木材防腐产业存在的问题与发展对策

对甘肃木材防腐产业生产现状和发展前景进行了分析,指出了木材防腐产业存在的问题,提出了木材防腐产业发展的对策。     

SV模型的变结构研究及应用

探讨SV模型的诊断分析和变结构建模问题，并在扩展SV模型基础上利用分段建模方法来检测模型结构变化点和分段变化模型的选择，最后以深驯股票市场综合指数为依据验证诊断分析方法的有效性。     

动态一致性风险度量

以投资期限的划分为分界点,提出了静态和动态两种类型的金融风险度量方法.以风险度量的一致性标准为纽带,分析和证明了动态风险度量的一致性.最后,对一般概率通过函数变换,应用Choquet积分思想,对动态一致性风险度量的特征进行了探讨,指出它在实际应用中为多期风险度量方法提供的理论依据,对长期组合投资具有重要的现实指导意义.     

Box-Cox-SV模型及其对金融时间序列刻画能力研究

利用Box—Cox变换构造的随机波动模型，即Box—Cox—SV模型，较好地概括了现有文献中出现的一些常用SV类模型，避免了模型选择中的困难．论证了该类模型的矩属性和平方序列的自相关特征，利用MCMC估计方法对上证指数收益序列建立了Box—Cox—SV模型，并与EGARCH模型对金融时间序列的刻画能力在理论上和实证上进行了对比研究．     

有关风险测度及组合证券投资模型研究

Markowitz以证券收益率的方差作为投资风险的测度建立了组合证券投资决策模型 ,并进行最优证券组合的选择 .本文分析了 Markowitz模型的不足之处 ,以半方差 ( E- Sh)风险测度为基础 ,提出了最优证券组合选择的风险目标函数 ,建立了组合证券投资决策的最优化模型 ,同时给出了最优化模型的求解方法以及证券组合有效边界的确定方法 .最后 ,文章结合实际案例 ,分析了风险目标函数及最优化模型在实际应用中的有效性.     

向量分整序列的协整研究

Ｇｒａｎｇｅｒ关于整数阶向量序列的协整研究是为了提示序列之间存在的长期均衡关系，但该协整定义只适用于向量序列单整阶数全部相同且为整数的情形。本文给出了│ｄ│〈０．５情形下单整序列的定义及向量分整序列的协整概念，文章还就分整序列的线性协整关系进行了初步的讨论，给出了包括多维向量分整序列线性协整关系的若干结果。     

基于高频金融数据的正交ARFIMA模型及应用

在低频数据领域内,向量GARCH模型和向量SV模型的参数难于准确估计,利用这些模型很难解决多个资产的协方差矩阵的预测问题.向量ARFIMA模型可以对利用高频金融数据计算得到的多个资产收益的协方差矩阵进行建模,但是随着变量维数的增加,向量ARFIMA模型同样也面临着参数过多而难于准确估计的问题.因此,提出了基于金融高频数据的正交ARFIMA模型.正交ARFIMA模型通过主成分分析将一组变量的协方差矩阵问题转化成了分别考虑它们的主成分的一元波动问题,这样一元的ARFIMA模型可以很直接的得到应用.正交ARFIMA模型通过主成分分析的方法有效的降低了变量的维数,使得其参数估计问题得到很好的解决,对于金融工具的定价、资产配置、风险管理等问题的解决有着深刻的意义.     

协调对策的有效均衡选择机制——“人质”方法

在经济研究中，协调问题通常被描述为有多个Ｎａｓｈ均衡的非合作对策，其中任一个Ｐａｒｅｔｏ最优策略组合都是一个Ｎａｓｈ均衡。但由于策略的不确定性，往往会产生协调失败。本文为实现Ｐａｒｅｔｏ最优均衡而设计了一种激励机制——提供“人质”。相对于一个局中人的某一行动的人质定义为当他采取该行动时要付给对方的支付数量。为了在Ｎａｓｈ均衡中支持占优，本文证明了人质必须足够大（有下界），以吸引每个局中人合作，同时要足够小（有上界），以防诱使对方不合作，并证明了支持占优的Ｎａｓｈ均衡存在的充要条件是下界值不大于上界值。     

E-SV风险测度组合证券投资模型及代数解法

分析了 Markowitz模型在实际应用中的不足之处 ,以 E- SV风险测度为基础提出了组合证券投资决策的效用函数 ,并建立了允许卖空条件下的投资决策最优化模型。该效用函数可以避免 Markowitz模型关于证券收益率的正态假设 ,以及投资者的风险厌恶假设。另外 ,提出的组合证券投资决策模型可以通过代数方法求解。对Markowitz模型和我们所提出的模型进行了比较分析 ,并结合案例分析 ,阐述了我们的决策模型在理论和实际应用中的有效性。     

具有杠杆效应的非线性SV模型及其应用

提出一类非线性SV模型,许多离散时间SV模型都是它的特例.这类模型的优点在于用它可以检验不同函数形式的随机波动,该模型的检验仅基于一个单独参数δ.在非线性SV模型的基础上,进一步把它扩展为具有杠杆效应的非线性SV模型.使用沪、深股市的指数日收益数据进行了实证分析,借助BUGS软件,利用Gibbs取样的MCMC方法对模型进行了贝叶斯参数估计,证明了应拒绝对数正态SV模型,而使用非线性SV模型.