| 摘要 | 第3-4页 |
| abstract | 第4页 |
| 1 绪论 | 第7-13页 |
| 1.1 高维数据的研究背景及意义 | 第7-8页 |
| 1.2 国内外研究现状分析 | 第8-9页 |
| 1.3 研究方法 | 第9-10页 |
| 1.4 主要研究内容 | 第10-13页 |
| 2 贝叶斯理论及高维数据变量选择方法 | 第13-27页 |
| 2.1 引言 | 第13页 |
| 2.2 贝叶斯理论 | 第13-15页 |
| 2.3 高维数据变量选择方法 | 第15-25页 |
| 2.3.1 Lasso与贝叶斯Lasso | 第15-21页 |
| 2.3.2 Adaptive Lasso和贝叶斯Adaptive Lasso | 第21-23页 |
| 2.3.3 Elastic net和贝叶斯Elastic net | 第23-24页 |
| 2.3.4 SCAD | 第24-25页 |
| 2.4 本章小结 | 第25-27页 |
| 3 基于惩罚最小一乘估计的变量选择 | 第27-35页 |
| 3.1 引言 | 第27-28页 |
| 3.2 LAD-Lasso的相关理论 | 第28页 |
| 3.3 LAD-alasso估计方法 | 第28-34页 |
| 3.3.1 基本模型 | 第28-29页 |
| 3.3.2 求解算法 | 第29-30页 |
| 3.3.3 参数的选择 | 第30-31页 |
| 3.3.4 数值实验测试 | 第31-34页 |
| 3.4 本章小结 | 第34-35页 |
| 4 基于线性插值的贝叶斯Lasso分位数回归 | 第35-45页 |
| 4.1 引言 | 第35-36页 |
| 4.2 基于线性插值的贝叶斯Lasso分位回归 | 第36-41页 |
| 4.2.1 贝叶斯Lasso分位数回归 | 第36-38页 |
| 4.2.2 似然函数的计算方法 | 第38页 |
| 4.2.3 模型和抽样方法 | 第38-41页 |
| 4.3 数值模拟 | 第41-43页 |
| 4.4 本章小结 | 第43-45页 |
| 5 我国股票净资产收益率影响因素模型分析 | 第45-49页 |
| 5.1 引言 | 第45页 |
| 5.2 股票收益率影响因素研究 | 第45-46页 |
| 5.3 模型及预测 | 第46-47页 |
| 5.4 本章小结 | 第47-49页 |
| 6 总结与展望 | 第49-51页 |
| 6.1 本文主要结论 | 第49页 |
| 6.2 下一步的工作 | 第49-51页 |
| 参考文献 | 第51-57页 |
| 作者攻读学位期间发表学术论文清单 | 第57-58页 |
| 致谢 | 第58页 |