可加模型及其在金融市场波动率估计中的应用

放宽了传统GARCH模型参数形式的假定,将可加模型引入条件方差的估计,改进了Btihlmann和McNeil提出的迭代算法,并将其用于可加GARCH模型的估计.通过能够模拟真实波动率的数学实验,以及新加坡股市和不同市场股市比较的实证算例,发现可加GARCH模型不仅在估计现有参数模型无法刻画的复杂序列波动率时具有更好的估计效果,而且与一般非参数模型相比也有较好的估计效果.因此,可加GARCH模型对研究新兴市场股市或诸如金融危机等存在复杂波动特征的金融市场有着非常现实的意义.     

异方差下条件处理效应的非参数估计及应用

处理效应模型作为分析政策效应的量化工具,在社会与经济的各个领域有着广泛的应用.现有文献为了得到处理效应的一致估计量,通常需要加一些较强的限制条件(如条件均值独立)或采用工具变量法,在较弱的与实际更吻合的条件下给出处理效应的一致估计量并不多见.本文在误差项对称的假定下,讨论了条件处理效应模型的非参数识别和估计,并进一步估计了平均处理效应.我们通过放松模型中函数形式的假定,同时考虑了较为普遍的广义异方差形式,大大减少了模型误设的可能性,拓展了现有模型的适用性.本文对估计量的大样本性质进行了分析,表明了估计量的一致性和渐近正态性,蒙特卡罗模拟显示了估计量良好的有限样本性质.最后,本文将估计量应用于研究大学教育回报及其性别差异,进一步解释了估计量的实用价值.     

中国股市波动的异方差模型及其SPA检验

以中国股票市场最具代表性的股价指数-上证综指的高频(High-frequency)数据样本为例,实证计算了以GARCH族模型和随机波动(Stochastic volatility)模型为代表的不同异方差模型对中国股市波动率的预测,并进一步运用SPA(Superior predictive ability)检验法,实证检验了不同异方差模型对中国股市波动的刻画能力和预测精度问题.实证结果显示,就中国股市而言,随机波动(Stochastic volatility)模型是预测精度最高的异方差模型,但在某些损失函数标准下,EGARCH模型也具有良好的波动预测表现.     

含季节性虚拟变量的GM(1,1)模型及其应用

针对GM（1，1）模型难以准确预测季节性时间序列的问题，本文将季节性虚拟变量作为灰作用量引入传统GM（1，1）模型中，提出了含季节性虚拟变量的GM（1，1）模型（简记为GMSD（1，1））.在GMSD（1，1）模型定义型和白化型的基础上，推导了GMSD（1，1，x⁽¹⁾）模型、GMSD（1，1，x⁽⁰⁾）模型、GMSD（1，1，b）模型、GMSD（1，1，exp）模型、GMSD（1，1，C）模型等五种派生型GMSD（1，1）模型，构建了季节性虚拟变量GM（1，1）模型群.同时利用粒子群算法对GMSD（1，1）模型和GMSD（1，1，exp）模型中的解析式进行最优化求解.最后以中国水力发电量的季度数据为例，验证了含季节性虚拟变量的GM（1，1）模型及其派生模型的有效性和优越性.结果表明：相较于传统GM（1，1）模型，引入季节性虚拟变量的GMSD（1，1）模型及其派生模型更能准确地描述系统特征序列的季节性波动和周期性变化特征.     

基于实际收益率分布的均值-方差-条件风险价值多目标投资优化模型

为改善均值-方差模型不能充分反映金融资产实际收益率分布的不足,在不对金融资产收益率分布做任何假设的基础上,引入条件风险价值度量金融资产重大损失风险,建立均值-方差-条件风险价值多目标投资优化模型,提出计算模型有效前沿的理论基础和算法步骤。基于上证50指数成分股的实际数据计算了该模型的有效前沿。计算结果表明:所提出的算法具有满足投资实践所要求的可操作性;投资组合实际收益率不服从正态分布,均值-条件风险价值模型有效集并不是均值-方差模型有效集的子集;相对均值-方差模型和均值-条件风险价值模型,均值-方差-条件风险价值模型能够更好地反映金融资产的实际收益率分布,提高投资者管理投资风险的能力。     

外商直接投资趋势研究——基于灰色马尔可夫预测模型与时间序列模型的对比

外商直接投资是影响中国经济发展的重要因素,而未来外商直接投资的预测是其发展和决策的基础.文章在阐述外商直接投资对中国经济发展的作用以及对未来中国利用外资水平预测的必要性的基础上,选取2000-2013年度中国利用外商直接投资(FDI)的数据,通过建立灰色马尔可夫(GMM)和时间序列模型,对中国利用FDI的趋势进行预测,并对预测结果精度进行比较,以得出较优的预测模型.研究结果表明:传统灰色模型合格,但仍有可提升的空间;在此基础上,建立GMM预测模型对结果进行修正,所得模型的灰色关联度有很大提升,且与真实值差距进一步缩小;建立时间序列模型,并据此对数据进行预测;比较GMM与时间序列模型预测结果的精度,可知,GMM的预测精度较高,拟合效果较好.为验证这一结果的可信度,文章选取1990-2013年度北京市和重庆市FDI水平的数据,建立GMM和时间序列预测模型,再次发现GMM预测效果优于时间序列模型的预测效果.基于此,GMM对中国利用外资水平的预测结果较为可信,预测结果对完善中国直接利用外商投资的机制具有一定参考价值.     

基于函数$x^{-a}$变换的GM(1,1)模型及在我国农村人均住房面积建模中的应用

提出了对建模数据进行幂函数x-a(a>0)变换,理论上证明这种变换可以有效地提高建模数据序列的光滑度和所建GM(1,1)模型的精度,而且其模型精度优于对数变换所建模型,从而大大拓宽了灰色模型的应用范围.用文中所提方法建立了我国农村人均住房面积的模型,实例表明了该方法的有效性.     

基于Copula函数的组合资产条件相依性模型及其应用

条件概率分布常用来研究马尔科夫序列相依模型的构建.组合资产的相依结构受多方面的影响,资产之间的同期相依与单个资产时间上的短期相依是组合资产两类主要的相依关系. 结合条件概率的理论,考虑组合资产之间的同期相依与时间上的短期相依两类关系,建立基于Copula函数相依关系模型研究了沪深股市指数收益率的相依结构.应用三阶段极大似然估计方法对模型的参数进行估计,应用χ²检验统计量对模型进行优度检验和模型的比较.研究结果表明:考虑了单个资产时间上短期相依关系的模型更适合描述沪深股市的相依结构.     

基于条件信息的因子定价模型及其实证研究

本文构建了基于条件信息的因子定价模型,并运用基于GMM(generalized method ofmoments)估计的实证框架对此模型进行实证研究.实证结果显示:1.条件定价模型确实在定价中确实加工了条件信息;2.预测性越强的条件信息变量对定价越起到决定性作用;3.各国代表性投资者对条件信息的理解存在差异,但整体来说跨期对冲原理和动态策略原理两种条件信息使用方法在定价中的重要性持平;4.与其他西方发达国家相比,中国条件信息变量对债券回报率的预测能力和方向存在较大偏差,且经济体系受到全球经济衰退的影响较小.在定价模型中合理使用条件信息有助于更好地解释债券回报率中的风险溢价补偿关系,而对条件定价研究也是金融经济学中极具前途的一个发展方向.     

基于小波和多维泰勒网动力学模型的金融时间序列预测

提出建立多维泰勒网动力学模型及参数辨识方法, 和基于小波多维泰勒网模型的金融时间序列预测方法. 利用Mallat算法将金融时间序列分解成一个低频信号和若干个高频信号; 对不同频率的时间序列建立多维泰勒网动力学模型; 通过共轭梯度法训练模型参数, 并进行预测; 将各模型的预测结果进行叠加, 得到原始序列的预测值. 实验结果表明, 这种金融时间序列预测方法具有较高的预测精度和预测方向正确率.     

基于混合核函数SVM水文时序模型及其应用

核函数的选取与构造是SVM应用的关键所在. 传统SVM在水文时序分析方面的应用多是默认选取单一径向基核函数,而忽略了核函数的选择对模型精度和预测结果的影响. 本文基于Mercer核理论,将多项式核与径向基核进行线性组合,构造出混合 核函数,并植入SVM中,对水文时序建立自回归预测模型. 基于武山站和南河川站的月径流预测结果表明,预测序列的相对误差及 均方误差明显优于任一单一核函数. 这是由于混合核函数能够更好地适应并处理复杂的水文时序变化,因此提高了预测精度. 该研究为利用SVM解决复杂多变的非线性水文时序提供了新的探索模式.     

基于独立成分分析的时间序列谱聚类方法

为了对时间序列数据进行聚类分析, 提出了一种基于独立成分分析的时间序列多路归一化割谱聚类方法, 并给出了利用独立成分分析对时间序列数据进行特征提取和降维的理论解释. 该方法首先利用独立成分分析对时间序列数据进行特征提取, 然后利用多路归一化割谱聚类方法完成对时间序列特征数据的聚类分析, 从而得到了一种新的基于特征的时间序列聚类方法. 为了验证该方法的可行性和有效性, 将其应用于仿真时间序列数据和实际的股票时间序列数据聚类分析中, 取得了较好的数值结果.     

Research on time series mining based on shape concept time warping

Time series is an important kind of complex data, while a growing attention has been paid to mining time series knowledge recently. Typically Euclidean distance measure is used for comparing time series. However, it may be a brittle distance measure because of less robustness. Dynamic time warp is a pattern matching algorithm based on nonlinear dynamic programming technique, however it is computationally expensive and suffered from the local shape variance. A modification algorithm named by shape DTW is presented, which uses linguistic variable concept to describe the slope feather of time series. The concept tree is developed by cloud models theory which integrates randomness and probability of uncertainty, so that it makes conversion between qualitative and quantitive knowledge. Experiments about cluster analysis on the basis of this algorithm, compared with Euclidean measure, are implemented on synthetic control chart time series. The results show that this method has strong robustness to loss of feature data due to piecewise segment preprocessing. Moreover, after the construction of shape concept tree, we can discovery knowledge of time series on different time granularity.     

Learning Granger causality graphs for multivariate nonlinear time series

An information theory method is proposed to test the. Granger causality and contemporaneous conditional independence in Granger causality graph models. In the graphs, the vertex set denotes the component series of the multivariate time series, and the directed edges denote causal dependence, while the undirected edges reflect the instantaneous dependence. The presence of the edges is measured by a statistics based on conditional mutual information and tested by a permutation procedure. Furthermore, for the existed relations, a statistics based on the difference between general conditional mutual information and linear conditional mutual information is proposed to test the nonlinearity. The significance of the nonlinear test statistics is determined by a bootstrap method based on surrogate data. We investigate the finite sample behavior of the procedure through simulation time series with different dependence structures, including linear and nonlinear relations.     

基于时序模型的加速退化数据可靠性评估

提出利用加速退化数据对高可靠长寿命产品进行可靠性评估与寿命预测的新方法.从时间序列的角度出发,研究了退化轨迹的一般建模方法;进而结合加速模型,利用整体推断方法给出了模型参数的极大似然估计.并以对数正态分布和Weibull分布为例,利用信仰推断方法给出了可靠度置信区间.通过有效利用加速退化试验各状态下的试验信息,结合时序模型对退化轨迹曲线自拟合性强的优点,提高了产品可靠性评估与寿命预测的稳健性,为基于产品加速退化数据进行可靠性评估提供了一条新的技术途径.最后通过实例验证了该方法的有效性.     

基于T检验的水文时间序列HHT分析方法及应用

Hilbert-Huang变换方法(HHT)是针对非线性、非平稳序列的一种新的时间序列分析方法.针对前人在应用中存在的忽略统计检验的问题,提出了对本质模态函数(IMF)的周期进行T检验的改进方法,设计了基于T检验的HHT模型计算步骤和算法流程,可检验IMF周期的有效性.将改进后的HHT方法用于长江宜昌水文站50年的逐日径流量的分析中,得到了14个反映径流序列波动规律的IMF、一个反映径流变化趋势的趋势项r及Hilbert谱.研究表明,宜昌站径流量存在1~3a、4~5a、9a及准14a的年际变化周期,年内波动对整个径流序列的影响亦较大.对比分析表明了所设计的基于T检验的HHT方法的有效性.     

基于非稳态时间序列的生理控制模型研究

生理控制系统通过多个生理变量(血压、心率、呼吸等)之间相互作用与反馈实现自动调节,达到在内外干扰下维持着体内平衡.这种作用与反馈能力的减弱,甚至丧失,与衰老和疾病息息相关.本文提出了一种将生理模型与切换线性动力学结合的方法——P-SLD,通过来自PhysioNet数据库近300例成人ICU患者的平均动脉压和心率的非稳态生理时间序列以及256例健康人不同姿态(仰卧、非仰卧)下血压和心率的非稳态生理时间序列,对P-SLD传递函数和功率谱分析,验证了本文所提的方法可以用来揭示与严重的全身炎症反应综合征(SIRS)相关联的变化以及可以自动捕获姿势改变对压力反射增益的影响.同时本文研究结果表明,即使在调整临床的干预之后,平均压与心率的偶联度的降低与严重的SIRS强相关,为健康和疾病条件下生理控制的自动调节的分解提供了假说.     

Prediction and analysis of chaotic time series on the basis of support vector

Based on discussion on the theories of support vector machines （SVM）, an one-step prediction model for time series prediction is presented, wherein the chaos theory is incorporated. Chaotic character of the time series is taken into account in the prediction procedure; parameters of reconstruction-detay and embedding-dimension for phase-space reconstruction are calculated in light of mutual-information and false-nearest-neighbor method, respectively. Precision and functionality have been demonstrated by the experimental results on the basis of the prediction of Lorenz chaotic time series.     

基于暂态挖掘的非线性时间序列故障预报

针对实际工程系统故障建模困难、现有故障预报方法实时性差的问题.从一类挖掘的角度,设计了一种基于一类支持向量机的时间序列暂态挖掘算法,提出了一种既不需要系统近似模型也不需要故障训练数据和先验知识的直接故障预报方法.在系统运行的同时实现学习和预报.提高了实时性.同时该方法简单易用,克服了传统方法在预报故障前需要预测系统未来状态的缺点.具有很强的应用意义.以釜式反应嚣为对象进行的仿真实验证明了方法的有效性.