基于错误发现率的案例分析

发布时间：2020-04-10 08:44

【摘要】：当前多维数据呈现出爆发式增长的态势,多重假设检验作为进行大规模统计推断的主要工具成为研究的一个热点。在多重假设检验中,控制好整个检验的错误率是成败的关键。错误发现率的概念由Benjamini和Hochberg于1995年首先提出,并给出了最初的控制方法。相较于原有族错误率方法,错误发现率方法提高了检验的功效,为控制多重假设检验中的虚假发现提供了新的依据,在错误控制和检验功效间找到了新的平衡。此后,错误发现率方法的发展大致可以分为两个不同方向:一是对错误发现率控制方法的改进;二是对错误发现率方法应用领域的拓展。本文通过同行业股票选择和汽车销售企业偷漏税识别两个案例,将错误发现率方法分别应用于股票选择和数据挖掘两个领域,拓展了该方法的应用领域。在同行业股票选择案例中,本文提出一种基于错误发现率的短期同行业股票选择方法,通过构造假设检验,将股票选择问题转化为多重假设检验问题,从而将错误发现率方法应用于股票选择问题。该方法能够同时考察一行业内全部股票收益率表现,提高同一行业内股票选择的效率。通过对实例进行分析表明,运用错误发现率方法所选股票的短期收益高于同时期行业平均水平。进一步与通过t检验方法所选股票进行对比后发现,运用错误发现率方法所选股票的短期收益同样具有优势。在汽车销售企业偷漏税识别案例中,以往人们倾向于找出尽可能多的对分类结果具有影响能力的各种指标,并将所获取的全部数据导入数据挖掘模型中,而这样可能会导致以下问题的出现:冗余数据的导入降低了模型的效率,模型的复杂化降低了模型的可理解性,数据导入模型前需要进行大量数据预处理工作。因而,本文将错误发现率方法应用于数据挖掘领域,在数据预处理阶段对模型输入指标进行筛选,以提高模型效率、降低模型复杂程度、减少数据预处理工作。通过对案例进行分析表明,运用错误发现率方法对模型输入指标进行筛选,能够有效提高模型识别准确率,降低模型复杂程度,达到预期目的。通过对上述两个案例的研究,本文成功的将错误发现率方法应用于股票选择和数据挖掘两个热门领域,验证了错误发现率方法应用于以上两个领域的可行性和有效性,实现了错误发现率方法的应用领域的拓展。
【图文】：

流程图,模型构建,流程图

随后评估其准确性。两种模型的基本构建流程如图2-1 所示。下面将重点介绍 LM 神经网络和 CART 决策树两种应用最广的分类模型。图 2-1 模型构建流程图2.2.1LM 神经网络模型1943 年，心理学家 McCulloch 和数理逻辑学家 Pitts 开创性的提出了神经网络和数学模型相结合的 MP 模型，开启了人工神经网络时代。经过几十年的发展完善，加之计算机运算速度的提升，，到 20 世纪八十年代，人工神经网络发展成为人工智能领域新的研究热点。这种通过模仿生物神经网络进行信息处理的数学模型，不仅具有优异的非线性处理能力，而且具有良好的自适应性和容错性，最近十多年，随着研究的不断深入，人工神经网络被广泛应用于生物、医学、经济等众多领域。人工神经网络具有的自我学习、联想存储和高速寻求最优解等能力，使其在与经典计算方法相比时表现出极大的灵活性和自适应性。以其优异的预测功能为例，神经网络在预测满足以下条件的问题时特别有效：（1）无法得知变量间准确的数学方程；（2）结果预测比逻辑解释更重要；（3）有足够多的数据可供建立网络。一个完整的神经网络模型由大量节点相互连接构成，节点存在于输入层、隐含层和输出层，其中输入层的节点对应输入指标，输出层的节点对应输出目标变量。输入层和输出层之间对应的是隐含层，隐含层的层数和节点个数决定了神经网络的复杂程度

直方图,上市股票,A股,收益率

基于错误发现率的案例分析对象，由此提出基于错误发现率的股票选择方法。错误发现率是面对多重假设检验问题时，控制整体检验错误率的一种检验手段，要在股票选择问题中通过错误发现率方法进行研究，需要针对股票收益率构造假设检验。在构造假设检验之前首先观察深交所 A 股 2016 年 8 月 1 日全部未停牌正常上市股票收益率直方图，数据来源于 RESSET（锐思）金融研究数据。
【学位授予单位】：山东财经大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：F832.51;F426.471;C81

【相似文献】