采用径向基函数神经网络(Radical Basis Function Neutral Networks,简称RBF神经网络)来模拟大跨度结构的非高斯风压场.根据某大跨度结构的形式特点,将结构风场看成是屋面位置和时间的函数,将风压场分解为一系列径向基函数.再利用单调...采用径向基函数神经网络(Radical Basis Function Neutral Networks,简称RBF神经网络)来模拟大跨度结构的非高斯风压场.根据某大跨度结构的形式特点,将结构风场看成是屋面位置和时间的函数,将风压场分解为一系列径向基函数.再利用单调非线性无记忆转换映射和RBF中获得的风场函数定义向量过程,从而将非高斯场的模拟转换为互相关高斯过程的模拟.将RBF神经网络应用于一大跨度屋盖的非高斯场模拟,得到结构上非高斯风压场的分布.结果对比表明,RBF神经网络模拟非高斯风压场具有较高的准确性.该方法可直接利用RBF神经网络的输出结果,避免推导高斯过程和非高斯过程的关系式,因此具有较高的效率.RBF神经网络模拟非高斯风压场在准确性和效率上均具有显著优势.展开更多
文摘考虑金融时间序列发生的跳跃、随机波动率和"杠杆效应",建立由不同Lévy过程驱动的非高斯OU随机波动模型.通过结构保持等价鞅测度变换和FFT技术,对不同Lévy过程驱动下的非高斯OU(non-Gaussian Ornstein-Uhlenbeck process)期权定价问题进行研究.同时,在结构保持等价鞅测度下,推导出不同Lévy过程驱动下BNS模型离散化表达形式,并构建了基于SMC(sequential Monte Carlo)的极大似然估计、联合样本估计、梯度-SMC估计的非高斯OU期权定价模型参数估计方法.实证研究中,采用近470万个S&P500期权价格数据,从样本内拟合效果、样本外预测、模型稳定性、综合矫正风险几个方面,对不同Lévy过程驱动的非高斯OU期权定价模型、参数估计方法以及期权定价效果进行全面系统研究.实证研究表明,所有模型对实值期权的定价效果要优于虚值期权.本文基于联合样本估计和梯度-SMC估计的非高斯OU期权定价模型具有明显的优势.
文摘采用径向基函数神经网络(Radical Basis Function Neutral Networks,简称RBF神经网络)来模拟大跨度结构的非高斯风压场.根据某大跨度结构的形式特点,将结构风场看成是屋面位置和时间的函数,将风压场分解为一系列径向基函数.再利用单调非线性无记忆转换映射和RBF中获得的风场函数定义向量过程,从而将非高斯场的模拟转换为互相关高斯过程的模拟.将RBF神经网络应用于一大跨度屋盖的非高斯场模拟,得到结构上非高斯风压场的分布.结果对比表明,RBF神经网络模拟非高斯风压场具有较高的准确性.该方法可直接利用RBF神经网络的输出结果,避免推导高斯过程和非高斯过程的关系式,因此具有较高的效率.RBF神经网络模拟非高斯风压场在准确性和效率上均具有显著优势.
