宏观经济风险分析的动态贝叶斯分类器方法

计算机工程与应用 ›› 2016, Vol. 52 ›› Issue (3): 224-229.

宏观经济风险分析的动态贝叶斯分类器方法

冷翠平1，王双成1，2，高瑞1

1.上海立信会计学院数学与信息学院，上海 201620
2.上海立信会计学院开放经济与贸易研究中心，上海 201620

出版日期:2016-02-01 发布日期:2016-02-03

Method of dynamic Bayesian classifier for analysis of macroeconomic risk

LENG Cuiping1，WANG Shuangcheng1，2，GAO Rui1

1.School of Mathematics and Information，Shanghai Lixin University of Commerce，Shanghai 201620，China
2.Open Economic and Trade Research Center，Shanghai Lixin University of Commerce，Shanghai 201620，China

Online:2016-02-01 Published:2016-02-03

摘要/Abstract

摘要： 相关因素对宏观经济风险影响的时滞分析是研究中国经济运行情况的重要问题之一，目前，主要采用数量经济方法进行宏观经济风险时滞影响分析方面的研究，但这些方法主要利用时序或非时序信息，不易实现二者的有机结合。k阶多马尔科夫链动态朴素贝叶斯分类器是一种特殊的动态贝叶斯分类器，在该分类器中，属性和类均构成马尔科夫链，通过朴素贝叶斯网络结构将这些马尔科夫链组合在一起形成分类器结构，从而使相关指标的动态和静态信息均能得到充分的利用，并将其用于宏观经济风险时滞影响分析。实验结果证明该分类器在时滞影响分析方面更加可靠和实用。

关键词: 宏观经济风险, 时滞影响分析, 动态朴素贝叶斯分类器, 马尔科夫链, 识别能力

Abstract: The time-delay analysis of relevant factors to macroeconomic risk is an important issue for studying China’s economic operation.At present，there have been some researches on the time-delay analysis of macroeconomic risk based on quantitative economics methods.But these methods mainly use timing or non-timing information so that two kinds of information can not be used together.K order multi Markov chain dynamic naive Bayesian classifier is a special dynamic naive Bayesian classifier.In this classifier，attributes and class separately form Markov chains.These Markov chains are combined with naive Bayesian network to form classifier structure.Then dynamic and static information can been fully used between macroeconomic indicators.Experimental results show that this classifier can improve the reliability and the availability of time-delay analysis.

Key words: macroeconomic risk, time-delay analysis, dynamic naive Bayesian classifiers, Markov chain, recognition capabilities

冷翠平1，王双成1，2，高瑞1. 宏观经济风险分析的动态贝叶斯分类器方法[J]. 计算机工程与应用, 2016, 52(3): 224-229.

LENG Cuiping1，WANG Shuangcheng1，2，GAO Rui1. Method of dynamic Bayesian classifier for analysis of macroeconomic risk[J]. Computer Engineering and Applications, 2016, 52(3): 224-229.

[1]	赵莹1，潘华2，孙金艳2，莫启3，代飞4. 协同业务过程的随机行为分析方法[J]. 计算机工程与应用, 2019, 55(3): 245-251.
[2]	严智，张鹏，谢川. 基于Jaya的贝叶斯网络结构学习算法研究[J]. 计算机工程与应用, 2019, 55(19): 173-177.
[3]	高秀娥1，2，李克秋1. 基于马尔科夫链的联合呼叫接入控制算法[J]. 计算机工程与应用, 2017, 53(2): 32-37.
[4]	唐广发，张会林. 人眼疲劳预测技术的研究[J]. 计算机工程与应用, 2016, 52(9): 213-218.
[5]	陈曦1，范敏1，熊庆宇2. 基于马尔科夫链的显著性区域检测算法研究[J]. 计算机工程与应用, 2016, 52(7): 171-175.
[6]	张文宇，孟旋，苏锦旗. 改进熵值法和马尔科夫链的组合预测及应用[J]. 计算机工程与应用, 2016, 52(6): 122-126.
[7]	陈思静，张可. VANETs中的车辆移动规律性及轨迹预测研究[J]. 计算机工程与应用, 2016, 52(18): 139-143.
[8]	褚鹏宇，刘澜，尹俊淞，卢维科. 融合时空信息的短时交通流预测[J]. 计算机工程与应用, 2016, 52(12): 246-250.
[9]	郭文慧1，王亚林1，韩迎鸽2. 基于POMDP的信道感知接入算法[J]. 计算机工程与应用, 2014, 50(5): 203-207.
[10]	张　　磊1，徐达宇2. 基于多步优化GM（1，1）模型的云计算资源负荷短期预测[J]. 计算机工程与应用, 2014, 50(10): 65-71.
[11]	冯帆1，2，王建华1，张政保2，王惠萍1，戚红军1. 基于MCM和HVS的彩色图像盲隐写分析算法[J]. 计算机工程与应用, 2013, 49(11): 72-75.
[12]	周文炯，王军，李少谦. 非完美感知条件下认知网络的性能分析[J]. 计算机工程与应用, 2012, 48(31): 6-10.
[13]	苏光伟. 基于马尔科夫模型的通用隐秘检测技术[J]. 计算机工程与应用, 2011, 47(35): 103-105.
[14]	李雪1，舒宁2，王琰2，李亮2. 基于状态转移矩阵的变化检测方法[J]. 计算机工程与应用, 2011, 47(32): 144-147.
[15]	李维乾^1，2，解建仓¹，张永进³，薛保菊¹，张丽⁴. 动态贝叶斯网络在水文预报中的应用[J]. 计算机工程与应用, 2010, 46(6): 231-234.