神經網路回歸
神經網路回歸（Quantile RegressionNeural Network ,QRNN,QRNN）由Taylor於2000年提出，是一種非參數非線性方法，結合了神經網路和回歸兩方面的優勢，具有強大的功能，不僅可以揭示回響變數的整個條件分布，還可以模擬金融系統的非線性特徵 。
神經網路回歸模型的研究現狀
Taylor於2000年首次提出了神經網路回歸模型，一方面將回歸套用到金融資產收益率分析，避免了對金融資產收益率條件分布的假設，另一方面使用神經網路結構估計潛在的非線性模型。Taylor選取了德國馬克兌美元匯率和日元兌美元匯率的日對數收益率作為研究對象，實證比較了神經網路回歸模型與GARCH模型在多期VaR風險測度中的表現。結果表明，神經網路回歸模型提高了多期VaR風險測度的精度。
近年來，一些國內外學者對神經網路回歸模型開展研究，不斷擴展其套用領域，取得了較好的研究成果。
在金融領域研究方面，Feng等將神經網路回歸模型套用於信用組合投資決策問題，蒙特卡羅數值模擬和信用組合投資數據的實證分析表明，神經網路回歸模型在異常值數據的擬合方面比局部線性回歸和樣條回歸更具有穩健性。許啟發等使用神經網路回歸模型測度上證綜合指數的VaR風險，並與傳統的VaR風險測度方法進行了實證比較，實證結果表明，基於神經網路回歸模型的VaR風險測度方法，在樣本內與樣本外都取得了較好的實證效果。
在非金融領域研究方面，Cannon等介紹了在程式語言民中實施神經網路回歸模型的軟體包qrnn，指出神經網路回歸模型為混合離散連續變數，如降雨量、風速、污染物濃度等提供了一種非線性、非參數的回歸方法，並套用神經網路回歸模型對降雨量進行了預測，實證研究表明，神經網路回歸模型在降雨量預測中的表現優於回歸。何耀耀等針對電力系統短期負荷預測問題，提出了基於神經網路回歸模型的機率密度預測方法，實現對未來電力負荷完整機率分布的預測，並對中國某市的電力負荷實際數據進行機率密度預測，結果表明，基於神經網路回歸模型的機率密度預測方法能夠獲得短期負荷完整的機率密度函式結果。何耀耀等還將神經網路回歸模型套用於中期電力負荷機率密度預測，研究在不同分位點上溫度和歷史負荷對中期電力負荷分布規律的影響，並實證比較了在考慮溫度因素下和不考慮溫度因素下的條件機率密度預測曲線及峰值對應的點預測值，結果表明，預測當天溫度對中期負荷預測有較重要的影響，為降低中期電力負荷預測的不確定因素提供了更多的決策信息和預測結果。Yeh使用神經網路回歸模型估計高性能海凝上抗壓強度的分布，並指出估計高性能混凝王抗壓強度分布的能力是神經網路回歸模型的一個重要優勢，實證研究表明，神經網路回歸模型可建立準確的估計模型，可對高性能混凝土抗壓強度的分布進行估計，此外，對數常態分配比常態分配更適合擬合高性能混凝土抗壓強度分布 。
