疫情背景下全球股市网络的抗毁性及预警研究

来源 :复杂系统与复杂性科学 | 被引量 : 0次 | 上传用户:jonnyyu
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
为研究新冠肺炎疫情对全球经济造成的影响,采用最小生成树法和阈值法相结合的方式构建了疫情爆发前、中国国内疫情爆发和全球疫情蔓延3个时期的全球重要股指的关联网络.通过比较3个阶段的网络拓扑结构、抗毁性和节点重要性,发现疫情使得全球股市之间的联动效应显著增强;全球股票关联网络具有明显的小世界特性,节点的介数服从幂律分布;网络攻击仿真实验中,蓄意攻击比随机攻击更具破坏性,且3个时期的全球股票网络的稳健性依次增强;疫情前后股票的重要性排序发生了明显的变化,中国内地和中国香港在此次疫情中率先遭受了巨大的冲击,但随后很快调整过来,欧美地区则在全球疫情加重后才受到波及.此外,将累积和控制图应用于股价的预警也得到了很好的效果.
其他文献
现有的节点影响力度量方法侧重于考虑邻居节点的信息,忽略了节点间拓扑结构的差异.针对此问题,提出一种基于网络结构特征的节点影响力度量算法.首先,引入隐藏于网络背后的有效距离,从两个角度分别度量节点的重要性.其次,为克服角度融合时主观因素的影响,借助多属性决策理论中的VIKOR方法计算复杂网络中节点的影响力,并进行排序.在6个真实网络上,通过SIR模型进行数值仿真实验,与其他中心性算法进行排名区分度、准确性比较.实验结果表明,所提方法不仅可以得到更准确的排序结果,而且有效减少了相同排序节点的出现频率.
提出了一种基于改进SOLOv2的服装图像分割算法,以解决因小目标以及遮挡引起的服装图像分割准确率低的问题.以SOLOv2为基础模型,优化掩膜特征分支中对多层特征的融合方式,从深至浅逐层融合特征信息;上采样过程中选用M ish激活函数,在提高模型泛化能力与收敛速度的同时,强化模型对图像中小目标服装特征的提取能力;引入影响因子优化损失函数,根据遮挡程度自适应调整损失函数的权重,减少遮挡问题对服装图像分割带来的影响.实验结果表明:与原SOLOv2模型相比,提出的方法平均预测精度值提高了3.2%.改进后的分割算法