基于互联网搜索指数的多因素集成下人民币汇率预测

针对人民币短期汇率预测问题,构建了基于互联网大数据信息的互联网搜索指数,改进了人民币汇率短期预测CAR模型.首先,基于涵盖丰富信息的互联罔大数据,构建了反映大众关于汇率波动观点、情绪及预期的互联网搜索指数,并运用热最优路径(TOP)方法、去趋势交叉相关分析(DCCA)方法对指数的有效性进行了检验,结果表明该指数可以有效地表征出大众情绪和预期的变化.进一步地,利用所编制的互联网搜索指数对人民币汇率的短期预测模型进行改进,构建了融合互联网搜索指数的CAR模型.实证结果表明,融合互联网搜索指数的人民币汇率短期CAR预测模型可以有效提升短期汇率的预测精度.     

人口增长的综合预测分析

人口增长的长期波动过程既带有趋势波动成分,又带有周期波动成分,同时还带有随机波动成分,因而根据趋势波动分析、周期波动分析和随机波动分析综合集成的方法来预测人口增长是可行的,提出的综合预测模型的拟合误差比单一模型计算的误差小,预测结果比较好,是人口增长预测的一条比较有效的途径.     

粮食生产的综合预测分析

粮食产量的长期波过过程既带有周期波动成分,又带有随机波动成分,因而根据周期波动分析和随机波动分析综合集成的方法来预测粮食产量是可行的,提出的综合预测模型的拟合误差比单一模型计算的误差小,预测效果比较好,是粮食产量预测的一条比较有效的途径。     

人民币汇率的半参数预测模型

利用从2006年1月4日到2008年7月18日人民币对美元汇率中间价的日均数据, 同时运用非参数函数系数模型和GARCH模型来分析人民币对美元汇率收益率与波动率的非线性时间序列特征. 实证结果表明, 半参数组合模型具有较好的拟合以及预测效果, 而且汇率管制政策变动的虚拟变量的估计 系数显著不为0. 跨度为50天的样本外预测显示: 96%的收益率真实值都落在2.5%以及97.5%的非参数分位 数回归预测线区间之内; 参数GARCH(1,1)模型拟合的波动率所显示出的汇率震荡与实际情况一致.     

Hull-White模型和二叉树模型在预测油价及油价波动风险上的应用

油价的预测向来是一项具有重要意义而又艰巨的课题. 利用Hull-White模型对油价波动进行预测是一种有意义的尝试, 在尝试过程中, 发现其在实际应用中的缺陷, 之后利用二叉树模型对Hull-White模型做了改进, 并以1986年1月3日至2010年2月12日共一千两百多周的周油价数据作为参考值, 用定量的方法分析了改进模型的应用, 从结果可以看出, Hull-White模型和改进模型都能够有效预测油价的波动范围, 但是, 改进模型在预测油价波动范围上与原先的Hull-White模型相比有更好的效果, 并且具有优势.     

基于Markov机制转换模型的我国股市周期波动状态研究

运用Markov机制转换模型,研究我国股市在不同状态之间的周期转换.研究结果表明, 四状态异方差马尔科夫机制转换模型最能刻画我国股市周期波动特征; 1996年12月26日-2010 年 12月 31日涨跌停板限制下, 股票价格的变动可以分为快速下跌、缓慢下跌、缓慢上涨和快速上涨四种状态;我国股市总体上体现出急涨慢跌的态势, 缓慢下跌是其主要波动状态;股市阶段性波动大体上分为波动较大和波动较小两种期间.     

广义动态因子模型在景气指数构建中的应用——中国金融周期景气分析

传统的景气指数构建方法,例如广为应用的OECD合成指数方法,不能刻画动态性及指标间的关系,而只能构建单一景气指数.广义动态因子模型方法,不仅可以反映经济系统的动态联系,而且可以在一个统一的框架下同时构建多个景气指数.然而,该模型引入对称滤子导致实时分析存在滞后性.该文首先对算法在样本尾端进行单边化处理,解决实时分析的问题;其次,应用广义动态因子模型,在统一的模型框架下,同时分析中国的货币、信贷、利率等子周期,在此基础上构建了中国的金融周期景气指数,分析中国金融周期的波动及其与重要宏观经济指标间的动态关系.     

金融危机背景下的人民币汇率预测

在为金融危机期间人民币汇率的波动提供一种有效的预测方法.在利用替代数据方法检验和判别汇率系统具有非线性结构的基础上,识别了各具体汇率序列的最优滞后期组合,并分别采用了多层感知机(MLP)和层反馈网络(RNN2)结构构建同质神经网络模型,从三个方面对比分析了模型群在不同参数条件下的预测效果. 研究发现,根据不同序列的具体特征,各神经网络模型在不同自由度下的4个预测期限内的预测性能存在较明显的差异.同时,包含层反馈过程的RNN2模型在描述与预测人民币汇率的波动方面表现出很强的能力.此外, 还分析并解释了产生上述结果的原因,并为4种人民币汇率波动序列甄选出了相应的最优预测模型.     

基于TVS-MHAR模型金融市场高频多元波动率的预测

本文基于Kalli和Griffin(2011)的时变稀疏模型和多元HAR模型,构建了具有时变稀疏性的多元HAR模型(TVS-MHAR),并利用中国上证综指、沪深300期货和国债期货的五分钟高频数据,对金融市场的已实现波动率矩阵进行预测.本文通过Cholesky转换方法保证预测波动率矩阵的正定性.通过对不同多元波动率模型的预测结果进行数值比较和经济比较,本文发现,本文构建的TVS-MHAR模型无论对于短期预测、中期预测还是长期预测都具有最高的预测精度和最大的投资改善.同时,时变多元波动率模型可以获得比固定参数模型更好的预测效果,高频数据模型比低频数据模型获得更大的投资改善.     

含时间周期项的离散灰色DGM(1,1,T)模型及其应用

针对系统行为序列的周期性波动特征，将三角函数引入离散灰色预测模型，提出含时间周期项的离散灰色DGM（1，1，T）模型，其还原公式可表示为三角函数和指数函数的耦合形式，从而表明该模型适用于既存在周期性又具有趋势性的复合型序列.基于最小二乘思想，将DGM（1，1，T）模型的参数估计转化为非线性优化问题，并提出PSO-LM混合算法进行数值求解；通过数值实验对模型的适用范围和参数估计方法的有效性进行验证；最后将该模型应用于河南省安阳市、洛阳市、许昌市和商丘市的农业干旱预测，结果表明2019年四个地市的土壤湿度将呈现出下降态势.