非参数回归

非参数回归模型在金融领域的应用真的蛮有意思的，尤其是在时间序列数据时。嗯，你知道传统的回归模型一般都得预设数据的分布形式，可是金融市场的数据常常比较复杂，完全不符合这些假设。非参数回归模型可就不一样了，它不要求你预设分布，反而能更灵活地捕捉数据之间的关系，效果挺不错的。比如，核回归和 LOWESS 这两种方法，都可以在金融时间序列中发挥重要作用。 如果你在股市收益率，尤其是像上证综指这样复杂的数据，非参数回归方法能给你带来更准确的预测结果。两者对比，核回归的效果往往更好，但在边界处会有些小波动，LOWESS 相对更稳健。所以，选择哪种方法，得看具体情况。不过，值得注意的是，金融市场数据的随机性

这是一段包含Matlab代码的分位数回归分析，代码完备且有详细注释，还显示了运行时间。

EstimHidden是一个专门用于非参数估计的包，适用于以下情况：1. 在观察到Z=X+noise1的卷积模型中估计X的密度；2. 在“变量误差”模型中估计函数b（漂移）和s^2（波动率），其中Z和Y遵循观察模型Z=X+noise1和Y=b(X)+s(X)noise2；3. 在随机波动率模型中估计函数b（漂移）和s^2（波动率），其中Z遵循观察模型Z=X+noise1，并且X_{i+1} = b(X_i) + s(X_i)noise2。对于噪声1的密度，我们考虑高斯（'正常'）、拉普拉斯（'symexp'）和log（Chi2）（'logchi2'）三种情况。

随着金融科技的发展，QR分位数回归方法在数据分析中日益突出。

beta 分布的概率密度的 Matlab 代码，用起来还挺顺手的，尤其是你在做分位数回归或者标量回归的时候，一些统计建模问题就方便。代码结构比较清晰，变量命名也还算规范，拿来改改就能直接上手。 强烈推荐你看一下作者的数据部分，整理得蛮全面。用的是TCGA 影像和cBioPortal 的临床数据，搞影像组学或机器学习建模的朋友应该会喜欢。而且都是现成的数据集，直接下载、跑代码都没问题。 顺便一提，里面用到了Beta 分布来建模图像强度的变化，再结合一些临床变量做关联。这一套流程做科研用合适，尤其你要发 paper 时，参考价值挺大。 建议你搭配一起看：Beta 分布概率密度函数的代码，还有Mat

分析了现有的精确数输入和区间数输出回归算法存在的问题，并提出了基于支持向量机的区间数回归建模方法。该方法将支持向量机从精确数回归推广到区间数回归建模，展示出在小样本训练集下良好的泛化性能，有效避免了现有算法中可能出现的下界大于上界的问题。以连续退火生产过程中冷却段出口带钢温度预测为例，仿真结果表明该算法的有效性。

利用四参数逻辑回归模型拟合数据点或进行数据插值。

非参数拟合是一种通过数据点生成平滑曲线而不涉及具体参数的方法。它包括插值法和平滑样条内插法，适用于那些不需要详细参数解释的情况。在Matlab中，非参数拟合技术能够有效处理数据曲线的平滑化需求。

非参数估计的可转债，嗯，这个资源挺有料的。文章是 2007 年的，虽然不新，但讲得还挺实在。用了核密度估计这招，专门可转债的价值——比如像华菱转债这种带转股条款的，估值起来真不容易。作者不是靠传统金融模型那一套，而是走了统计这条路，看得出来还挺注重实证。你要是做前端的，刚好对金融数据可视化感兴趣，这篇值得一看，数据+方法一应俱全。

此代码执行双尾 Cox-Stuart 检验的一种版本，用于检验向量 V 中是否存在趋势。该检验的零假设是 V 中不存在趋势。检验结果在 H 中返回，其中 H = 1 表示在 alpha 显著性水平上拒绝原假设，H = 0 表示未能在 alpha 显著性水平上拒绝原假设。