基于非参数波动测度的上海股票市场异质性研究

利用非参数波动测度——已实现波动和已实现极差波动研究了上海股票市场的异质性现象,发现上海股票市场收益波动率的长记忆性主要是由短期交易者和长期交易者决定,并且已实现极差波动测度对股票收益波动的预测效果要好于已实现波动测度.     

线性神经网络模型在新上证综指的预测

利用线性神经网络模型对"新上证综指(000017)"进行拟合预测,选取从"新上证综指"开始发行月份(2006年1月)开始到2011年6月的月度数据,共计66个,用前62个做训练组,最后4个数据做预测组,通过比较不同滞后窗口模型的误差平方和,选择适当的窗口数为最优模型,为了提高模拟的效果,对模型的初始数据进行优化,然后进行预测分析;结果显示,拟合效果很好,除6月份股市波动稍大,其他月份拟合误差不到3%,阐释了股票市场的短期可预测性。     

基于小波已实现波动的动态风险价值研究

【目的】对股票市场的 VaR 动态风险价值进行研究。【方法】采用小波多分辨技术将高频已实现波动率分解为近似信号和细节信号,建立 MRA-RV-ARFIMAGARCH-VaR 类模型,分别在 1~2d 、 2~4d 、 4~8d 和 8~16d 的尺度下进行动态风险价值度量。【结果】实证表明该模型能很好地捕捉到市场的信息,对风险预测效果较好。【结论】经过多分辨分解后的信号能有效地捕捉到不同时间尺度上的波动信息,近似信号能很好的反应波动的变化趋势,资产波动对短期交易反应敏感,不同时间尺度拟合的 VaR 比低频 GARCH 类模型效果更好。
     

深市股指波动性的实证研究

运用GARCH类模型对我国深市的两个股指日收益率的波动性进行研究,主要回答了中国股票市场是否存在GARCH效应,对于所选的两个股指的波动率,最适合的GARCH模型是什么2个问题。计算结果显示,对深证综指日收益率的波动而言,EGARCH-M(1,1)模型的拟合效果较好,而GARCH-M(1,1)则能较好地拟合深证成指日收益率的波动。同时,还对这两个股指日收益率的波动率进行了预测。     

上海证券交易所Ａ股市场的波动性分析

运用主要的三种条件异方差模型：ARCH、GARCH、EGARCH模型，对上海证券交易所A股指数的波动性进行拟合，分析模型对上证A股指数收益的波动性、杠杆效应的拟合情况，比较不 同模型对未来波动性的预测情况。实证分析结果表明：EGARCH模型比较适合对我国股票市场 波动性作长期预测，若假设收益序列服从t分布，由此改进的EGARCH-T模型会得到比正态分 布下更好的拟合与预测效果。     

考虑异质交易者的流通受限资产定价模型

将交易者的异质性假定与流通权定价模型相结合,建立了考虑异质交易者的流通受限资产定价模型,指出交易者异质性所导致的风险定价差异不仅直接影响资产的基础定价,而且还通过影响资产所附加流通权的定价,间接影响流通受限资产的折价率.结果表明,随着流通受限资产交易者与非受限资产交易者之间风险定价差异的增加,流通受限资产折价率增大;同时,资产价格的波动率和限售期也将对流通受限资产的折价率产生正向影响.     

波动方程预测误差的统计分析与Gauss过程建模

为了提高预测复杂波动过程的能力,结合物理模型和统计方法建立了"波动方程-Gauss过程"模型。通过误差分析,波动方程的理论预测与实际数据的差值被分解为3个部分,并拟合为Gauss过程模型:外力和初边值条件偏移带来的误差拟合为正交预测因子的线性叠加;模型假设不成立、数值解收敛性等因素导致的误差拟合为Gauss过程项;测量误差拟合为白噪声。"波动方程-Gauss过程"模型的预测因子是波动过程的基函数组,作为波动的本征特性不受外界影响,体现了波动的物理机理。基于实验数据的预测效果检验说明模型的基函数组和Gauss过程项都显著提高了预测波动过程的能力。     

基于时间序列模型的股票价格波动特性分析

股票市场的波动率问题一直是现代投资学研究的关键问题,是国家监管机构最关注的风险指标。选取股票交易系统中2015—2016年股票东阿阿胶(000423)日收盘价数据,分别从序列水平特征和波动特性2个角度,运用ARIMA模型和GARCH模型,进行股票的短期预测和波动性拟合。结果显示:ARIMA模型对深交所股票东阿阿胶日收盘价的短期预测值与实际值相对误差小,GARCH模型较好地拟合了股票价格,并估计出了风险区间,能为短期投资者和股票决策者提供参考。     

多资产波动序列日内共同周期结构研究?

利用灵活傅里叶变换回归(FFF)方法对中国股票市场多资产波动序列建立日内周期模型,并利用典型相关的假设检验和多元信息准则来确定波动序列共同周期成分的数目和周期元素的数目.实证分析表明:1)通过对中国上证8只银行股票146d的5min数据分析,发现有3个共同周期成分可以描述日内波动,并且利用共同周期成分预测未来波动优于时间序列模型的预测效果;2)通过对不同抽样尺寸下的对比研究发现,5min抽样频率的波动序列更适合用降秩方法来确定共同周期成分.     

桩极限承载力的Usher模型预测

为深化对桩承载性能的认识,选用生物领域的Usher生长曲线模型,对桩的桩顶荷载-桩顶沉降曲线(即Q-s曲线)进行拟合,并对其极限承载力进行预测.给出了Usher模型的建立与求解,并用于分析3根试桩(包括2根灌注桩、1根钢管桩)的实测资料.结果表明:Usher模型对3种类型的Q-s曲线有高的拟合精度;该模型拟合效果优于双曲线模型,特别是在曲线的末端;利用这些拟合方程式能对3种桩的极限承载力进行预测.     

上证指数收益率波动的实证分析——基于ARCH族模型

利用ARCH族模型对上证指数股票收益率进行定量与定性分析,表明上证指数日收益率存在高阶的ARCH效应,条件方差对日收益率有很强的影响,其中EGARCH模型在反映股市波动性方面优于其他模型.     

ARCH族模型对沪市综合指数的实证分析

本文选取沪市股价综合日指数(1999/01/01～2002/12/30)作为样本,根据有效市场理论,利用股指的随机游走过程对上海股市的有效性进行检验,建立ARCH模型验证上海股市的可预测性.实证结果发现,上海股市具有杠杆效应、波动集群性和波动持续性.     

基于ARCH类模型对沪市波动性的实证研究

在对股票市场的研究中,波动性一直是比较重要的一方面,利用ARCH类模型对上证综指日收益率进行分析,得出上证综指具有集聚性和长期记忆性。     

基于金融微博情感与传播效果的股票价格预测

目前对微博情绪与金融预测之间关系的研究多数停留于诸如模式识别、语义分析、情感挖掘等文本挖掘技术,而较少研究微博情感传递过程。以金融微博文本情感挖掘和语义分析为基础,对相关的股票价格曲线进行拟合预测分析,包括对微博信息转播模型的研究和对微博情绪预测模型的研究。首先通过分析微博转播过程中的多个因素,包括转发情绪吸收、微博内容影响力、微博作者影响力、微博发布时间等,对模型自身进行拟合效果优化。其次,针对认证和非认证用户分类分析,并加入了转发次数的对其的再度影响,发现不同类型不同转发的用户对于股市曲线的影响滞后期不同。最后,在针对股市曲线变化的不同时期,对模型的拟合效果进行分析。给定金融市场某一特定关键词,采集了500,000多条金融微博及其相关用户信息。实验结果表明,新集成模型表现强于简单神经网络模型,而且是否为认证用户以及微博转发次数对微博滞后期的影响有所不同。此外,新模型的拟合效果,在股市上升期模型的拟合效果最好,下降期次之,平稳振荡期效果最差。     

对上海股票市场波动性的ARCH研究

在分析上海股市收益波动特征的基础上，利用多种形式的ARCH类模型对上海股市日收益率的波动进行了实证分析，结果表明上海股市具有较为明显的ARCH效应．     

我国汇改后汇率波动的实证研究

本文通过ARCH族模型来对人民币/美元汇率收益率进行建模,并分析其波动的杠杆效应和风险溢价效应,结果发现汇改后外汇市场效率有所提高,外汇市场的风险可由过去的风险程度加以预测.由TARCH、EGARCH、EGARCH-M模型的研究显示人民币/美元汇率收益率存在杠杆效应,存在明显的非对称性,还不具备具有的高风险高回报的风险溢价效应特征.     

基于模糊SVM与周期分析的股票预测

基于模糊SVM与周期分析的股票预测方法通过选取曲率变化大、形式简单的幂函数作为候选隶属度函数,并采用格子搜索法寻找最优参数,确定出最优模糊隶属度,同时又结合寻找股票波动的工具：市场周期分析法．仿真实验表明：在利用模糊SVM训练时间序列数据集时,该方法比目前常用的选择模糊隶属度、以及单独用最优模糊隶属度方法的效果都好．     

VaR-GARCH模型在我国股指期货风险管理中的应用

国内外预测股指期货合约的市场风险基本以VaR风险评估为主流,计算VaR的核心与关键是估计波动性参数.由于金融资产价格涨跌率时间序列具有波动聚集效应、厚尾效应及时变方差效应,故采用对波动性估计具有精度、准确度和可信度较高的GARCH模型.基于这一点,构建了VaR-GARCH模型,并以恒生股指期货指数做了实证分析,结果表明VaR-GARCH模型可以很好地控制和预测香港恒生指数的股指期货风险.     

居民消费价格指数的ARCH模型及实证分析

本文根据居民消费价格指数时间序列（CPI）数据本身的特点,建立了CPI的自回归模型、一到三阶ARCH模型。比较各个模型参数,得到CPI短期预测最优模型为自回归一阶ARCH模型。预测效果图表明：自回归一阶ARCH模型在预测趋势突变时会有一定的滞后性。     

一种基于小波分析理论的灰色预测方法

提出一种基于小波分析理论的灰色预测方法．该方法通过小波分解将非平稳时间序列分解到多个尺度上以减少序列的随机性，然后建立灰色预测模型对分解后的时间序列分别进行预测，从而得到原始时间序列的预测值．并通过对上证指数的预测，结果表明该方法预测效果良好，优于一般灰色预测方法．