下载文档原格式
基于SV模型的VaR Monte Carlo模拟马跃;李金玉【摘要】文章以上证综合指数为研究对象讨论了Monte Carlo模拟法计算VaR ，分别利用SV‐VaR模型和Monte Carlo‐SV‐VaR模型计算VaR值，并比较了这2个模型的精确度，从而为上证综合指数的风险度量提供一个参照。
%In thispaper ,taking the Shanghai composite index as the object of study ,the calculation of value at risk(VaR) by Monte Carlo simulation isdiscussed .The SV‐VaR model and Monte Carlo‐SV‐VaR model are used to calculate VaR respectively and the accuracy of the two models is compared in order to provide a reference for the risk measurement of the Shanghai composite index .【期刊名称】《合肥工业大学学报（自然科学版）》【年(卷),期】2015(000)002【总页数】4页(P285-288)【关键词】VaR值;Monte Carlo模拟;Monte Carlo-SV-VaR模型【作者】马跃;李金玉【作者单位】中国矿业大学理学院，江苏徐州 221116;中国矿业大学理学院，江苏徐州 221116【正文语种】中文【中图分类】F8300 引言VaR（Value at Risk）即风险价值，目前作为很多金融机构从事风险管理的重要指标。
金融资产往往具有波动聚集性，SV模型能很好地描述金融资产这一特征。
近年来，很多学者对SV模型进行了研究，文献［1］将SV模型用于VaR的计算并与GARCH 模型相比较；文献［2］采用GARCH模型和SV模型对深圳股市进行了比较。
水利水电技术第51卷2020年第11期张云雁.基于GS-SVM的边坡稳定性预测模型[J].水利水电技术，2020,51(11)：205-209.ZHANG Yunyan.GS-SVM-based prediction model for slope stability[J].Water Resources and Hydropower Engineering,2020,51(11): 205-209.基于GS-SVM的边坡稳定性预测模型张云雁(云南省玉溪市水利电力勘测设计院，云南玉溪653100)摘要：针对影响边坡稳定多个相关因素的复杂性和不确定性，以及数据样本的不平衡，现有的方法无法提供精确的边坡稳定性结果等原因，需要迫切开发复杂的数据处理算法。
本文通过详细调查获取了1994—2011年221个圆弧形滑坡案例中边坡高度、倾角和边坡坡体容重、黏聚力、内摩擦角、孔隙水压系数等特征参数及其相对应的稳定性状态(稳定、失稳)组成了模型样本库。
然后，提出了一种基于支持向量机(Support Vector Machine，SVM)的方法进行边坡稳定性的预测分析，并采用精准率、ALC值和F1-Score评估模型预测性能。
通过具体工程实例表明：SVM模型分类精确率、ALC以及Ce分别为0.970、0.898和0.925,明显优于GB、RF、KNN等模型，其预测结果具有很高的可信度。
关键词：边坡稳定性；支持向量机；预测分析；边坡设计doi：10.13928/ki.wrahe.2020.11.025开放科学(资源服务)标识码(OSID):中图分类号：TU43文献标识码：A文章编号：1000-0860(2020)11-0205-05GS-SVM-based prediction model for slope stabilityZHANG Yunyan(Yuxi Water Conservancy and Electric Power Survey and Design1nstitute of Yunnan Province,Yuxi653100,Yunnan,China)Abstract:Aiming at the complexities and uncertainties of several relevant factors affecting slope stability and the imbalance of the related data samples as well as the cause of that the accurate slope stability result cannot be provided by the existing methods concerned,an algorithm for processing the complicated data is necessary to be urgently developed.Through the detailed investigation,the characteristic parameters of the height,dip angle,cohesion,internal friction angle,pore pressure coefficient,etc.of the slopes in the cases of221circular landslides occurred in the period of1994—2011as well as the corresponding stability statuses(stabilized or destabilized)are obtained and then a model sample database is made up herein.Afterwards,a SVM(Support Vector Machine)-based method is put forward to carry out the prediction analysis of the slope stability,while the prediction performance of the prediction model is evaluated by means of accuracy,ALC value and F1-Score.Through the specific engineering cases,it is indicated that the classification accuracy rate,ALC and F1-Score of the SVM model are0.970,0.898and0.925respectively,which are obviously better than those from the models of GB、RF、KNN,etc.,thus its predicting result has a very high reliability.Keywords:slope stability；support vector machine；prediction analysis；slope design收稿日期：2019-11-18基金项目：国家重点研发计划项目(2018YFC0407102)作者简介：张云雁(1967—),男，高级工程师，学士，主要研究方向为水利电力工程勘测设计、评审、咨询等。
基于SVM的多变量股市时间序列预测研究金桃;岳敏;穆进超;宋伟国;何艳珊;陈毅【摘要】目前在股市时间序列预测中,大多数采用单变量时间序列预测算法,导致预测准确度不够高.提出采用基于支持向量机SVM(Support Vector Machines)的多变量股市时间序列预测算法,来提高预测准确度.SVM训练算法中,合适的参数可以使训练模型具有更好泛化能力.交叉验证具有指导参数选择的能力,然而考虑到交叉验证算法效率不高的问题,将其并行化,既达到了参数优选的目的,又避免了传统交叉验证效率低的问题.然后,根据较优参数建立多变量SVM时间序列回归预测模型,进行预测.实验证明,预测平均绝对百分比误差控制在10%以内,并且较之单变量的SVM回归预测有更好的泛化能力.【期刊名称】《计算机应用与软件》【年(卷),期】2010(027)006【总页数】5页(P191-194,209)【关键词】支持向量机;回归;多变量;交叉验证;并行【作者】金桃;岳敏;穆进超;宋伟国;何艳珊;陈毅【作者单位】吉林广播电视大学教学处理工系,吉林,长春,130022;兰州大学计算机科学与工程学院,甘肃,兰州,730000;兰州大学计算机科学与工程学院,甘肃,兰州,730000;兰州大学计算机科学与工程学院,甘肃,兰州,730000;兰州大学计算机科学与工程学院,甘肃,兰州,730000;兰州大学计算机科学与工程学院,甘肃,兰州,730000【正文语种】中文0 引言随着股票市场的发展,股票时间序列预测开始成为人们研究的热点。
目前对于时间序列预测采用的预测方法主要有自回归模型,滑动平均模型,灰色预测法,神经网络预测法,支持向量机。
支持向量机基于结构风险最小化原则,从理论上保证算法的全局最优;而且,支持向量机用核函数思想,能够解决维数灾难问题,使得计算大大简化。
支持向量机SVM由Vapnik及其研究小组于 1995年提出[1],通过非线性变换将非线性数据转化为某个高维空间中的线性问题,被广泛用于分类、预测和回归,应用于时间序列预测研究有很好的效果。
基于SVM和LS-SVM的住宅工程造价预测研究秦中伏;雷小龙;翟东;金灵志【摘要】To forecast the costs of a residential construction rapidly and accurately at the initial stage of construction that lacks relevant information ,in view of the strengths and weaknesses of previous approaches ,we choose support vector machine (SVM ) and principal component analysis (PCA) .Firstly ,a residential project cost forecasting index set is selected ;The data of the input index is then analyzed and the correlation is eliminated by PCA ;Thirdly ,the processed data are imported into the standard support vector machine and trained by the least squares support vector machine model .The prediction results are compared and analyzed ,and then a more reasonable prediction model isadopted ;Finally ,the prediction result of the model is optimized by model parameter optimization .Experiments show that the relative error of the prediction model is controlled within ± 7% ,and the result is stable .%为在方案设计初期与工程造价相关信息很少的条件下，准确快速地预测住宅工程造价，在分析既往相关理论和方法优劣的基础上，选取支持向量机构建住宅工程造价预测模型，并通过主成分分析对原始数据进行降噪处理。
基于PSO-SVM的水工隧洞施工成本预测作者：刘英杰聂章琴王博许亚辉来源：《人民黄河》2021年第09期摘要：为了对水工隧洞工程施工成本进行精确预测，从工程、环境、市场以及管理4个方面分析了水工隧洞施工成本影响因素，构建了水工隧洞施工成本影响因素量化方法。
采用粒子群算法（PSO）优化支持向量机（SVM）模型中的惩罚因子C和核函数参数g，建立基于PSO-SVM的水工隧洞施工成本预测模型。
对比SVM模型的预测结果发现，PSO-SVM模型的平均绝对百分比误差和均方根误差更小，训练速度更快，预测效果更好。
关键词：成本预测;支持向量机;粒子群算法;水工隧洞中图分类号：TV554文献标识码：Adoi：10.3969/j.issn.1000-1379.2021.09.031引用格式：刘英杰，聂章琴，王博，等.基于PSO-SVM的水工隧洞施工成本预测[J].人民黄河，2021，43（9）：160-164.Construction Cost Prediction of Hydraulic Tunnel Based on PSO-SVMLIU Yingjie1，2，3， NIE Zhangqin1， WANG Bo1，2，3， XU Yahui1（1.School of Water Conservancy， North China University of Water Resources and Electric Power， Zhengzhou 450046， China;2.Collaborative Innovation Center of Water Resources Efficient Utilization and Support Engineering， Zhengzhou 450046， China;3.Henan Key Laboratory of Water Environment Simulation and Treatment， Zhengzhou 450046， China）Abstract： In order to accurately predict the construction cost of hydraulic tunnel engineering，this paper analyzed the influencing factors of hydraulic tunnel construction cost from four aspects of engineering， environment， market and management， and established a quantitative system of influencing factors of hydraulic tunnel construction cost. Particle Swarm Optimization （PSO） was used to optimize the penalty factor C and kernel function parameter G in the support vector machine （SVM） model， and the construction cost prediction model of hydraulic tunnel based on PSO-SVM was established. Compared with the prediction results of SVM model， the average absolute error percentage and root mean square error of PSO-SVM model are lower， the training speed is faster and the prediction effect is better.Key words： cost forecast; support vector machine; particle swarm optimization; hydraulic tunnel水工隧洞工程具有施工条件复杂、工期长、技术难度高、投资规模大等特点。
svm 回归评价指标-回复SVM回归评价指标SVM回归是一种广泛应用于回归分析领域的机器学习方法，其以寻找一个最佳的超平面来对数据进行拟合和预测。
在应用SVM回归时，评价指标的选择非常重要，它能够帮助我们判断模型的效果，并对其性能进行量化分析。
本文将一步一步回答有关SVM回归评价指标的问题。
第一步：SVM回归的基本原理为了更好地理解SVM回归评价指标，首先需要了解SVM回归的基本原理。
SVM回归旨在通过在超平面两侧创建一个间隔带来预测目标变量的连续值。
它使用支持向量机的最大间隔分类器，但在预测连续变量时，它将目标变量值限制在一个给定的范围内，而不是进行离散分类。
SVM回归的关键思想是找到一个线性超平面，使大部分数据点都位于超平面的间隔带内。
第二步：SVM回归的评价指标在使用SVM回归进行建模和预测之后，我们需要一些评价指标来评估模型的性能和准确性。
以下是一些常用的SVM回归评价指标：1. 均方误差（Mean Square Error，MSE）：均方误差是最常用的回归评价指标之一。
它表示实际值与预测值之间的平均差异的平方。
MSE的计算公式为：MSE = 1/n * Σ(yi - ŷi)^2其中，yi是实际值，ŷi是预测值，n是数据点的个数。
MSE越小，说明模型的预测结果与真实值越接近。
2. 平均绝对误差（Mean Absolute Error，MAE）：平均绝对误差是另一种常用的回归评价指标。
它表示实际值与预测值之间的平均差异的绝对值。
MAE的计算公式为：MAE = 1/n * Σyi - ŷi其中，yi是实际值，ŷi是预测值，n是数据点的个数。
MAE越小，说明模型的预测结果与真实值越接近。
3. 决定系数（Coefficient of Determination，R^2）：决定系数是一种常用的回归评价指标，用于评估模型对因变量变异性的解释能力。
决定系数的取值范围为0到1，越接近1表示模型对因变量的解释能力越强。
随着我国城网建设不断发展，集中招标采购规模不断扩大，预测电力物资采购价格是电力企业提高采购管理水平和提高概预算编制准确率的必要条件[1]。
因此，如何建立电力物资采购价格预测的模型，为电力工程建设规划提供比较合理的价格预测区间，是当前电力公司亟待解决的问题。
业内专家与学者们对商品购买价格评估方面，目前采用的方法大多是通过对历史数据进行预测，张昊等[2]利用随机森林和XGBoost模型判断各特征数据对模型的贡献程度。
叶倩怡[3]以零售业销售数据作为数据挖掘对象，对比XGBoost、随机森林和Time Series Linear模型在销售额预测上的效果，得到XGBoost模型比其他模型预测效果更好。
陈宇韶等[4]利用XGBoost模型预测股价走势。
靳占新等[5]则使用构建线性回归法与随机时间序列两个的模型预测物品价格。
该文用统计方法对已有的历史物资价格信息进行收集，分析影响物资定价的主要原因，并利用支持向量机与神经网络算法模型对预测电力物资定价进行对比，结果表明支持向量机的算法模型预测的结果更具有准确性。
1 电力物资价格的影响因素分析电力建设的成本大部分取决于电力物资价格的高低，而电力物资的价格由多种因素综合决定。
因此，为预测电力物资价格，需要对电力物资价格的影响因素进行分析。
通过收集榕能集团2020年1月—2022年6月电力物资采购信息，选取电力物资采购价格的核心影响因素。
历史采购数据的质量直接影响电力物资价格预测的精度，数据的完整性和准确性是影响数据质量的关键因素。
因此，为得到可信度较高的电力物资价格的影响因素，需要对数据进行预处理。
因此，需要清理缺失值和噪声数据，再标准化表示数据。
从电力物资采购数据表中可知，采购的物资种类共计35种，对每件产品的数据进行标准化处理后，利用MATLAB编程求解多元线性回归的系数。
自变量依次为采购方式，购买时间，型号，截面，阻燃特性，铠装形式，中标数量，芯数。
以电力电缆为例，得到自变量影响系数，见表1。
基于混沌SVM与ARIMA的工程造价组合预测
倪洁;谈飞
【期刊名称】《工程管理学报》
【年(卷),期】2013(000)006
【摘要】为了解决工程造价预测的时效性问题，针对传统线性时间序列预测模型
可靠性不高的缺点，引入混沌相空间重构和支持向量机技术，并将两者耦合组成一种非线性预测模型，再利用ARIMA在整体线性趋势预测方面的优越性，对非线性模型进行修正。
混沌SVM和ARIMA预测构成组合模型的两个子过程，将两个子过程的预测结果综合平均即可得到最终预测结果。
经实例计算，组合模型比最大Lyapunov指数、ARIMA和只将相空间重构与SVM进行耦合的方法拟合效果好，预测精度高，证明其的确具有线性趋势拟合和非线性波动拟合的双优势。
【总页数】5页(P25-29)
【作者】倪洁;谈飞
【作者单位】河海大学商学院，江苏南京 211100;河海大学商学院，江苏南京211100
【正文语种】中文
【中图分类】TU723.3
【相关文献】
1.基于混沌SVM与ARIMA的工程造价组合预测 [J], 倪洁;谈飞;
2.基于SARIMA-GRNN-SVM的短期商业电力负荷组合预测方法 [J], 徐晶; 迟福
建; 葛磊蛟; 李娟; 张梁; 羡一鸣
3.基于小波包分解的LS-SVM-ARIMA组合降水预测 [J], 徐冬梅;张一多;王文川
4.基于小波包分解的LS-SVM-ARIMA组合降水预测 [J], 徐冬梅;张一多;王文川
5.基于SSA-ARIMA-HPSO-SVM组合模型的汇率预测 [J], 王相宁;杨杰
因版权原因，仅展示原文概要，查看原文内容请购买。
