导读:本文包含了广义误差分布论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:广义,误差,极值,对数,渐近,最大值,高阶。
广义误差分布论文文献综述
冯帆[1]（2019）在《广义误差分布随机变量序列最大值幂的渐近性质》一文中研究指出本文,主要研究广义误差分布随机变量序列最大值幂的分布、密度及矩展开.设{Xn,n≥ 1}·是独立同分布于广义误差分布Gv(x)的随机变量序列,其中v为广义误差分布的形状参数.记其最大值为Mn=max1≤k≤n(Xk),|Mn|p为部分最大值的幂,其中幂指数p>0.本文得到以下结论:对于服从给定广义误差分布的独立同分布随机变量序列,在给定规范常数下,其最大值的幂的分布函数、密度函数和矩将分别收敛到Gumbel型极值分布函数、极值密度函数和极值矩.而幂指数p的选择将影响收敛的速度.全文主要分为叁个部分:第一部分研究广义误差分布随机变量序列最大值幂的分布函数的收敛性质.结果表明,在优化的规范常数下,当p≠v时,收敛速度与l/logn同阶;而当p＝v时,在优化的规范常数下,收敛速度可达到与1/(log n)2同阶.第二部分研究广义误差分布随机变量序列最大值幂的密度函数的高阶展开.基于分布函数的高阶展开,本文得到当幂指数p≠v时,在优化的规范常数下,|Mn|p的密度函数将以同阶于1/logn的速度收敛到Gunmbel型极值密度函数;当P=v时,在相应的规范常数下,收敛速度与1/(log n)2同阶.第叁部分研究广义误差分布随机变量序列最大值幂的矩的高阶展开.基于分布函数和密度函数的高阶展开,本文得到当幂指数p≠v时,在优化的规范常数下,|Mn|p的矩将以同阶于1/logn的速度收敛到Gumbel型极值矩;当p＝v时,在相应的规范常数下,收敛速度与1/(logn)2同阶.(本文来源于《西南大学》期刊2019-04-08）
李素平[2]（2019）在《一类广义误差分布研究及在金融风险度量中的应用》一文中研究指出风险管理作为现代金融问题的核心之一,已越来越受到人们的关注;风险度量则是风险管理中必不可少的部分。风险价值法(VaR)和期望损失法(ES)是当前主流的风险度量方法。这两种度量方法均依赖与损失随机变量所服从的具体分布;在不同的分布假设下,所得到的估计往往差异较大。因此,选择一个能够充分拟合数据的分布对于VaR和ES估计的准确性具有现实意义。首先,本文通过尺度化广义误差分布,定义了一种新的对称的厚尾分布—尺度混合广义误差分布;我们着重研究了以gamma分布作为尺度化分布的混合分布,即gamma混合广义误差分布(GGED),并且得到了它的概率密度函数,k阶矩,偏度和峰度;我们给出了GGED分布参数的观测Fisher信息矩阵、矩估计和最大似然估计;同时,我们对参数是否给定进行了分类讨论,并作了大量的随机模拟,计算了参数的估计、标准差和均方误差;其结果表明,无论在何种情形下,GGED分布的参数估计都具有良好的稳健性。其次,将GGED分布应用于拟合苹果公司(AAPL)股价的对数收益率数据,并与正态分布、F-S有偏的标准化t分布和广义误差分布的拟合效果进行比较;结果表明,在AIC准则下GGED分布对数据具有良好的拟合效果。最后,我们回顾了几种经典的VaR估计和ES估计模型;将Cornish-Fisher展开法和GGED分布应用于VaR值的计算以及GGED分布拟合下的ES的计算;在此基础上,我们同样将模型应用于AAPL的收益率数据作实例分析,通过对结果的比较发现,基于GGED分布的模型同样能够得到一个合理的VaR估计和ES估计。本文基于对广义误差分布尺度混合的研究,在一定程度上,我们的研究结果丰富了概率分布理论,发展了尺度混合分布;我们将所提出的新分布应用于风险度量模型,为金融数据分析提供了帮助和参考。(本文来源于《重庆理工大学》期刊2019-03-20）
施华[3]（2018）在《广义误差分布下的随机单位根模型》一文中研究指出单位根模型在数理金融中具有广泛应用,许多数理模型都是以单位根过程作为变量数据生成过程的,而随机单位根模型在单位根过程的基础上放松了单位根系数确定性的假设,将新息引入到单位根系数中,使单位根具有了一定的随机性,这样的模型更加具有一般性。由于金融数据一般都具有厚尾的特征,本文选取一个简单的线性随机单位根模型,将正态分布假设推广到了广义误差分布,并且对该模型的平稳条件、极大似然估计以及随机单位根的假设检验进行了相关讨论,最终给出了该模型的严平稳和弱平稳条件,求解极大似然估计量的两种算法(重新参数化和EM算法)以及对随机单位根的两种假设检验思路(LM检验和Wald检验)。(本文来源于《西南民族大学》期刊2018-01-15）
杜玲玲[4]（2016）在《广义伽马分布及对数广义误差分布序列极值的渐近性质》一文中研究指出本文主要研究在最优规范化常数条件下,服从广义伽马分布的独立同分布随机变量序列的极值分布和极值密度的渐近性质,以及在两种不同规范常数条件下,服从对数广义误差分布的独立同分布随机变量序列的极值密度和极值矩的渐近性质.全文主要分为两大部分：第一部分首先通过广义伽马分布的概率密度函数,推导出该分布的基本性质,如Mills不等式,Mills率等,继而得到该分布的尾部表达式,判断出该分布的极值分布类型,确定出最优规范化常数.其次,在最优规范化常数条件下,通过对尾部表达式的精确展开,得到广义伽马分布规范化最大值的极限分布及密度的渐近展开式.通过该分布渐近展开式可得广义伽马分布的极值分布收敛到Gumbel极值分布的收敛速度,通过该密度渐近展开式可得广义伽马分布的极值密度收敛到Gumbel极值分布的密度的收敛速度.第二部分基于对数广义误差分布的极值分布的渐近展开式,得到了在两种不同规范常数下,该分布规范化最大值的极值密度的渐近展开式.而后通过分布矩的定义及相应的积分控制条件,推得基于两种不同规范常数的该分布规范化最大值的矩的渐近展开式.通过该密度渐近展开式可得对数广义误差分布的极值密度收敛到对应极值分布的密度的收敛速度.通过该矩的渐近展开式可得对数广义误差分布的极值矩收敛到对应极值分布的矩的收敛速度.(本文来源于《西南大学》期刊2016-06-03）
贾璞[5]（2015）在《广义误差分布的极值分布渐近展开》一文中研究指出本文主要研究在最优规范化常数条件下,服从广义误差分布的独立同分布随机变量序列的极值分布和极值矩的渐近展开式,全文主要分为两大部分：第一部分通过广义误差分布的米尔率得到该分布的尾部表达式,判断出该分布的极值分布类型,确定最优规范化常数.在最优规范化常数条件下,通过对尾部表达式的精确展开,得到广义误差分布的规范化极大值的极限分布的渐近展开式.通过该渐近展开式可得到广义误差分布的规范化极值分布收敛到Gumbel极值分布的收敛速度.第二部分在规范化极大值的极限分布的渐近展开式的基础上,通过分布的矩的定义及相应积分控制条件,推得广义误差分布的规范化极大值的矩的渐近展开式.通过该渐近展开式可得到广义误差分布的规范化极值的矩收敛到Gumbel极值分布的矩的收敛速度.(本文来源于《西南大学》期刊2015-04-06）
杨更[6]（2015）在《对数广义误差分布的极值高阶展开》一文中研究指出对数广义误差分布是对数正态分布的推广.令Fv(x)与fv(x)分别为对数广义误差分布的分布函数与密度函数,其中v≥1.本文研究在线性赋范常数a。,bn条件下Fvn(anx+bn)的高阶展开和在幂赋范条件下它的分布函数与密度函数的极值高阶展开.第一部分研究线性赋范条件下具有边际分布Fv(x)的一列独立同分布的随机变量的极值高阶展开.根据对数广义误差分布的尾部表达式可知Fv∈Dl(∧),v>1F1∈Dl(φ(?))口最优规范常数an与bn由精确的尾部表达式得到线性赋范条件下Fvn(αnx+bn)的高阶展开式.第二部分研究幂赋范条件下分布函数与密度函数的极值高阶展开.根据线性赋范条件下Fv(x)的吸引场可知Fv∈Dp(Φ1),v≥1.随后得到最优规范常数αn与βn和幂赋范条件下分布函数与密度函数的极值高阶展开式.(本文来源于《西南大学》期刊2015-03-15）
黄建文,刘衍民,罗远峰[7]（2015）在《有限混合广义误差分布的极限分布（英文）》一文中研究指出作为正态分布的推广,广义误差分布是在统计中是应用最广泛的分布之一。有限混合分布在现代统计中的整个发展过程中作为一个模型得到了广泛的研究和应用.这篇文章在广义误差分布的一个重要不等式的基础上研究了有限混合广义误差分布的尾部性质,得到了它的尾部的渐近性质,同时得到了Mill’s率。然后利用有限混合广义误差分布的尾部渐近性质讨论了同服从该分布的独立随机变量序列最大值的极限分布以及如何选择适当的的规范化常数使得最大值的分布收敛到双指数分布。(本文来源于《重庆师范大学学报(自然科学版)》期刊2015年02期）
潘玉龙[8]（2014）在《带偏广义误差分布（SGED分布）及其应用研究》一文中研究指出由于金融市场价格收益率的分布一般具有波动性聚集以及尖峰厚尾等特征,对其进行分析建模时就需要根据数据的特征来选择恰当的模型和适当的分布假设,而常规的分布,如正态分布等无法很好地描绘这一数据特征。为了能够更好地拟合此类数据,我们提出了一种新的带偏广义误差分布(Skewed Generalized Error Distribution),也就是SGED分布,这个分布具有长尾带偏的特性,并推导出了这个分布的一些统计性质,如密度分布函数、累积分布函数、分位数函数、数字特征值(均值、方差、峰度、偏度等)、信息矩阵、似然函数的一致性以及渐近正态性等。将该分布与Probit模型相结合,实证分析了国际黄金市场黄金价格的影响因素以及投资操作行为,结果表明SGED分布能够更好地描述国际黄金价格的波动特征,并且具有较强的预测能力。(本文来源于《华东理工大学》期刊2014-11-20）
黄建文,羊豪,庹中友[9]（2014）在《对数广义误差分布极值的收敛速度》一文中研究指出对数广义误差分布在统计学中应用十分广泛.Liao等人(2012)对对数广义误差分布的尾部特征和最大值的极限分布做了研究;此处,在Liao等人研究的基础上,讨论了同服从对数广义误差分布独立随机变量序列最大值的收敛速度,得到它的逐点收敛速度.(本文来源于《重庆工商大学学报(自然科学版)》期刊2014年08期）
徐美萍,于健[10]（2014）在《广义误差分布中尺度参数的最短区间估计》一文中研究指出文章把广义误差分布中尺度参数的最短置信区间的求解问题转化为非线性方程组的求解问题,并通过数值计算与常用置信区间进行长度比较说明研究广义误差分布中尺度参数的最短置信区间的必要性。(本文来源于《统计与决策》期刊2014年13期）
广义误差分布论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
风险管理作为现代金融问题的核心之一,已越来越受到人们的关注;风险度量则是风险管理中必不可少的部分。风险价值法(VaR)和期望损失法(ES)是当前主流的风险度量方法。这两种度量方法均依赖与损失随机变量所服从的具体分布;在不同的分布假设下,所得到的估计往往差异较大。因此,选择一个能够充分拟合数据的分布对于VaR和ES估计的准确性具有现实意义。首先,本文通过尺度化广义误差分布,定义了一种新的对称的厚尾分布—尺度混合广义误差分布;我们着重研究了以gamma分布作为尺度化分布的混合分布,即gamma混合广义误差分布(GGED),并且得到了它的概率密度函数,k阶矩,偏度和峰度;我们给出了GGED分布参数的观测Fisher信息矩阵、矩估计和最大似然估计;同时,我们对参数是否给定进行了分类讨论,并作了大量的随机模拟,计算了参数的估计、标准差和均方误差;其结果表明,无论在何种情形下,GGED分布的参数估计都具有良好的稳健性。其次,将GGED分布应用于拟合苹果公司(AAPL)股价的对数收益率数据,并与正态分布、F-S有偏的标准化t分布和广义误差分布的拟合效果进行比较;结果表明,在AIC准则下GGED分布对数据具有良好的拟合效果。最后,我们回顾了几种经典的VaR估计和ES估计模型;将Cornish-Fisher展开法和GGED分布应用于VaR值的计算以及GGED分布拟合下的ES的计算;在此基础上,我们同样将模型应用于AAPL的收益率数据作实例分析,通过对结果的比较发现,基于GGED分布的模型同样能够得到一个合理的VaR估计和ES估计。本文基于对广义误差分布尺度混合的研究,在一定程度上,我们的研究结果丰富了概率分布理论,发展了尺度混合分布;我们将所提出的新分布应用于风险度量模型,为金融数据分析提供了帮助和参考。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
广义误差分布论文参考文献
[1].冯帆.广义误差分布随机变量序列最大值幂的渐近性质[D].西南大学.2019
[2].李素平.一类广义误差分布研究及在金融风险度量中的应用[D].重庆理工大学.2019
[3].施华.广义误差分布下的随机单位根模型[D].西南民族大学.2018
[4].杜玲玲.广义伽马分布及对数广义误差分布序列极值的渐近性质[D].西南大学.2016
[5].贾璞.广义误差分布的极值分布渐近展开[D].西南大学.2015
[6].杨更.对数广义误差分布的极值高阶展开[D].西南大学.2015
[7].黄建文,刘衍民,罗远峰.有限混合广义误差分布的极限分布（英文）[J].重庆师范大学学报(自然科学版).2015
[8].潘玉龙.带偏广义误差分布（SGED分布）及其应用研究[D].华东理工大学.2014
[9].黄建文,羊豪,庹中友.对数广义误差分布极值的收敛速度[J].重庆工商大学学报(自然科学版).2014
[10].徐美萍,于健.广义误差分布中尺度参数的最短区间估计[J].统计与决策.2014
论文知识图
