基于无偏灰色-马氏链组合模型的股价研究

通过对股票价格运行特点分析，将这一随机时间序列分解成由灰色模型拟合的趋势变动序列和马尔可夫链，并在对两详细剖析的基础上建立了无偏灰色—马氏链组合模型，以此预测上证综合指数的区间概率分布、平稳分布、均值以及平均涨落时间，检验和实例表明该模型具有较高精度和应用价值．     

分位点门限自回归时间序列模型的贝叶斯方法

本文运用贝叶斯方法研究了门限分位点自回归时间序列模型的估计和预测. 将分位点回归的最优化问题转化为极大似然估计的问题,从而可以利用Metropolis-Hastings算法对模型中的参数进行Bayesian估计. 同时我们将模型应用于上证综合指数的增长率的数据, 得到了这一增长率的分位点估计. 这一方法的优越之处在于它不需要对数据的分布作预先的假定.     

分位点门限自回归时间序列模型的贝叶斯分析

本文运用贝叶斯方法研究了分位点门限自回归时间序列模型的估计和预测.通过将分位点回归的最优化问题转化为极大似然估计的问题,作者利用Metropolis-Hastings算法对模型中的参数进行了贝叶斯估计.同时作者将模型应用于上证综合指数的收益率的数据,得到了这一收益率的分位点估计.这一方法的优越之处在于它不需要对数据的分布作预先的假定.     

资本资产定价模型在中国沪市的应用与检验——基于行业分组方法

资本资产定价模型(CAPM)是学术界关于现代金融理论研究的焦点。CAPM在中国目前资本市场的有效性需要进一步实证研究和检验。本文以30个行业指数和上证综合指数作为研究对象,利用其在2007年10月15日-2015年9月30日的日交易数据进行时间序列和横截面双回归分析,获得各行业在不同时期的β系数,以此较全面地分析各行业的风险收益情况,并且利用平均收益率和β系数之间的线性关系检验CAPM模型的有效性。     

广西GDP的时间序列模型的建立与实证分析

综合运用了判别时间序列平稳性的方法,利用单位根方法检验时间序列的差分阶数;利用自相关函数图和偏相关函数图判别时间序列模型的自回归阶数(AR(p))和滑动平均阶数(MA(q)),建立广西GDP的时间序列模型.再利用TSP软件采用OLS法对时间序列模型进行回归分析与显著性检验,并对通过检验的回归结果进行分析与预测.     

混合周期自回归滑动平均时间序列的平稳性条件

为了描述周期时间序列中的偏倚和多峰现象,结合有限混合模型方法,将周期自回归滑动平均（Periodical Autoregression Moving Average——PARMA）模型推广,提出混合周期自回归滑动平均时间序列（MPARMA）模型,并讨论了MPARMA序列的一阶和二阶平稳性条件。     

上证综合指数波动性的实证分析

以上证综合指数的日收益率为研究对象,建立了基于正态分布的GARcH(1,1)模型,同时考虑到股票收益率受到风险水平的影响,进一步建立GARCH(1,1)-M模型.实证研究结果表明,上证综合指数的收益率具有尖峰厚尾、方差随时间而变化特点与波动集群的现象.在研究样本区间内,GARCH(1,1)模型能较好地拟合上证综合指数收益率的波动性,同时,其期望收益与期望风险存在着正向关系.     

8次降息对证券市场影响的实证分析

通过时间序列法建立单因素模型，应用散点汇总法和回归分析法讨论了8次降息以来利率与上证综合指数之间的关系．实证结论表明：利率涨跌幅度对相邻降息日内上证综合指数涨跌幅度有一定的影响．而利率变动预期与股价指数间存在更强的相关性．当利率连续单向变动时，其对股价波动效应呈递减趋势．     

非平稳和长记忆时间序列主频率估计方法研究

许多经济时间序列表现出非平稳性和长记忆性，对这样的序列进行谱分析并估计其主频率，采用传统的谱分析方法已不适用，基于平稳和非平稳分数阶差分自回归滑动平均模型，研究了具有非平稳性和长记忆性序列的主频率的估计方法，同时提出了包括模型定阶在内的基于极小化残差平方和的近似极大似然参数估计算法。通过对上海和深圳证券交易所综合指数收益序列的分析，说明了此方法的可行性和有效性。     

美元/欧元汇率的趋势与波动分析及区间预测

对美元/欧元汇率进行趋势与波动分析并作出区间预测。利用BP神经网络提取趋势,对残差分别运用自回归移动平均模型和广义自回归条件异方差模型分析波动性,将趋势与波动性结合给出区间预测。对2001年7月至2017年10月美元/欧元汇率的研究发现,BP神经网络具有很好的非线性刻画能力,但只有合适的预测精度才能得出较好的预测区间,同时也发现,广义自回归条件异方差模型对波动性的分析效果优于自回归移动平均模型。因此,BP神经网络模型与广义自回归条件异方差模型的组合模型(BP-GARCH模型)更适合时间序列的中长期区间预测。通过调节BP神经网络的参数、误差及预测精度提高组合模型的精度。     

一种两段解耦Wiener滤波设计新方法

应用现代时间序列分析方法,基于ARMA新息模型和白噪声估值器,提出了一种分离随机偏差两段解耦Wiener滤波新方法,同两段解耦Kalman滤波理论相比,避免了解Riccati方程,实现了完全解耦.仿真例子说明了本算法的有效性.     

基于时序挖掘的时间融合算法及在海表面温度预测中的应用

使用序列挖掘的时间融合模型研究数字海洋中海表面温度(Sea Surface Temperature,SST)预测,对基于时序的动态SST数据进行推测.提出基于平滑处理与支持度判断的抛物线回归模型方法,通过对曲线拐点判断方法的改进,改善抛物线回归模型在趋势预测方面存在的不足.试验证明此方法对发展趋势较为平稳的SST数据具有较好的预测效果.     

多维门限GARCH模型

提出了一个新的多维ARMA-TGARCH(autoregressive moving average-threshold generalized autoregressive conditional heteroskedasticity)模型,研究了这个模型的结构性质和参数估计的渐近性质.首先,给出了该模型存在严平稳和遍历解,以及平稳解存在高阶矩的条件.其次,在二阶矩存在的条件下,证明了参数拟最大似然估计的相合性.最后,给出了参数拟最大似然估计的渐近正态性.     

Dangerous Driving Behavior Recognition and Prevention Using an Autoregressive Time-Series Model

Time headway is an important index used in characterizing dangerous driving behaviors. This research focuses on the decreasing tendency of time headway and investigates its association with crash occurrence. An autoregressive(AR) time-series model is improved and adopted to describe the dynamic variations of average daily time headway. Based on the model, a simple approach for dangerous driving behavior recognition is proposed with the aim of significantly decreasing headway. The effectivity of the proposed approach is validated by means of empirical data collected from a medium-sized city in northern China. Finally, a practical early-warning strategy focused on both the remaining life and low headway is proposed to remind drivers to pay attention to their driving behaviors and the possible occurrence of crash-related risks.     

状态输入估计两段解耦Wiener滤波器

运用现代时间序列分析方法,基于ARMA模型和白噪声估值器,对一类控制输入存在不确知性的随机系统,提出了状态输入估计两段解耦Wiener滤波新算法,仿真例子说明了其有效性。     

一种基于广义系统的Wiener状态滤波器设计

基于ARMA新息模型和白噪声估值器 ,利用现代时间序列分析方法提出了一种带多重观测滞后的广义系统Wiener滤波器 (也称估值器 ) ,用来统一处理系统预报、滤波和平滑问题。估值器具有ARMA递推形式 ,且具有渐近稳定性。该算法简单 ,避免求解复杂的Diophantine方程和Riccati方程。对于稳定或不稳定系统、非最小相位系统、状态转移阵奇异或非奇异系统 ,只要系统完全可观 ,都可统一进行处理。仿真算例验证了该算法的有效性。     

表面粗糙度在线识别的理论与实践

工件表面粗糙度,反映了加工设备的动态特性。通过观察加工中工件表面粗糙度的变化,可以用作在线识别设备工况的一种手段。根据时间序列分析理论所建立的系统的等价模型,是建立在输出等价原则上的,可以不管输入和输出的因果关系。所建模型能随时间的推移具有某些统计特性,能用于在线识别。对于自回归AR(n)时序模型的建模过程、模型阶次的确定、评定所建模型的适用性及被识别系统工况的特征参数均进行了讨论,试验结果证明,所建模型能快速、准确判别设备工况变化,达到了在线识别的目的。     

径流序列的相空间重构神经网络预测模型

在水文水资源领域中引入混沌理论，将相空间重构理论与神经网络理论相结合，提出了径流时间序列预测模型．通过相空间重构，把一维径流时间序列拓展为多维序列，而多维序列可挖掘更为丰富的信息，有利于神经网络的训练．研究表明，利用神经网络建模可以较好地解决非线性问题，使预测更符合实际．以汉江石泉水库逐月平均入库径流序列为例，建立了径流时间序列相空间重构与神经网络耦合预测模型，计算结果表明，模型有较高的预测精度．     

门限自回归模型建模的有关探讨及其在人口死亡率预报中的应用

本文将门限自回归模型用于人口死亡率的预报,根据建模实践和预报结果,分析了门限自回归模型的参数(门限段个数l、门限值r_j、延迟步数d)、模型特性及其建模策略等问题。