基于高频方差持续的资本资产定价模型研究

对高频金融时间序列的“已实现”波动和“已实现”协方差提出相应的模型并建立“已实现”波动自回归移动平均模型和“已实现”波动向量自回归模型.同时,给出了高频时间序列持续性定义及相关性质.在“已实现”波动自回归移动平均模型基础上,从条件方差持续性的角度,讨论了条件方差的持续性对资产资本定价模型的影响.又进一步讨论了多资产组合条件下,“已实现”波动向量自回归模型持续性对组合投资的影响.给出了基于“已实现”波动自回归移动平均模型的实证分析,指出当模型具有单位根时条件方差对资产定价的影响是持续的.最后讨论了条件方差持续性质在金融分析中的现实意义.     

A multiscale modeling approach incorporating ARIMA and anns for financial market volatility forecasting

The financial market volatility forecasting is regarded as a challenging task because of irreg ularity, high fluctuation, and noise. In this study, a multiscale ensemble forecasting model is proposed. The original financial series are decomposed firstly different scale components （i.e., approximation and details） using the maximum overlap discrete wavelet transform （MODWT）. The approximation is pre- dicted by a hybrid forecasting model that combines autoregressive integrated moving average （ARIMA） with feedforward neural network （FNN）. ARIMA model is used to generate a linear forecast, and then FNN is developed as a tool for nonlinear pattern recognition to correct the estimation error in ARIMA forecast. Moreover, details are predicted by Elman neural networks. Three weekly exchange rates data are collected to establish and validate the forecasting model. Empirical results demonstrate consistent better performance of the proposed approach.     

Moving Average Model with an Alternative GARCH-Type Error

Motivated by the double autoregressive model with order p(DAR(p) model), in this paper,we study the moving average model with an alternative GARCH error. The model is an extension from DAR(p) model by letting the order p goes to infinity. The quasi maximum likelihood estimator of the parameters in the model is shown to be asymptotically normal, without any strong moment conditions.Simulation results confirm that our estimators perform well. We also apply our model to study a real data set and it has better fitting performance compared to DAR model for the considered data.     

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.     

连续库存补充策略订货点水平确定方法比较

考虑顾客需求满足一阶自回归和滑动平均即ARMA(1,1)过程情形下,建立连续库存补充策略中的变动订货点水平确定模型,并将此模型与其它两种模型(基于时点需求的模型、传统模型)从理论和仿真角度进行比较分析。理论分析得出,在需求呈正相关且随机误差项平滑系数为正数时,变化订货点水平确定模型得出的安全库存低于根据时点需求得出的安全库存,而高于传统模型得出的安全库存。最后结合具体数例对不同模型情形下的库存成本进行仿真分析,结果表明,变化订货点模型所引起的平均缺货率、平均库存成本均低于其它两种模型,从而验证所提出模型的优越性和有效性。     

LS-Based Parameter Estimation of DARMA Systems with Uniformly Quantized Observations

Journal of Systems Science and Complexity - This paper is concerned with the parameter estimation of deterministic autoregressive moving average (DARMA) systems with quantization data. The...     

混合自回归滑动平均模型———MARMA

提出一类新的用于非线性时间序列建模的混合自回归滑动平均模型(Mixture autoregressive movingaverage model简记MARMA).该模型条件分布富于变化的特点使得它能够描述非对称、多峰、以及条件异方差等非Gauss特征.研究得到了MARMA模型的平稳性条件和自相关函数.利用BIC(Bayes informationcriterion)准则来选择模型.运用EM(expectation maximization)算法估计模型的参数.将MARMA模型应用于一组金融数据,并和其它模型做比较.结果表明MARMA模型能够更准确地描述该数据的特征.     

大维数据背景下金融协方差阵的估计及应用

协方差阵在投资组合和风险管理中扮演着重要角色,但是大维数据给传统的协方差阵估计方法带来了巨大挑战.本文将改进的乔列斯基分解和惩罚函数等非参数方法应用到DCC模型的估计中,提出了非参数DCC模型(NPDCC).NPDCC模型首先通过改进的乔列斯基分解方法,将DCC模型估计中复杂的协方差阵估计问题转化为一系列的回归模型,然后通过引入惩罚函数,将一些回归系数压缩为零,解决了维数诅咒问题,使得大维动态条件协方差阵的估计成为可能.通过模拟和实证研究发现:较DCC模型而言,NPDCC模型明显提高了大维协方差阵的估计和预测效率;并且将其应用在投资组合时,投资者获得了更高的投资收益和经济福利.     

ARMA供应链模型研究

在基于ARMA时间序列的需求和目标库存最大策略的假定条件下,建立了供应链系统模型。利用时间序列分析方法推导了库存序列、订货序列和库存残差序列的方程表达式,证明库存序列、订货序列和库存残差序列同样为ARMA时间序列,自回归和移动平均的阶数依赖于需求时间序列的阶数和提前期的大小,且订货序列和库存残差序列的自回归部分与需求的自回归部分相同。     

Linear Quadratic Regulation for Discrete-Time Systems with Input Delay: Spectral Factorization Approach

The infinite-horizon linear quadratic regulation （LQR） problem is settled for discretetime systems with input delay. With the help of an autoregressive moving average （ARMA） innovation model, solutions to the underlying problem are obtained. The design of the optimal control law involves in resolving one polynomial equation and one spectral factorization. The latter is the major obstacle of the present problem, and the reorganized innovation approach is used to clear it up. The calculation of spectral factorization finally comes down to solving two Riccati equations with the same dimension as the original systems.     

一种新的双通道运动目标测速定位方法

利用双通道合成孔径雷达(synthetic aperture radar,SAR)数据的协方差矩阵的第二特征值,可以有效地检测地面运动目标。在此基础上,提出一种新的运动目标测速定位方法,该方法通过提取双通道SAR数据的协方差矩阵非对角元素相位信息来对运动目标进行测速和定位。仿真数据和实测数据都验证了该方法的有效性,实验结果表明该方法的测速精度优于传统沿航迹干涉(ATI)方法。     

面向多层卫星网络的信道资源管理方法

多层卫星网络结构复杂,信道资源有限。对多层卫星网络信道资源进行高效管理,能够提高卫星系统整体效率。为此,提出了一种面向多层卫星网络的信道资源管理方法。针对LEO/MEO/GEO三层卫星网络,首先根〖JP2〗据业务类型划分优先级,其次运用自回归积分滑动平均(autoregressive integrated moving average,ARIMA)〖JP〗模型预测小区内新呼叫业务用户量,然后根据预测用户量和卫星剩余信道带宽为用户选择接入层,再利用博弈模型判断是否允许用户接入,最后根据降级因子选择降级用户让出信道带宽。仿真结果表明,该方法能够降低整体阻塞率,提高整体效用。     

滑动窗口二次自回归模型预测混沌时间序列

提出一种新颖的非线性时间序列预测模型,即滑动窗口二次自回归(MWDAR)模型.MWDAR模型使用部分的历史数据及其二次项构造自回归模型.模型参数用线性最小二乘法估计.应用模型进行预测时,预先选定窗口大小以及模型一次项和二次项的阶次.在每个当前时刻,先根据窗口内的数据估计模型参数,然后根据输入向量及模型参数做出预测.这种预测方法不仅适合小数据集的时间序列预测,而且对大数据集具有极高的计算效率.分别用Henon混沌时间序列数据和真实的股票交易数据作了MWDAR方法与局域线性化方法的1步和多步预测对比实验.结果显示MWDAR方法无论在预测精度上,还是在计算效率上都优于局域线性化方法.     

多传感器信息融合ARMA信号Wiener滤波器

应用现代时间序列分析方法,基于自回归滑动平均(autoregressive moving average,ARMA)新息模型和增广的状态空间模型,在线性最小方差按标量加权最优融合规则下,对带白色和有色观测噪声的单通道ARMA信号,提出了多传感器最优分布式融合Wiener滤波器。给出了计算局部滤波器误差方差和互协方差的公式,它们可被用于计算最优加权系数。同单传感器情形相比,可提高融合滤波器的精度。一个带三传感器的跟踪系统的仿真例子说明其有效性。     

基于奇异谱分析的我国航空客运量集成预测模型

针对时间序列包含噪声以及单一模型可能存在预测表现不稳定的问题,本文提出了一个基于奇异谱分析(SSA)的集成预测模型,并将其运用于我国年度航空客运量的预测中.首先,采用SSA方法对原始时间序列进行分解和重构,得到一个剔除噪声的时间序列,然后将其作为单整自回归移动平均模型(ARIMA)、支持向量回归模型(SVR)、Holt-Winters方法(HW)等单一模型的输入并进行预测,接着再采用加权平均集成预测方法(WA)将三种单一模型的预测结果进行综合集成.通过与各单一模型、基于经验模态分解方法(EMD)的模型以及简单平均集成预测方法(SA)的预测结果进行对比发现,本文所建模型具有较高的预测精度和较稳定的预测表现.最后,采用本文的模型对我国2014-2016年年度航空客运量进行了预测.     

基于时间序列模型的系统最大值指标评定方法

提出基于时间序列模型的系统最大值指标评定与测算方法,为某些特殊领域,如航空、航天、国防中长周期及强相关系统的最大值指标评定提供理论依据。首先,选择一个合适的时间序列模型,对系统输出的误差序列建模,使模型能够从总体上跟踪实际系统输出;然后,综合考查模型残差序列与模型预测的输出序列,并应用经典统计学理论完成对系统最大值指标的评定与测算。最后,结合差分自回归滑动平均时间序列模型建模方法给出最大值指标评定方法的应用实例,实验结果表明,该方法是可行的。     

基于稀疏样本选优的机载雷达动目标检测算法

针对存在干扰目标的非均匀样本中机载雷达动目标检测性能下降问题,基于信号稀疏恢复技术,提出一种基于稀疏样本选优的机载雷达动目标检测算法,利用训练样本和待检测距离单元的稀疏性,选择训练样本中杂波的位置和检测单元中杂波的位置相似的训练样本,去除选优后训练样本中的干扰目标,克服干扰目标对机载雷达动目标检测性能的影响,采用处理后的训练样本和待检测距离单元的数据构建杂波协方差矩阵。通过仿真实验进行改善因子、距离单元输出功率、目标信号提取的比较,说明了本文算法能够提高机载雷达动目标检测性能。     

An Ensemble Model of Arima and Ann with Restricted Boltzmann Machine Based on Decomposition of Discrete Wavelet Transform for Time Series Forecasting

Time series forecasting research area mainly focuses on developing effective forecasting models to improve prediction accuracy. An ensemble model composed of autoregressive integrated moving average (ARIMA), artificial neural network (ANN), restricted Boltzmann machines (RBM), and discrete wavelet transform (DWT) is presented in this paper. In the proposed model, DWT first decomposes time series into approximation and detail. Then Khashei and Bijari’s model, which is an ensemble model of ARIMA and ANN, is applied to the approximation and detail to extract their both linear and nonlinear components and fit the relationship between the components as a function instead of additive relationship. Furthermore, RBM is used to perform pre-training for generating initial weights and biases based on inputs feature for ANN. Finally, the forecasted approximation and detail are combined to obtain final forecasting. The forecasting capability of the proposed model is tested with three well-known time series: sunspot, Canadian lynx, exchange rate time series. The prediction performance is compared to the other six forecasting models. The results indicate that the proposed model gives the best performance in all three data sets and all three measures (i.e. MSE, MAE and MAPE).     

动力学模型系统误差及其协方差阵的随机加权拟合法

在现有的基于移动窗口函数模型和随机模型系统误差自适应拟合方法的基础上,提出一种基于移动窗口动态导航模型系统误差的随机加权拟合法,在相同的窗口内给出了相应的状态预报向量协方差阵的随机加权拟合。由于动力学模型系统误差难以直接修正,采用修正状态估计误差向量及动力学模型误差向量的方法,实现对动力学模型系统误差的修正,然后利用修正后的动力学模型及相应的协方差阵进行导航滤波计算,有效地抑制动力学模型系统系统误差的影响,提高导航解算的精度。仿真结果证明,采用随机加权拟合后的算法精度优于未进行拟合的卡尔曼滤波和自适应卡尔曼滤波算法。     

自相关过程协方差阵的残差MEWMA控制图

本文研究多变量自相关过程协方差矩阵的质量监控问题.针对服从VAR(1)模型的多变量自相关过程,基于残差分析思想,将多变量指数加权移动平均(MEWMA)控制图用于对过程的监控.首先对残差MEWMA控制图统计量进行了推导,其次采用MonteCarlo仿真的方法,以平均运行链长为评价准则对残差MEWMA控制图的监控效果进行了分析.仿真结果表明,残差MEWMA控制图具有较好的监控效果.