多元曲线漂移模型和曲线预测.docVIP

多元曲线漂移模型与曲线预测 童恒庆 武汉理工大学理学院 430070 摘 要 本文通过观察商业公司的销售曲线、证券市场的价格曲线等曲线族,提炼出多元非参数回归曲线漂移模型。它是一种多元自建模模型,其中每一条曲线都可以建立一个多元非参数回归方程,许多形状相似的曲线借助于参数与一条参考曲线联结成一个曲线族。本文研究了如何综合使用多元核函数、投影寻踪回归、交叉核实等方法来拟合这样的曲线族并进行曲线预测。 关键词: 曲线漂移模型,曲线预测, 多元非参数回归. 1. 多元曲线漂移模型 当我们观察一个公司的销售曲线时,经常可以看到每年的销售曲线基本相似,因为季度影响是基本类似的。当我们观察某些证券在一定时期的价格曲线时,也经常可以看到曲线基本类似的情况。这些曲线可以视作曲线族。一般来说，这些曲线是不规则的。对于每一条曲线，不仅不可能用一条直线拟合，而且不大可能用任何参数回归模型拟合，但是可以用非参数回归模型拟合。一元的非参数回归模型可以表述为： . （1.1） 这里一共有m条曲线, 每一条曲线有n个点。如果我们考虑多个自变量，可以引进多元非参数回归模型。在二元情形，模型可以写为： . (1.2) 模型 (1.1) 或 (1.2) 只是初步的, 因为这些模型里曲线没有任何联系。严格意义上讲，上述模型只是一些曲线而非曲线族。我们需要寻找曲线之间的联系，通过一定的参数把曲线联结起来。考虑(1.2), 我们假定 , (1.3) 这里自变量是二元的，参数θi 是多元的, 回归函数 gi 未知,εij是随机误差。 我们进一步假定这些曲线形状基本相似，参考 Kneip(1995) 对于一元自变量情形的工作，我们可以假定存在参数θi=(θi(1),…, θi(6)),i=1,…,n,和一条参考曲线φ(x,y), 满足: , (1.4) 这里θi ∈Θ,i=1,…,n,Θ是参数空间。作变换v1=(x-θ(3)i)/θ(2)i 和v2=(y-θ(3)i)/θ(2)i , 然后将v1换回 x，v2换回y, 我们可以得到模型的新形式: 本文研究工作获得国家自然科学基金资助。 , (1.5) 这里6n个参数满足下列正则条件: (1.6) 于是我们得到 。 (1.7) 一般地, 当我们考虑多元非参数回归的时候, 我们可以令变量X=(x1,…,xp),且有 。 (1.8) 曲线族中曲线之间的关系可以表述为: , (1.9) 或者 , (1.10) 这里β=(β1,…, βp)是投影参数。作类似于前述的变换，我们可以得到模型的新形式。对于这些变换，我们也可以提出正则化条件。 如果变量是二元的，曲线漂移模型的原始数据是m×n行3列的矩阵。其中第一列是z, 其余各列是自变量x,y. 如果模型中的函数是p元的，则原始数据是m×n行p+1列，第一列是z，其余各列是自变量。 如果令参数θi i=1,…,n,在参数空间Θ里变化, 则曲线将作形状基本相似的漂移。我们需要回答下列问题: 如何拟合gi(x,y)?如何确定参数θi i=1,…,n, 以及φ(x,y)? 如何利用模型进行曲线漂移预测，尤其是预测下一个参数θn+1和下一条曲线 gn+1(xn+1,yn+1)的形状和位置? 2. 拟合漂移曲线 在这一节里我们考虑使用原始数据逐条地拟合原始曲线。我们使用非参数回归的权函数: 。 (2.1) 有两种基本的方法。一种方法是直接利用多元核函数方法去拟合曲线，另一种方法是利用投影寻踪回归将多元问题化为一元问题的拟合。 首先我们考虑使用多元核函数拟合曲线: 。 (2.2) 我们注意到权函数ωij(X)不仅与X有关而且与Xi1,…,Xin有关。ωij表示第i条曲线的第j个点上的权函数，满足。多元核函数K(·)的构造是p个一元核函数k(·)的乘积: , (2.3) 这里X=(x(1),…,x(p))。一元核函数k(·)可以如下构造: (2.4) 我们通常称这种核函数为 Bartlett-Epanechnikov 核函数。考虑核函数的窗宽，我们给出 K(X;Xi1,…, Xin)的形式如下: , (2.5) 这里窗宽hi,i=1,…,p 并不一定彼此相等。 上述4个公式已经完整地描述了多元核函数的构造。其中主要的困难是如何确定核函数的窗宽。我们可以使用最小二乘方法，通过改变p个窗宽参数来使下式达