ZHANG Hong-Yi1,2, WANG Li-Wei1,2, CHEN Yu-Xi1,2 1(Key Laboratory of Machine Perception (Peking University), Ministry of Education, Beijing 100871, China) 2(Department of Machine Intelligence, School of Electronics Engineering and Computer Science, Peking University, Beijing 100871, China) Corresponding author: ZHANG Hong-Yi, E-mail: hongyi.zhang.pku@https://www.doczj.com/doc/a112170817.html, Abstract: Probabilistic graphical models are powerful tools for compactly representing complex probability distributions, efficiently computing (approximate) marginal and conditional distributions, and conveniently learning parameters and hyperparameters in probabilistic models. As a result, they have been widely used in applications that require some sort of automated probabilistic reasoning, such as computer vision and natural language processing, as a formal approach to deal with uncertainty. This paper surveys the basic concepts and key results of representation, inference and learning in probabilistic graphical models, and demonstrates their uses in two important probabilistic models. It also reviews some recent advances in speeding up classic approximate inference algorithms, followed by a discussion of promising research directions. Key words: probabilistic graphical model; probabilistic reasoning; machine learning 我们工作和生活中的许多问题都需要通过推理来解决.通过推理,我们综合已有的信息,对我们感兴趣的未 知量做出估计,或者决定采取某种行动.例如,程序员通过观察程序在测试中的输出判断程序是否有错误以及需 要进一步调试的代码位置,医生通过患者的自我报告、患者体征、医学检测结果和流行病爆发的状态判断患者 可能罹患的疾病.一直以来,计算机科学都在努力将推理自动化,例如,编写能够自动对程序进行测试并且诊断 ?基金项目: 国家自然科学基金(61222307, 61075003) 收稿时间:2013-07-17; 修改时间: 2013-08-02; 定稿时间: 2013-08-27
第二章 自回归移动平均模型 一些金融时间序列的变动往往呈现出一定的平稳特征，由Box 和Jenkins 创立的ARMA 模型就是借助时间序列的随机性来描述平稳序列的相关性信息，并由此对时间序列的变化进行建模和预测。 第一节 ARMA 模型的基本原理 ARMA 模型由三种基本的模型构成：自回归模型（AR ，Auto-regressive Model ），移动平均模型（MA ，Moving Average Model ）以及自回归移动平均模型（ARMA ，Auto-regressive Moving Average Model ）。 2.1.1 自回归模型的基本原理 1．AR 模型的基本形式 AR 模型的一般形式如下： t p t p t t t y y y y εφφφ+++++=---Λ2211c 其中，c 为常数项， p φφφΛ21, 模型的系数，t ε为白噪声序列。我们称上述方程为p 阶自回归模型，记为AR(p )。 2．AR 模型的平稳性 此处的平稳性是指宽平稳，即时间序列的均值，方差和自协方差均与时刻无关。即若时间序列}{t y 是平稳的，即μ= )(t y E ，2)(σ=t y Var ，2),(s s t t y y Cov σ=-。 为了描述的方便，对式（2.1）的滞后项引入滞后算子。若1-=t t x y ，定义算子“L ”，使得1 -==t t t x Lx y ， L 称为滞后算子。由此可知，k t t k x x L -=。 对于式子（2.1），可利用滞后算子改写为： t t p p t t t y L y L Ly y εφφφ+++++=Λ221c 移项整理，可得： t t p p y L L L εφφφ+=----c )1(221Λ
第八章 统计回归模型 回归分析是研究一个变量Y 与其它若干变量X 之间相关关系的一种数学工具.它是在一组试验或观测数据的基础上，寻找被随机性掩盖了的变量之间的依存关系.粗略的讲，可以理解为用一种确定的函数关系去近似代替比较复杂的相关关系.这个函数称为回归函数. 回归分析所研究的主要问题是如何利用变量X 、Y 的观察值(样本)，对回归函数进行统计推断，包括对它进行估计及检验与它有关的假设等. 回归分析包含的内容广泛.此处将讨论多项式回归、多元线性回归、非线性回归以及逐步回归. 一、多项式回归 (1) 一元多项式回归 一元多项式回归模型的一般形式为εβββ++++=m m x x y ...10. 如果从数据的散点图上发现y 与x 呈现较明显的二次(或高次)函数关系，则可以选用一元多项式回归. 1. 用函数polyfit 估计模型参数，其具体调用格式如下： p=polyfit(x,y,m) p 返回多项式系数的估计值；m 设定多项式的最高次数；x ，y 为对应数据点值. [p,S]=polyfit(x,y,m) S 是一个矩阵，用来估计预测误差. 2. 输出预估值与残差的计算用函数polyval 实现，其具体调用格式如下： Y=polyval(p,X) 求polyfit 所得的回归多项式在X 处的预测值Y . [Y ,DELTA]=polyval(p,X,S) p ，S 为polyfit 的输出，DELTA 为误差估计.在线性回归模型中，Y ±DELTA 以50%的概率包含函数在X 处的真值. 3. 模型预测的置信区间用polyconf 实现，其具体调用格式如下： [Y ,DELTA]=polyconf(p,X,S,alpha) 求polyfit 所得的回归多项式在X 处的预测值Y 及预测值的显著性为1-alpha 的置信区间Y±DELTA ，alpha 缺省时为0.05. 4. 交互式画图工具polytool ，其具体调用格式如下： polytool(x,y,m)； polytool(x,y,m,alpha)； 用m 次多项式拟合x ，y 的值，默认值为1，alpha 为显著性水平，默认值为0.05. 例1 观测物体降落的距离s 与时间t 的关系，得到数据如下表，求s . 解 根据数据的散点图，应拟合为一条二次曲线.选用二次模型，具体代码如下： %%%输入数据
第六章 随机规划 第一节 问题的提出 随机规划所研究的对象是含有随机因素的数学规划问题。例如，我们熟悉的线性规划问题 CX X f =)(min 0≥=X b AX （6.1） 如果其中的A ，b ，C 的元素中部分的或全部的是随机变量，则称其为随机线性规划问题。 在数学规划中引入随机性是很自然的事情。在模型中的A ，b ，C 的元素常常代表价格、成本、需求量、资源数量、经济指标等参数。由于各种不确定性因素的影响，这些参数经常出现波动。例如，市场上对某种商品的需求量一般无法精确的预知，只能作出大致的预测，某种产品的生产成本往往受原材料价格、劳动生产率等各种因素的影响而经常变化，这些变化与波动，在许多场合可以用一定的概率分布去描述。因此，在数学规划中引入随机变量，能够使模型更加符合实际情况，从而是的决策更加合理。 例1 某化工厂生产过程中需要A ，B 两种化学成分，现有甲、乙两种原材料可供选用。其中原料甲中化学成分A 的单位含量为10/a ，B 的单位含量为3/a ；原料乙中化学成分A 的单位含量为10/1，B 的单位含量为3/1。根据生产要求，化学成分A 的总含量不得少于10/7个单位，化学成分A 的总含量不得少于3/4个单位。甲、乙两种原料的价格相同，问如何采购原料，使得即满足生产要求，又是的成本最低？ 显而易见，这个问题可以用线性规划模型来描述。根据题意，设原料甲的采购数量为1x ，原料乙的采购数量为2x ，容易得到如下线性模型： 21)(min x x X f += ,047 212121≥≥≥+≥+x x x bx x ax （6.2）
于是只要知道a 和b 的值，立即可以求得最优解。 但是，如果由于某种原因，原料甲中化学成分A 、B 的单位含量不稳定，其中T b a ),(=ξ是矩形}13 1,41{≤≤≤≤y x 内的均匀分布随机向量，则问题（7.2）就成为随机线性规划问题了。 由于引入了随机量，随机规划问题的分析与求解比普通数学规划问题要复杂大多。在处理随机规划问题时，人们最容易想到的方法也许是将模型中的随机变量用它们的期望值来代，从而得到确定性的数学规划模型，再去求解。事实上，过去许多确定性数学规划正是这样建立起来的，但是应当指出，这种处理方法在实际问题中并不总可行的。为了说明这一点，我们不妨用此方法试解例1中的问题。容易求得 T T b a E E )3/2,2/5(]),[()(==ξ， （6.3） 将此值代入问题（7.2），得到确定线性规划模型如下： 21)(min x x X f += ,043 272 5212121≥≥≥+≥+x x x x x x （6.4） 可以求得此问题的唯一最优解为 T T x x X )11/32,11/18(),(*2*1*==， （6.5） 于是以此*X 作为原随机线性规划问题（7.2）的最优解。可是，由于问题（7.2）中的T b a ),(是随机向量，我们自然希望知道，上述*X 是问题（7.2）的最优解这一事件的概率有多大？是问题（7.2）的可行解这一事件的概率有多大？然而，我们发现， 4/1}3/2,2/5),{(} 4,7),{(*2*1*2*1=≥≥=≥+≥+b a b a P x bx x ax b a P T T ， （6.6） 也即，*X 对问题（7.2）是可行解以0.75的概率是不可能的，只有0.25的可能性，这个解显然是不可用的。这个例子说明，用上述方法处理随机规
新资本协议中违约概率模型的研究与应用 Research and Application of PD Model in New Basel Capi tal Accord 武剑王健内容摘要：巴塞尔新资本协议实施在即，新资本协议与往常版本的重大突破在于它倡导使用内部评级法（IRB）以加强风险监管的敏感性。而客户违约概率（PD）的准确计算正是内部评级法的核心内容。本文就详尽介绍了违约概率的概念、定义，计算违约概率的进展过程；并重点研究分析了一些较为成熟的违约概率计算模型和数学统计方法，并结合建行违约概率计算的应用提出一
些经验之谈，同时对国内商业银行客户违约概率研究的进展提出了建设性的意见。 关键词：内部评级法违约概率违约数据 背景 巴塞尔新资本协议立即于2003年底正式公布，并拟于200 6年在各成员国实施。新资本协议首次提出了涵盖“三大支柱”（资本充足率、市场监管和市场纪律）的监管框架，进一步充实了金融风险监管的内容和方式，这将对业以后进展产生重大和深远的阻碍。新资本协议的核心内容是内部评级法（IRB法），同意治理水平高的银行采纳IRB法计算资本充足率，从而将资本充足率与银行信用风险的大小紧密结合起来。能够讲，满足资本监管的IRB法代表了巴塞尔委员会认可的并希望商业银行，特不是大银行今后广泛采纳的内部评级体系。IRB法代表了信用风险治理技术进展的大方向。在新协议的推动下，许多国家的银行都在积极开发IRB法，力争在2006年达标。银监会也差不多明确指出，各家商业银行应该尽早着手收集内部评级体系所需的各项必要信息，为今后采纳定量分析方法监测、治理信用风险做好基础性工作。在一段时刻之后，如银行条件具备，银监会将考虑使用
多层次自回归模型 多层次自回归模型是用来衡量两个或多个不同个体P所包含的多个随时间变化的变量 x之间的交互影响的模型。例如，在推特中 .i p 包括社会网络和内容网络，每个网络有自身的特性，如度中心性、聚类系数、中介中心性等，通过这个模型，可以测量社会网络的度中心性对内容网络的度中心性、聚类系数、中介中心性的影响。 对于时间序列数据，可以用自回归模型进行模拟。自回归模型是一个可以追溯到P时间单位的回归模型，并可以进行预测。这种模式被定义为AR（p），其中所述参数p确定模型的阶。 AR（自回归）模型为： 自回归模型的目的是将作为先前的观察值的加权和作为估算的观察值。该模型计算出的统计-显著系数可以确定随时间变化的变量之间的影响。 因为多层次回归模型只考虑t-1时刻的自变量对t时刻的因变量的影响，所以AR（1）（一阶）自回归模型为 然而，在回归分析中，变量往往源于不同的等级。所谓多层回归模型是一种以适当的方式来模拟这种多层次数据的模型。因此，测量时间是被嵌套个体下的基本单元，是一个群集单元。 该模型适用于以下层次嵌套结构：在不同时间点，不同属性被重
复测量，但所有这些测量值属于不同的个体。如果采用一个简单的自回归模型来处理这样的数据，将忽略个体之间的差异，只计算出所谓的固定效应，因为不能假设所有的特殊群集的影响都作为协变量包含在分析中。 多层次回归模型的优点是在固定效应中加入了随机影响，还考虑了个体差异的影响。在研究中，反复测量在不同天不同个体的不同属性，这样的数据具有层次嵌套结构。 多层次自回归模型可以定义如下： (t)(t 1)(t)(t 1)(t),,,()()T T i p i i p i i p p i p x a b X c X εε--=++++ （3） 在这个等式中，(t)(t)(t),,(x ,,x )T p i p m p x = 代表一个向量， 包含了在时间t 个体p 的变量。进一步的，1(,,)T i i im a a a = 代表固定效应系数，1(,,)T i i im b b b = 代表随机效应系数。假设(t)i ε和(t),i p ε分别为固定效应和随机效应的高斯 噪声。它具有零均值和方差2εσ。为了比较相互之间的固定效应，在随 机效应回归方程中的变量需要被线性变换来表示标准值。
随机提前期库存模型的规划周期 摘要：相关的规划周期的文献都大量地致力于分析具有确定提前期的库存系统。我们证明了，在某种情况下，相关的规划周期理论也适用于具有随机提前期的情况。特别的，当生产需求被认为是不可替换的以及确定的，这时生产运作只能被设置成符合这种特殊要求的并且也只适合于满足这种要求的情况。当持有订单、退订单、下订单时，在可变生产成本不变，并且销售提前期不变的情况下，按照一系列连续的整体的生产要求进行生产时总是最优的策略。特定发货量的生产日期具有凸性性质。基于以上的结论，我们证明了一些规划周期理论。并给出了远期的动态规划递归方法。这些结论被归纳为基本动态订购数量模型。我们呈现了几个案例用以阐述最优策略对提前期变化的灵敏度。 对于动态订购数量问题的规划周期的探索具有远远超越计算存储方法的优势。在许多情况下，对于下一个最佳生产决策的判断是最重要的，因为这些事项常常需要定期得到解决以纳入改善后的信息。这将导致在有限时间内的周期问题的自然停止法则，并随后降低获取和探索信息的成本。Lundin和Morton二人近来集成了规划周期的相关文献，将它们作为一个整体进行研究。至目前为止，这项研究已经致力于分析具有确定提前期的库存系统。这篇文章的主要目的是证明在某些假设下一些周期规划的理论和概念也可以被归纳为随机提前期的情况。 Gross和Soriano以及Vinson的研究清楚地证明了提前期变动
对库存成本有重大影响。然而文献间也存在差异，部分是由于连续提前期和随机提前期对库存系统的影响的根本区别。当提前期是连续的，所有的订单都将按照事先设置的顺序先后到达。当提前期是独立的随机变量，
概率图模型介绍与计算 01 简单介绍 概率图模型是图论和概率论结合的产物，它的开创者是鼎鼎大名的Judea Pearl,我十分喜欢概率图模型这个工具，它是一个很有力的多变量而且变量关系可视化的建模工具，主要包括两个大方向：无向图模型和有向图模型。无向图模型又称马氏网络，它的应用很多，有典型的基于马尔科夫随机场的图像处理，图像分割，立体匹配等，也有和机器学习结合求取模型参数的结构化学习方法。严格的说他们都是在求后验概率:p(y|x)，即给定数据判定每种标签y的概率，最后选取最大的后验概率最大的标签作为预测结果。这个过程也称概率推理(probabilistic inference）。而有向图的应用也很广，有向图又称贝叶斯网络(bayes networks),说到贝叶斯就足以可以预见这个模型的应用范围咯，比如医疗诊断，绝大多数的机器学习等。但是它也有一些争议的地方，说到这就回到贝叶斯派和频率派几百年的争议这个大话题上去了，因为贝叶斯派假设了一些先验概率，而频率派认为这个先验有点主观，频率派认为模型的参数是客观存在的，假设先验分布就有点武断，用贝叶斯模型预测的结果就有点“水分”，不适用于比较严格的领域，比如精密制造，法律行业等。好吧，如果不遵循贝叶斯观点，前面讲的所有机器学习模型都可以dismiss咯，我们就通过大量数据统计先验来弥补这点“缺陷”吧。无向图和有向图的例子如（图一）所示： 图一(a)无向图（隐马尔科夫）(b)有向图 概率图模型吸取了图论和概率二者的长处，图论在许多计算领域中扮演着重要角色，比如组合优化，统计物理，经济等。图的每个节点都可看成一个变量，每个变量有N个状态（取值范围），节点之间的边表示变量之间的关系，它除了
七．习题 1.布莱克－舒尔斯定价模型的主要缺陷有哪些？ 2.交易成本的存在对期权价格有什么影响？ 3.怎样理解下面这个观点：组合中一份衍生证券合约的价值往往取决于该组合 中其他合约的价值？ 4.什么是波动率微笑、波动率期限结构和波动率矩阵？它们的作用何在？ 5.当波动率是随机的且和股票价格正相关时，人们在市场上可能会观察到怎样 的隐含波动率？ 6.假设一个股票价格遵循复合期权模型，隐含波动率会是怎样的形状？ 7.如果我们对随机波动率的概念进一步深入下去，使得波动率的波动率也是随 机的，结果会如何？ 8.设前一天收盘时S&P500为1040，指数的每天波动率为1％，GARCH(1,1) 模型中的参数为0.06 ω=。如果当天收盘时S&P500 α=，0.92 β=，0.000002 为1060，则新的波动率估计为多少？（设μ＝0） 9.不确定参数模型的定价思想是什么？ 10.如何理解跳跃扩散模型和崩盘模型？ 11.期权交易者常常喜欢把深度虚值期权看作基于波动率的期权，为什么？ 答案： 1.（1）交易成本的假设：BS模型假定无交易成本，可以连续进行动态的套期 保值，但事实上交易成本总是客观存在的。（2）波动率为常数的假设：实际上波动率本身就是一个随机变量。（3）不确定的参数：BS模型假设波动率、利率、股利等参数都是已知的常数（或是已知的确定函数）。但事实上它们都不是一个常数，最为典型的波动率甚至也不是一个时间和标的资产价格的确定函数，并且完全无法在市场观察到，也无法预测。（4）资产价格的连续变动：在实际中，不连续是常见的，资产价格常常出现跳跃。 2.交易成本的存在，会影响我们进行套期保值的次数和期权价格：交易成本一 方面会使得调整次数受到限制，使基于连续组合调整的BS模型定价成为一种近似；另一方面，交易成本也直接影响到期权价格本身，使得合理的期权价格成为一个区间而不是单个数值。同时，不同的投资者需要承担的交易成本不同，具有规模效应，即使是同一个投资者，处于合约多头和空头时，期权价值也不同。 3.在放松布莱克－舒尔斯模型假设之后，常常出现非线性的偏微分方程，这意 味着同一个组合中的期权头寸可能出现互相对冲和保值，减少了保值调整成本，从而使得整个组合的价值并不等于每个期权价值之和，因此组合中一份衍生证券合约的价值往往取决于该组合中其他合约的价值。 4.应用期权的市场价格和BS公式推算出来的隐含波动率具有以下两个方面的 变动规律：（1）“波动率微笑”：隐含波动率会随着期权执行价格不同而不同； （2）波动率期限结构：隐含波动率会随期权到期时间不同而变化。通过把波动率微笑和波动率期限结构放在一起，可以构造出一个波动率矩阵，它是我们考察和应用波动率变动规律的基本工具之一。波动率微笑和波动率期限结构的存在，证明了BS公式关于波动率为常数的基本假设是不成立的，至少
第七章 分布滞后模型与自回归模型 一、判断题 1. 无限分布滞后模型不可以转换为一阶自回归模型。（ F ） 2. 局部调整模型变换后得到的一阶自回归模型可以应用 OLS 法估计。（ T ） 3. 估计自回归模型的问题仅在于滞后被解释变量的存在可能导致它与随机扰动项相关。（F ） 4. 自回归模型的产生背景都是相同的。（ F ） 5. 库伊克模型和自适应预期模型都存在解释变量与随机扰动项相关问题。（ T ） 二、单项选择题 1. 设无限分布滞后模型为Y t = + 0 X t + 1 X t-1 +2X t-2 + + U t ，且该模型满足 Koyck 变换的假定，则长期影响系数为（ C ）。 A. B. 1+ C. 1- D. 不确定 2. 对于分布滞后模型，时间序列的序列相关问题，就转化为（ B ）。 A ．异方差问题 B ．多重共线性问题 C ．多余解释变量 D ．随机解释变量 3．在分布滞后模型Y t =+ 0 X t + 1 X t -1 + 2 X t -2 + + u t 中，短期影响乘数为（ D ）。 A. 1 1- B. 1 C. 1- D. 4. 对于自适应预期模型变换后的自回归模型，估计模型参数应采用( D ) 。 A. 普通最小二乘法 B ．间接最小二乘法 C ．二阶段最小二乘法 D ．工具变量法 5. 经过库伊克变换后得到自回归模型，该模型参数的普通最小二乘估计量是 ( D ) 。 A. 无偏且一致 B ．有偏但一致 C ．无偏但不一致 D ．有偏且不一致 6．下列属于有限分布滞后模型的是（ D ）。 A ． Y t =+ 0 X t + 1Y t -1 + 2Y t -2 + + u t B ． Y t =+ 0 X t + 1Y t -1 + 2Y t -2 + + k Y t -k + u t C ． Y t =+ 0 X t + 1 X t -1 + 2 X t -2 + + u t D ． Y t =+ 0 X t + 1 X t -1 + 2 X t -2 + + k X t -k + u t 7. 消费函数模型C ?t = 400 + 0.5I t + 0.3I t -1 + 0.1I t -2 ，其中 I 为收入，则当期收入 I t 对未来 消费C t +2 的影响是： I t 增加一单位， C t +2 增加（ C ）。 A ．0.5 个单位 B ．0.3 个单位 C ．0.1 个单位 D ．0.9 个单位
EVIEWS 之变系数回归模型 1 变系数回归模型 前面讨论的是变截距模型，并假定不同个体的解释变量的系数是相同的，然而在现实中变化的经济结构或者不同的经济背景等不可观测的反映个体差异的因素会导致经济结构的参数随着横截面个体的变化而变化，即解释变量对被解释变量的影响要随着截面的变化而变化。这时要考虑系数随着横截面个体的变化而变化的变系数模型。 1.变系数回归模型原理 变系数模型一般形式如下： ,1,2,,,1,2,,it i it i it y x u i N t T αβ=++==（1） 其中：it y 为因变量，it x 为1k ?维解释变量向量，N 为截面成员个数，T 为每个截面成员的观测时期总数。参数i α表示模型的常数项，i β为对应于解释变量的系数向量。随机误差项it u 相互独立，且满足零均值、等方差的假设。 在式子（1）中所表示的变系数模型中，常数项和系数向量都是随着截面个体变化而变化，因此将该模型改写为： it it i it y x u λ=+ （2） 其中：1(1)(1,)it it k x x ?+=，'(,)i i i λαβ= 模型的矩阵形式为： u X Y +?= （3） 其中：11N NT y Y y ?????=??????；121i i i iT T y y y y ???????=??????；????????????=N X X X X 00000021；1121112 22212i i ki i i ki i iT iT kiT T k x x x x x x x x x x ???????=??????，12(1)1N N k λλλ+????????=??????，11N NT u u u ?????=??????，121i i i iT T u u u u ???????=??????
北京大学学位论文原创性声明和使用授权说明 原创性声明 本人郑重声明：所呈交的学位论文，是本人在导师的指导下，独立进行研究工作所取得的成果。除文中已经注明引用的内容外，本论文不含任何其他个人或集体已经发表或撰写过的作品或成果。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本声明的法律结果由本人承担。 论文作者签名：日期：年月日 学位论文使用授权说明 本人完全了解北京大学关于收集?保存?使用学位论文的规定，即： 按照学校要求提交学位论文的印刷本和电子版本； 学校有权保存学位论文的印刷本和电子版，并提供目录检索与阅览服务； 学校可以采用影印?缩印?数字化或其它复制手段保存论文； 在不以赢利为目的的前提下，学校可以公布论文的部分或全部内容。 (保密论文在解密后遵守此规定) 论文作者签名：导师签名： 日期：年月日
摘要 在现代金融市场中，风险是通过衍生产品实现定价的，所谓资产定价机制就是对风险进行分割?组合和定价。衍生产品可帮助各种资产实现准确定价，从而成为人类迄今为止最有效的资源配置工具。开发研究金融衍生产品对进一步发挥我国证券市场的资源配置功能起着至关重要的作用。权证作为一种初级金融衍生产品，适宜作为发展衍生品市场的敲门砖，它对于我国证券市场发展其它金融衍生产品有着积极而深远的意义。 本文针对B-S模型在权证定价中的应用，提出了基于市盈率的应用方法，通过历史波动率来计算出权证的内在价值，通过计算数据的比较，验证了方法的现实意义，从而使得大家对权证的合理价格有了一个计算判断方法。本文中还验证提出了隐含波动率的局限性。 关键词： 期权权证市盈率 B-S定价模型
1、高斯分布 高斯分布是最常见的分布，我现在觉得高斯分布中最难的就是，如何说服别人，你假设某个分布是高斯，是有依据的，而不是一个所谓的“经验假设”。 高斯分布的概率密度函数为： 各种各样的心理学测试分数、各种各样的无力现象、测量误差等都被发现近似地服从正态分布。尽管这些现象的根本原因经常是未知的，但是理论上可以证明如果把许多小作用加起来看做一个变量，那么这个变量服从正态分布。 由正态分布还可以到处一些常见的分布： 2、伯努利分布（又称：两点分布，0-1分布） 均值为p，方差为p(1-p). 这是为纪念瑞士科学家伯努利而命名的，猜测应该与伯努利本人没有太大关系吧，哈哈。 3、二项分布
进行独立的n次伯努利实验得到。均值为np，方差为np(1-p)。 与高斯分布的关系：当n足够大时，且p不接近于0或1，则二项分布近似为高斯分布，且n越大越近似。 4、多项分布 与二项分布对应，每次独立事件会出现3个及3个以上可能值。 二项分布和多项分布的概率值都可以经过计算多项式（x1+x2）^n 和多项式 (x1+x2+...+xm)^n的通项得到，对于二项分布，此时的x1=p，x2=1-p。 5、泊松分布 参考资料： https://www.doczj.com/doc/a112170817.html,/wiki/%E6%B3%8A%E6%9D%BE%E5%88%86%E5%B8%83 泊松分布适合于描述单位时间内随机事件发生的次数的概率分布。如某一服务设施在一定时间内受到的服务请求的次数，电话交换机接到呼叫的次数、汽车站台的候客人数、机器出现的故障数、自然灾害发生的次数、DNA序列的变异数、放射性原子核的衰变数等等。 概率质量函数为：（区分概率质量函数和概率密度函数，概率质量函数-离散，是概率值；概率密度-连续，不是概率值）
第31卷 第15期2009年8月 武 汉 理 工 大 学 学 报 JOURNAL OF WUHAN UNIVERSITY OF TECHNOLOGY Vo l.31 N o.15 A ug.2009 DOI:10.3963/j.issn.1671-4431.2009.15.036 平稳自回归模型的系数估计与应用 张子杰1,张 晖2,高淑荣 1 (1.河北工程技术高等专科学校,沧州061001;2.中国铁路物资总公司,北京100032) 摘 要: 在自然科学及经济学的很多领域,需对以往记录的数据进行时序分析,确定出随机模型,然后对未来可能出现的结果进行预报。A R (n ,0)是适应范围较广的一类模型,使用时必须由样本对参数作出估计。文中对A R (n ,0)模型的参数估计公式进行推导,并用一个实例给出A R (3,0)模型在预报问题中的应用。关键词: 时间序列; AR 模型; 自相关函数; 自回归方程中图分类号: T B 114 文献标识码: A 文章编号:1671-4431(2009)15-0135-03 Paper Makes Estimation and Application on Coefficient for Stable Automatic Regression Model ZH AN G Zi -j ie 1,ZHAN G H ui 2,GAO Shu -rong 1 (1.Hebei Engineering and T echnical College,Cang zhou 061001,China;2.China Railw ay M ater ials Co mmercial Co rp,Beijing 100032,China) Abstract : In many fields of natur al science and economics,the previous recorded data are needed to have time -sequence analysis so as to determine the random model.T hen the predictio n is made on the would -be result.A R (n,0)is a w idely applied model,which makes estimation on coefficient by means of sample if applicable.T his is a deduction on the estimation formula for the coefficient o f A R (n,0)model and shows ho w A R (3,0)model is applied to prediction by means of ex ample.. Key words: t ime series; AR model; sel-f relative function; autor eg ressive equation 收稿日期:2009-03-26.作者简介:张子杰(1954-),男,副教授.E -mail:zhangzijie01@https://www.doczj.com/doc/a112170817.html, 1 问题的提出 在时序分析中,设X t 为平稳时间序列,称 X t -U 1X t-1-U 2X t-2-,-U n X t -n =a t (1) 为n 阶平稳自回归模型[1],记为A R (n ,0),称U 1、U 2,U n 为自回归系数。 A R (n ,0)模型是用概率统计的方法分析随时间变化的随机数据序列,描述平稳时间序列X t 自身某一时刻和前n 个时刻的相互关系。由于它形式简单,用这种模型对数据进行拟合是比较方便的。同时它还便 于分析数据的结构和内在性质,也便于在最小方差意义下进行最佳预报。因此,它的应用范围是广泛的。但在使用模型解决实际问题时,应首先确定模型的系数。在相关文献中,易查阅到自相关函数满足yule -w alker 方程[2],但未提及由样本确定自回归系数问题。 2 AR (n,0)模型的系数估计 为方便起见,不妨设X c t 为中心化的平稳时间序列,则自回归模型A R (n ,0)可改写为
第31卷第1期2018年3月 湖南理工学院学报(自然科学版） Joiimal of H unan Institute of S cience and Technology (Natural Sciences) Vol.31 No.l Mar. 2018 求解Merton跳扩散模型的隐显BDF2方法 方华，王晚生 (长沙理工大学数学与统计学院，长沙410114) 摘要：Black-Scholes期权定价方程是现代金融理论最伟大的成就之一，推动了全球金融市场的发展.本文以Merton提出的带有跳扩散过程的偏积分微分方程为研究对象，对空间微分算子使用有限差分方法离散.由于空间积分算 子的非局部性质，为减少工作量，采用显式时间离散进而推导了二阶变步长隐显BDF方法，并通过数值例子验证了该方法的有效性. 关键词:Merton跳扩散模型；期权定价；有限差分法；二阶变步长隐显BDF方法 中图分类号:0241.8 文献标识码:A 文章编号：1672-5298(2018)01-0001-06 IMEX-BDF2 Method for Solving Merton Jump-Diffusion Model FANG Hua, WANG Wansheng (School of M athematics and Computational Science，Changsha University of Science and Technology, Changsha 410114, China) Abstract: Black-Scholes option pricing equation is one of t he biggest achievements in modem financial theory. In this paper, we studied the partial integro-differential equation with jump-difiusion process proposed Merton. The discretization of spatial differential operators is by finite difference method. In view of the non-local property of the spatial integral operator, we use explicit time discretization for reducing the compute cost. We further derived the variable step-size IMEX-BDF2 method for solving Merton jump-difEusion model. Numerical example illustrates the effectiveness of t he proposed method. Key words: Merton jump-diffusion model; option pricing; finite difference methods; Newton iterative method; Implicit Euler method 期权定价是近十几年来金融学的重要组成部分，促进了全球金融市场的发展，被认为是现代金融学 的五大模块之一[4’ 6’7].现代期权理论最早出现于1973年，美国芝加哥大学的教授Fisher Black和Myron Sdi〇le S[1]提出了基于不支付红利的股票的任何一种衍生证券的价格必须满足的一个微分方程： <灯，（看涨期权)，⑴ 1(尤-5)_，（看跌期权). 其中F表示期权的收益，S表示股票的价格，夂表示股票的执行价格，r表示无风险利率，〇■表示波动率? (1)就是著名的Black-Scholes期权定价公式，为投资者提供了适用于股票的任何衍生证券且计算方便 的定价公式，二人因此而获得了诺贝尔经济学奖[2,3].大量关于期权定价的文献都是假定期权所依赖的股 票价格服从跳一T散过程，如Jarrow和Jones111] (1984)、BateS[12](1988)等，这些文献中都假定跳跃过程为 泊松过程；Laland[8](1985)在交易费用的条件下对欧式看涨定价问题做了分析和研究■John C.Hull[11](1987) 和Heston Steven[5](1993)在股票满足随机波动率的条件下对欧式看涨期权定价问题做了分析和研究.早期 学者对跳跃模型定价的研究大多是使用有限差分或有限元方法，Zhang[9](1997)研究了 Merton跳扩散模型 的美式期权定价，在时间上的离散，X^f积分采用隐一显格式，虽然这种方法可以减小计算量，但是导致其 时间步长上的稳定性受限制，且只有一阶精度.21世纪，跳一扩散模型下的期权定价成为金融市场的研究收稿日期：2018-01-07 基金项目：国家自然科学基金项目(11771060,11371074) 作者简介：方华(1992-)，男，湖南岳阳人，硕士研究生.主要研究方向：微分方程数值解 通讯作者：王晚生(1977-)，男，湖南株洲人，教授.主要研究方向：微分方程数值解