💥💥💞💞欢迎来到本博客❤️❤️💥💥
🏆博主优势:🌞🌞🌞博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。
⛳️座右铭:行百里者,半于九十。
📋📋📋本文目录如下:🎁🎁🎁
目录
💥1 概述
规范藤copula树是一种用于建模多维随机变量间相关性的工具。它是一种层次化结构,由根节点和若干个子树组成,每个子树都是一棵规范藤copula树。对于边缘分布具有连续边缘变量的情况,可以使用密度函数对相关性进行建模;而对于离散边缘变量,则需要使用质量函数进行建模。因此,规范藤copula树可以同时支持混合连续和离散边缘的情况。实际使用中,可以使用贪心算法或者动态规划等方法来构造规范藤copula树,以便准确地建模变量间的相关性。
规范藤copula树是一种用于建模多变量概率分布的统计工具,它可以捕捉变量之间的相关性和依赖关系。具有混合连续和离散边缘的规范藤copula树是对规范藤copula树的扩展,它可以处理同时包含连续和离散变量的情况。
研究具有混合连续和离散边缘的规范藤copula树可以涉及以下方面:
1. 模型构建:研究者可以探索如何构建适用于混合连续和离散边缘的规范藤copula树模型,包括如何处理不同类型变量之间的相关性和依赖关系。
2. 参数估计:针对混合连续和离散边缘的规范藤copula树模型,需要研究参数估计的方法和技术,以确保模型能够准确地捕捉变量之间的相关性。
3. 应用领域:研究者可以探讨具有混合连续和离散边缘的规范藤copula树在不同领域的应用,例如金融、保险、气象等,以及在实际问题中的具体应用案例。
通过研究具有混合连续和离散边缘的规范藤copula树,可以更好地理解和应用这一统计工具,为解决现实世界中复杂的多变量建模问题提供更多的选择和方法。
在本文中,我们实现了一个基于正则藤Copula的完整框架,用于对部分离散和部分连续的多变量数据进行建模。所得到的多元分布是灵活的,具有丰富的依赖结构和任意的裕度。对于连续裕度,我们提供了正态分布和伽玛分布的实现。对于离散裕度,我们提供了泊松、二项式和负二项式分布。作为二元copula构建块,我们提供了高斯族、学生族和克莱顿族以及旋转变换的克莱顿族。工具箱包括采样、似然计算和推理方法,所有这些方法都具有二次复杂性。将这些过程结合起来,通过蒙特卡罗积分来估计熵和互信息。
📚2 运行结果
主函数部分代码:
%% Construct 4D mixed copula vine disp('Constructing mixed copula vine...'); d = 4; % Dimension vine.type = 'c-vine'; % Canonical vine type % Set margins vine.margins = cell(d,1); % Standard normal margin vine.margins{1}.dist = 'norm'; vine.margins{1}.theta = [0;1]; vine.margins{1}.iscont = true; % Continuous margin % Gamma margin vine.margins{2}.dist = 'gam'; vine.margins{2}.theta = [2;4]; vine.margins{2}.iscont = true; % Continuous margin % Poisson margin vine.margins{3}.dist = 'poiss'; vine.margins{3}.theta = 10; vine.margins{3}.iscont = false; % Discrete margin % Binomial margin vine.margins{4}.dist = 'bino'; vine.margins{4}.theta = [20;0.4]; vine.margins{4}.iscont = false; % Discrete margin % Set copula families vine.families = cell(d); vine.theta = cell(d); % Gaussian copula family vine.families{1,2} = 'gaussian'; vine.theta{1,2} = 0.5; % Student copula family vine.families{1,3} = 'student'; vine.theta{1,3} = [0.5;2]; % Clayton copula family vine.families{1,4} = 'clayton'; vine.theta{1,4} = 5; % Clayton copula family rotated 90° clockwise vine.families{2,3} = 'claytonrot090'; vine.theta{2,3} = 5; % Clayton copula family survival transformed vine.families{2,4} = 'claytonrot180'; vine.theta{2,4} = 5; % Independence vine.families{3,4} = 'ind'; vine.theta{3,4} = []; fprintf('\n'); %% Test probability density function disp('Calculating probability density function on a grid...'); % Calculate probability density function on lattice x1gv = linspace(-3,3,100); x2gv = linspace(0.5,25,100); x3gv = 0:20; x4gv = 0:15; [x1,x2,x3,x4] = ndgrid(x1gv,x2gv,x3gv,x4gv); p = mixedvinepdf(vine,[x1(:),x2(:),x3(:),x4(:)]); p = reshape(p,size(x1)); % Plot 2D margins figure('Name','2D margins of mixed vine copula PDF','Position',[0,0,1600,1000]); subplot(2,3,1); margin12 = reshape(sum(sum(p,4),3),[length(x1gv),length(x2gv)]); imagesc(x1gv,x2gv,margin12'); colormap(' hot '); set(gca,' YDir ',' normal '); xlabel(' Margin 1 '); ylabel(' Margin 2 '); subplot(2,3,2); margin13 = reshape(sum(sum(p,4),2),[length(x1gv),length(x3gv)]); imagesc(x1gv,x3gv,margin13' );colormap('hot'); set(gca,'YDir','normal'); xlabel('Margin 1'); ylabel('Margin 3'); subplot(2,3,3); margin14 = reshape(sum(sum(p,3),2),[length(x1gv),length(x4gv)]); imagesc(x1gv,x4gv,margin14'); colormap(' hot '); set(gca,' YDir ',' normal '); xlabel(' Margin 1 '); ylabel(' Margin 4 '); subplot(2,3,4); margin23 = reshape(sum(sum(p,4),1),[length(x2gv),length(x3gv)]); imagesc(x2gv,x3gv,margin23' );colormap('hot'); set(gca,'YDir','normal'); xlabel('Margin 2'); ylabel('Margin 3'); subplot(2,3,5); margin24 = reshape(sum(sum(p,3),1),[length(x2gv),length(x4gv)]); imagesc(x2gv,x4gv,margin24'); colormap(' hot '); set(gca,' YDir ',' normal '); xlabel(' Margin 2 '); ylabel(' Margin 4 '); subplot(2,3,6); margin34 = reshape(sum(sum(p,2),1),[length(x3gv),length(x4gv)]); imagesc(x3gv,x4gv,margin34' );colormap('hot'); set(gca,'YDir','normal'); xlabel('Margin 3'); ylabel('Margin 4'); fprintf('\n');
🎉3 参考文献
[1]廖轶楠.基于Copula熵选股及集成神经网络预测的投资组合管理研究[D].南京信息工程大学,2023.
部分理论引用网络文献,若有侵权联系博主删除。