中国股票市场随机贝塔的估计

通过使用贝叶斯方法,在中国股票市场估计了Jostova与Philipov的SBETA模型.该模型假设投资组合的贝塔系数变化满足一个均值回归随机过程.通过使用马尔科夫链蒙特卡罗算法对中国股票市场部分行业及部分股票2000-06～2005-05的贝塔系数进行估计,发现中国股票市场投资组合的贝塔系数存在随机波动的现象,但是贝塔系数在发生改变以后,会立刻回到长期均值的水平.中国股票市场中股票的贝塔系数可以表示成为一个贝塔系数的长期均值加上一个随机"噪声"的形式.贝塔系数的长期均值可以作为对未来贝塔系数的预测.     

基于β—域的证券投资风险弱化策略

本文运用资本资产定价ＣＡＰＭ模型的β－系数风险测度原理，对沪市４００余只股票（基金）的投资风险敏感度进行了定位，并依据β值大小和性质划分证券组合区域，提出了基于β－域的系统风险和非系统风险弱化的策略，投资组合的灵活性和有效性有望得的进一步的改善。     

基于时变Copula的VaR估计

针对股票收益的相关性会随市场波动而发生变化，本文考虑用条件时变相关模式的Copula模型来估计组合风险值，利用上证、深证指数组合进行实证研究，并与固定相关模式下的Copula模型进行比较，结果表明；相对于常相关模式，条件时变相关模式具有较好的表现。     

基于改进Theil不等系数的导弹备件消耗预测

针对传统备件消耗预测模型在组合赋权方面存在的缺陷,提出了一种基于改进Theil不等系数的诱导有序加权调和平均（induced ordered weighted harmonic averaging, IOWHA）算子和马尔科夫链（Markov chain, MC）的导弹备件消耗预测模型。首先运用最小二乘法、数据变换技术和加权理论对单项预测模型进行改进;然后建立基于Theil不等系数的IOWHA算子组合预测模型;提出利用MC定性推导出组合模型中各单项预测模型在待预测时点上的预测精度状态,进而应用遗传算法（genetic algorithm, GA）求解得到待预测时点上的组合模型权系数。实例结果表明,所提出的组合预测模型大大降低了预测误差。     

我国证券市场行业收益三因素模型的实证研究

Fama-French三因素模型比资本资产定价模型更好地描述了股票收益率横截面数据的变动,采用最新的股票数据(2000.01～2003.12)并运用Fama-French的三因素模型对每个行业的平均回报率进行了检验。论证了行业收益的三因素模型在我国证券市场上是成立的,同时检验了我国证券市场上每个行业是否有“月度效应”现象。实证结果为风险预算过程中的战略风险预算和风险控制提供了可靠依据,同时为投资组合选择、预测、决策及其业绩评价提供了一定的依据。     

中国股市横截面收益特征与投资者情绪的实证研究

以中国股市1998年5月至2007年4月交易数据为研究样本，对股票横截面收益特征进行实证分析，结果显示，贝塔系数与股票预期收益间关系与理论相反，而股票市值、账面市值比等指标亦可以预测股票预期收益，且这种关系具有阶段性特征。应用非预期投资者开户增长率作为投资者情绪指数，对投资者情绪波动与特征组合收益进行回归分析，证实投资者情绪波动是导致上述现象的主要原因。     

中国证券多因素及三因素定价模型实证研究

提出股票定价的包括宏观经济变量、微观经济变量、市场变量的多因素以及内在价值、技术因素、流动性的三因素资产定价模型,并对中国股市进行实证,发现市场指数回报率对股票的收益率的影响具有决定性的影响,市场指数回报率β系数显著为正,而且其系数变化的区间为0.41至0.53之间,说明市场指数对股票的收益率的解释力达到41%至53%之间,平均为50%.每股盈余增长对股价的影响为最大,每股盈余增长系数估计值显著为正,接近于1,表明每股盈余增长对股票收益呈现出正的影响,即每股盈余增长一个百分点,年预期收益平均增加一个百分点.而GDP增长、货币供应量增长、存款利率增长、通货膨胀率、存款增长、贷款增长等,其系数估计值显著为负,表明股票收益率为我国宏观经济变量的减函数.实证结果显示:多因素模型能有效地找出股票定价的关键因素,而三因素模型能够对资产价格主要因素进行定价.     

调和平均组合预测方法的进一步研究

对调和平均组合预测两种不同的组合权系数估计方法，通过大量的仿真预测实例进行了对比分析，得到了明确的结论，为调和平均组合预测方法的正确应用奠定了基础。     

罕见灾难风险与中国股权溢价

本文计算了我国1996-2014年平均股权溢价,并通过基于传统效用函数及广义预期效用函数的资产定价模型计算的相对风险规避系数、GMM估计方法及H-J最小方差界验证了我国的确存在股权溢价之谜,以此构建灾难风险模型对我国股权溢价之谜进行解释,结论包括:1)我国1996-2014平均股权溢价为8.64%,股票收益波动性较大;2)我国的确存在股权溢价之谜,仅考虑广义期望效用函数无法合理解释我国股权溢价之谜;3)时变灾难模型可以较好地解释我国股权溢价之谜,尤其股市熊市模型更能体现灾难对投资者行为的影响从而影响资产价格风险溢价;4)我国股票收益率波动较大,而股息增长率波动较小,本文验证了灾难视角下股利价格比可以有效预测股票超额收益,为今后投资决策提供稳定科学指标和研究框架.     

有交易成本的证券投资研究

在分析Markowitz组合证券投资模型的基础上，讨论了交易成本及β系数在组合投资中的重要性，建立了有交易成本，并考虑投资人风险偏好的组合证券投资模型和β系数风险的证券投资模型，给出最优投资策略和投资的有效边界，讨论了交易成本及风险偏好对投资策略的影响．最后，通过释例进行了说明．     

Profit Guided or Statistical Error Guided? A Study of Stock Index Forecasting Using Support Vector Regression

Stock index forecasting has been one of the most widely investigated topics in the field of financial forecasting. Related studies typically advocate for tuning the parameters of forecasting models by minimizing learning errors measured using statistical metrics such as the mean squared error or mean absolute percentage error. The authors argue that statistical metrics used to guide parameter tuning of forecasting models may not be meaningful, given the fact that the ultimate goal of forecasting is to facilitate investment decisions with expected profits in the future. The authors therefore introduce the Sharpe ratio into the process of model building and take it as the profit metric to guide parameter tuning rather than using the commonly adopted statistical metrics. The authors consider three widely used trading strategies, which include a na¨?ve strategy, a filter strategy and a dual moving average strategy, as investment scenarios. To verify the effectiveness of the proposed profit guided approach, the authors carry out simulation experiments using three global mainstream stock market indices. The results show that profit guided forecasting models are competitive, and in many cases produce significantly better performances than statistical error guided models. This implies thatprofit guided stock index forecasting is a worthwhile alternative over traditional stock index forecasting practices.     

Modelling of a Class of Nonstationary Time Series with Kalman Filter Using Moving Window

In this paper a method for modelling and forecasting of a class of nonstationary time series with Kalmnan filter using moving window is proposed. The procedure of the method is as follows: in terms of parameter estimation during recursive process by using LSM, the state space equation is constructed, then the Kahnan filter using moving window is made to get the data with reduced level of observation noise. Finally, the precise parameter estimation can be obtained by using the LSM again. The algorithm is carried on recursively. Good results for estimating and forecasting are shown by simulation, examples. The algorithm of Kalman filter using moving window proposed by us is introduced in this paper, which can guarantee the precision and convergence of Kalman filter.     

灰色GMP(1,1,N)模型及其在冰凌灾害风险预测中的应用

在加权最小二乘框架下构建了含时间多项式项的灰色GMP(1,1,N)模型,该模型既适用于小样本单调序列又适用于波动序列,论证了均方误差最小准则、均方相对误差最小准则与平均绝对百分误差最小准则下的GM(1,1)、NGM(1,1,k)和GM(1,1,t~α)模型均是GMP(1,1,N)模型的特殊形式,将GMP(1,1,N)模型应用于黄河宁蒙河段冰凌灾害风险预测,结果表明2015-2016年的风险预测结果符合实际情况,模型能够识别风险波动变化规律.为不同准则下灰色预测新模型的构建提供了新思路,具有重要的理论意义和工程应用前景.     

基于 SVR 的期权价格预测模型

提出了运用非参数方法SVR与改进的期权定价方法结合的期权价格预测模型.首先利用股票价格收益率的偏度和峰度对传统的期权定价方法计算出期权的价格进行修正.然后,通过引入非参数方法SVR对其结果进行拟合来减小传统参数模型的误差,并建立SVR滑动窗口预测模型.由于传统的方法不能有效的把握实际期权价格的运动趋势和非线性的特点,所以在第一阶段的预测后, 在第二阶段引入SVR来解决其非线性,进而减小误差. 最后,利用我国长虹CWB1权证以及随机10只认购权证日价格数据进行实证检验.结果表明: 在预测精度方面, 非参数方法要优于传统的参数方法,而改进后的期权定价方法比传统的方法更符合实际情况.     

基于水声通信延迟的多UUV协同定位算法

针对多水下自治机器人(unmanned underwater vehicle, UUV)协同定位过程中水声通信延迟造成的定位失效问题,提出了一种基于状态估计均方误差最小的延时扩展卡尔曼滤波(delayed extended Kalman filter, DEKF)定位误差修正方法。首先建立考虑水声通信延迟的系统状态方程,利用状态转移矩阵推导系统等效量测方程,然后给出多UUV 考虑水声通信延迟的扩展卡尔曼滤波(extended Kalman filter, EKF)定位方法并分析其不足;最后在EKF方法的基础上,分析量测信息延迟对状态估计的影响,建立系统真实量测模型,设计基于状态估计均方误差最小的DEKF 算法。仿真结果表明,该方法能够有效地修正多UUV 协同定位中由于水声通信延迟造成的定位误差,在工程实践中具有一定参考意义。     

基于多智能体导航的高超飞行器信息融合方法

精确导航技术是高超飞行器(hypersonic vehicle, HV)充分发挥威力的关键所在。然而,高马赫数和强机动性致使HV的导航系统误差及其观测噪声无法准确描述,制约着导航信息的精确性和实时性。为及时获取高精度导航信息,设计基于集员框架的卡尔曼滤波算法。一方面采用多智能体分布式协同探测,形成观测椭球交叉集合,提高了观测效率和测量精度;另一方面,通过设计两类噪声模型,求其与状态估值的最小均方误差,实现滤波增益的计算,提高算法对噪声的抗扰动能力,使状态估值达到均方误差最小。通过数字仿真,将设计方法应用到HV导航模型中,并与扩展卡尔曼滤波和集员滤波的状态估值进行比较,结果表明,提出算法在不同噪声影响下具有更高的估计精度。研究成果将为HV实现实时精确导航提供技术支持,并具有重要的理论意义和应用价值。     

CRUDE OIL PRICE FORECASTING WITH TEI@I METHODOLOGY

The difficulty in crude oil price forecasting, due to inherent complexity, has attracted much attention of academic researchers and business practitioners. Various methods have been tried to solve the problem of forecasting crude oil prices. However, all of the existing models of prediction can not meet practical needs. Very recently, Wang and Yu proposed a new methodology for handling complex systems-TEI@I methodology by means of a systematic integration of text mining, econometrics and intelligent techniques.Within the framework of TEI@I methodology, econometrical models are used to model the linear components of crude oil price time series (i.e., main trends) while nonlinear components of crude oil price time series (i.e., error terms) are modelled by using artificial neural network (ANN) models. In addition, the impact of irregular and infrequent future events on crude oil price is explored using web-based text mining (WTM) and rule-based expert systems (RES) techniques. Thus, a fully novel nonlinear integrated forecasting approach with error correction and judgmental adjustment is formulated to improve prediction performance within the framework of the TEI@I methodology. The proposed methodology and the novel forecasting approach are illustrated via an example.     

多属性群体决策的水文预报择优及组合方法

针对水文预报在参数受限条件下精度不高的问题,提出一种基于多属性群体决策的水文预报择优及组合方法.该方法首先建立预报正确率、确定性系数、合格区间、发生可能性四个决策属性;然后依靠理想模型给出属性权值的确定方法,并采用OWG和OWGA加以集结;最终基于评测值的序关系构成与实测值更为接近的预报区间.实验表明:该方法能够从多种预报方案中选择出相对误差较小的预报值,并形成一种高精度的组合预报模型,将预报提升一个等级.     

基于波动率测量误差的波动率预测模型

本文研究了一种基于波动率测量误差的波动率预测模型,并做了非线性扩展,期望改进预测效果.考虑到文献中关于波动率可能长记忆性和非线性并存的观点,本文以具有长记忆特征的HAR(heterogeneous autoregressive)模型为基础,加入波动率测量误差后模型持续性有所提高,结合非线性的时变参数模型则达到结构变化和减弱异方差的效果.本文用2652天的沪深300高频数据计算的已实现极差波动率来验证模型效果.固定参数下,在HAR型模型中加入测量误差作为调节变量可以较显著地改善样本外预测效果.时变参数下,加入测量误差的HARQ型模型预测效果大多优于对应的HAR型模型.时变参数模型总体上可以改善固定参数模型的预测效果,尤其在预测期较长的情况下改善均是显著的.     

Monte Carlo likelihood estimation of mixed-effects state space models with application to HIV dynamics

The statistical inference for generalized mixed-effects state space models (MESSM) are investigated when the random effects are unknown. Two filtering algorithms are designed both of which are based on mixture Kalman filter. These algorithms are particularly useful when the longitudinal measurements are sparse. The authors also propose a globally convergent algorithm for parameter estimation of MESSM which can be used to locate the initial value of parameters for local while more efficient algorithms. Simulation examples are carried out which validate the efficacy of the proposed approaches. A data set from the clinical trial is investigated and a smaller mean square error is achieved compared to the existing results in literatures.