论文部分内容阅读
现有的贝叶斯网络结构自适应学习算法往往具有很高的算法复杂度，其最大的问题在于不能用于解决复杂的实际问题。基于这一现状，本文首先提出了全新的贝叶斯网络结构自适应学习算法，从根本上解决了现有算法严重的效率问题，从理论上保证了对复杂实际问题进行高效建模的可行性。接着，我们运用新算法对证券市场进行动态建模，揭示了其运行的规律，从应用层面上进一步证明了新算法在复杂实际问题建模中的能力。
我们首先提出了分解式贝叶斯网络结构自适应学习算法。我们认为，关系的变化往往是发生在部分变量之间的，而所有变量之间的关系全部发生变化的可能性比较小。基于这一思想，当需要对当前网络进行调整时，我们首先将其分解成若干个独立的子结构，然后分别判断每个子结构是否需要更新。我们仅仅对需要更新的子结构进行调整，然后将所有的子结构重新组合成一个完成的网络结构。该算法将对整体网络结构的自适应学习转化为对局部结构的自适应学习。通过这种分治的思想将问题规模由大变小，极大的提高了算法的效率。
在分解算法的基础上，我们进一步提出了混合式贝叶斯网络结构自适应学习算法。混合算法同时利用了限制性学习技术和基于得分函数的搜索技术。当需要对当前网络结构进行调整时，首先利用限制性学习技术为每一个结点建立候选父结点集合，然后利用搜索技术在候选父结点集合的指导下搜索得到最优的网络结构做为调整结果。该算法以一种隐含的方式实现了对当前网络结构的分解，同时充分利用各种信息以及限制性学习技术和搜索技术的能力，在提高算法效率的同时也提高了所得网络模型的精度。
完成了理论层面的工作之后，我们又开展了应用层面的工作。我们首先对美国证券市场进行了静态建模，利用高阶神经网络和贝叶斯网络互相配合对能够预测收益率的金融变量进行了深入分析。首先提出了一种基于高阶神经网络的特征选择算法，从众多的金融变量中筛选出能对收益率进行预测的金融变量。然后利用贝叶斯网络对所选出来的金融变量进行检验。该方法实现了对收益率预测变量的自动筛选，为金融学家对收益率的研究提供了一条崭新的途径。
在成功对美国证券市场进行静态建模的基础上，我们又进一步的对中美证券市场进行了动态建模。我们利用所提出的贝叶斯网络结构自适应学习算法实现了对金融变量之间关系变化的实时监控。我们发现，在中美证券市场上，影响收益率的金融变量之间的关系变化往往对应了市场指数的趋势性变化。在中国市场的个股上也得到了相同的结论。这部分工作不仅验证了我们的算法在复杂实际问题建模中的能力，更证明了对金融系统进行动态建模的重要性。
我们首先在理论层面上开展了对新算法的研究，然后在应层面上验证新算法能力的同时解决了驱动我们进行研究的实际问题。在理论层面，我们提出的新算法有效的解决了现有算法严重的效率问题，使贝叶斯网络结构自适应学习的研究从理论阶段走入到实际中来。在应用层面，我们成功实现了对证券市场静态和动态的建模，提出了分析收益率的新方法。我们相信，贝叶斯网络结构自适应学习的研究将在复杂系统建模中发挥越来越重要的作用。我们也希望，我们的工作能起到一个抛砖引玉的作用，带动更多、更优秀的工作产生。