考虑非同步交易影响的金融高频协方差阵的估计及应用

在大数据时代,高维高频金融数据的协方差阵在投资组合中扮演着重要角色。但当高维资产的交易频率存在显著差异时,非同步交易会导致"Epps"效应,严重影响协方差阵的估计效率。本文将结构矩阵填充模型(SMC)与VAR-LASSO模型相结合,建立SMC-VAR-LASSO模型来估计和预测高维高频数据的协方差阵。该模型将资产按照交易频率的高低分组,避免直接估计和预测所有资产间以及交易频率低的资产间的协方差阵,在解决非同步交易问题的同时,大大降低了数据损失量,提高了协方差阵的估计效率。将SMC-VAR-LASSO模型应用在投资组合中,并将其与VAR-LASSO模型进行比较后,发现:SMC-VAR-LASSO模型在投资组合中的应用效果更好,其提高了投资者的收益和经济效用,降低了风险。     

估计量和预测模型的选择对高频协方差阵的预测及组合收益的影响

围绕复杂的估计方法是否有助于提高协方差阵的预测效果和组合收益进行研究。在预测模型一定的情况下,从统计精度和经济价值的角度对不同协方差阵估计量的预测效果进行了比较;同时在协方差阵一定的情况下,也对不同的预测模型进行了比较。研究发现同时考虑了噪声和跳跃影响的双频已实现协方差阵(RTSCOV)在所有比较标准下均具有最好的表现,并且较低频协方差阵而言,高频协方差阵应用在投资组合中会获得更高的收益。     

基于高斯过程回归的平方根UPF算法

针对系统动力学模型不准确可能导致滤波精度下降,以及系统状态协方差阵可能出现的负定性问题,提出一种新的高斯过程回归平方根分解无迹粒子滤波(Gaussian process regression square-root decomposition unscented particle filter,GPSR-UPF)算法。在该算法中,采用高斯过程回归求取UPF的重要性密度函数。当系统模型不准确时,通过高斯过程回归学习训练数据,进而获取系统的回归模型及系统噪声协方差,同时引入平方根变换抑制系统状态协方差阵的负定性。将提出的GPSR- UPF算法应用到捷联惯导/全球定位系统(strapdown inertial navigation system / global positioning system, SINS/GPS)组合导航系统中进行仿真验证。结果表明,所提出滤波算法的性能优于基本的无迹粒子滤波算法,能提高组合导航系统的解算精度。     

嵌套Logistic模型的矩估计

讨论多元极值分布嵌套 Logistic模型 ,给出了分布参数的矩估计及其渐近协方差阵元素的显式表示和数值结果 .当边缘参数相等时 ,用合并样本估计公共参数 ,可以提高估计量的精度 .     

联合互协方差矩阵的快速波达方向估计

针对常规子空间类波达方向(direction-of-arrival, DOA)估计中存在的子空间分解计算量过大问题,提出了基于均匀线阵的联合互协方差矩阵(joint cross covariance matrix,JCCM)DOA估计算法。基于阵列划分和矩阵重构思想,将均匀线阵划分成两个子阵,在求得这两个子阵接收数据互协方差矩阵后,重构一个新的矩阵即JCCM,利用JCCM的部分数据进行线性运算即可得到等价的信号子空间,然后构造多项式并求根,最终实现波达角估计。理论分析和仿真实验证明,算法避开了对协方差矩阵的特征值分解运算,在保证估计精度可接受的同时,有效降低了计算量,取得了更高的估计速度。     

幅度相位误差条件下的互质阵列DOA估计方法

针对基于互质阵列的欠定波达方向(direction of arrival, DOA)估计方法在阵元幅相误差条件下性能急剧下降的问题, 提出一种基于校正阵元的互质阵列DOA估计方法。首先, 将阵列接收数据分解为两个子阵数据, 基于校正阵元对子阵分别进行幅相误差估计, 并将子阵幅相误差排序重组。然后, 对接收数据协方差矩阵进行误差补偿并扩展为高维的Toeplitz矩阵。最后, 基于矩阵填充理论对高维协方差矩阵进行空洞填充, 结合求根多重信号分类(root multiple signal classification, root-MUSIC)算法进行DOA估计。理论分析和仿真结果表明, 该方法可以实现互质阵列的幅相误差估计, 并通过误差补偿有效恢复幅相误差条件下的互质阵列DOA估计性能, 提高估计精度。     

基于小波变换的时变长记忆SV模型估计方法研究

研究了基于小波变换的时变长记忆SV模型参数的估计方法.根据小波变换可将过程分解到不同的尺度上以及长记忆SV过程同一尺度下和不同尺度下DWT系数的近似不相关性,提出了建立局部似然函数的方法,又根据DWT系数和MODWT系数之间的关系,将局部似然函数表示为模型参数和局部小波方差估计的形式.用该方法对中国股市收益进行了时变长记忆SV模型参数的估计.     

基于子阵级处理的宽带非规则子阵相控阵鲁棒性干扰抑制

针对宽带非规则子阵相控阵在复杂干扰环境下性能变差的情况,提出一种基于子阵级处理的鲁棒性干扰抑制方法。首先,建立存在误差情况下的宽带阵列子阵级回波模型;通过子阵级数字Stretch处理将宽带线性调频回波信号变为窄带信号,降低处理的有效带宽;然后,进一步改进基于谱分离的干扰加噪声协方差矩阵重构方法,利用测量的先验信息划分子区间,减小重构区域,降低运算量;最后,利用获得的最优权值加权各通道数据获得阵列输出。所提方法有效利用非规则子阵优势,避免了规则子阵阵面方向图中存在栅瓣的情况,能够在存在多种组合干扰和误差的情况下抑制干扰,具有较强的鲁棒性。     

一种迭代可分离的机载面阵雷达杂波抑制方法

为了解决传统空时自适应处理方法由于独立同分布训练样本不足无法有效抑制机载面阵雷达非均匀杂波的问题,提出了一种迭代可分离的机载面阵雷达杂波抑制方法。该方法首先通过雷达系统和载机平台运动参数先验知识构造杂波表示基矩阵,然后基于协方差矩阵匹配估计准则分别估计待检测单元的杂波空域和时域功率谱,接着按照线性约束最小方差准则计算待检测单元的空域和时域部分权向量,最后再结合杂波参数化模型和得到的空域和时域部分权向量计算空时滤波权向量用于处理待检测单元回波数据。该方法不需要训练样本,不需人为设置超参数,具有全局收敛性,即使存在距离模糊也可以有效地抑制机载面阵雷达回波数据中的非均匀杂波。仿真实验说明了本文方法的有效性。     

一种迭代可分离的机载面阵雷达杂波抑制方法

为了解决传统空时自适应处理方法由于独立同分布训练样本不足无法有效抑制机载面阵雷达非均匀杂波的问题,提出了一种迭代可分离的机载面阵雷达杂波抑制方法。该方法首先通过雷达系统和载机平台运动参数先验知识构造杂波表示基矩阵,然后基于协方差矩阵匹配估计准则分别估计待检测单元的杂波空域和时域功率谱,接着按照线性约束最小方差准则计算待检测单元的空域和时域部分权向量,最后再结合杂波参数化模型和得到的空域和时域部分权向量计算空时滤波权向量用于处理待检测单元回波数据。该方法不需要训练样本,不需人为设置超参数,具有全局收敛性,即使存在距离模糊也可以有效地抑制机载面阵雷达回波数据中的非均匀杂波。仿真实验说明了本文方法的有效性。     

基于粒子群优化的稀疏分解变尺度快速算法

针对一类可分稀疏性度量函数,结合最优化理论,研究了稀疏信号重构的快速算法。稀疏分解可以看成是一个带等式约束的优化问题,首先利用惩罚函数法将其转化为无约束优化问题|然后在粒子群优化估计搜索步长的基础上,利用变尺度法寻找无约束优化问题的最优解|最后依次增大惩罚因子,直至稀疏表示系数满足分解精度的要求。该算法避免了矩阵求逆运算,且无需先验地选取惩罚因子。仿真实验验证了算法的有效性和快速性。     

未知相关噪声下的广义波达方向估计算法

针对未知相关噪声情况下信源波达方向的估计,提出一种适用于均匀线阵的广义波达方向估计算法。该算法利用修正后的协方差差分算法,有效地消除了阵元间的相关噪声的影响。不同于以前的算法,提出的算法通过对接收数据的前后向空间平滑协方差矩阵进行共轭运算得到新的变换矩阵,因此修正后的协方差差分矩阵是个实部为零的厄米特矩阵,从而有效地降低了特征分解过程的计算量。本算法能解决相关噪声下,同时分辨相干与非相干信源的问题。理论分析和仿真结果均表明所提算法的有效性。     

高频数据下高维协方差阵的RCM算法估计与应用

基于因子模型的估计方法是高频数据下高维协方差矩阵估计的一个重要方向.为了解决行业分类门限法的主观性问题,本文使用RCM算法对剔除了主要成分的残差矩阵进行重新排序并进行分块对角化门限处理.本文首先在数值模拟中设定残差矩阵包含分块对角结构并将其顺序打乱,随后使用RCM算法进行重新排序,结果表明其能够还原乱序残差矩阵中所包含的分块对角结构.基于2015年股灾期间和2018全年的高频数据,本文将预平均法和使用RCM进行分块对角处理的POET方法进行结合,并在实证研究中对包括该估计量在内的多种协方差估计量进行了样本外预测效果的比较.结果显示改进后的估计量具有更好的预测能力,进行含总敞口约束的最小方差组合投资时的日内波动率整体较低.     

一般性广义噪声协方差矩阵自适应迭代谱估计

分析了非参数化谱估计方法,分析表明,它们所解决的优化问题都是加权最小二乘（weighted least square, WLS）,不同在于如何估计广义噪声协方差矩阵来构建加权矩阵。基于统一框架,提出了一种能同时估计信号频谱和观测噪声的自适应迭代非参数谱估计方法。该方法在每一次迭代时都利用上一次估计结果来逐步逼近真实的广义噪声协方差矩阵。分析和仿真表明,本文方法具有分辨率高,谱泄漏抑制好,并能增强信号协方差矩阵的可逆性和频谱范围选择的随意性等特点。     

基于协方差矩阵重构的单基地MIMO阵列无网格DOA估计方法

提出了一种单基地多输入多输出(multiple-input multiple-output, MIMO)阵列中的协方差矩阵重构的无网格波达方向(direction-of-arrival, DOA)估计方法。该方法通过降维处理将MIMO阵列等效为信噪比(signal-to-noise ratio, SNR)提升的均匀线列阵,将目标方位估计问题转化为混合范数最小化(mixed norm minimization, MixNM)稀疏信号重构问题。进一步给出了与该稀疏重构问题等价的基于网格的凸优化问题,并模型化为半定规划来求解。为了解决网格大小影响估计性能的问题,利用了等价均匀线列阵的托普利兹结构,模型化为半定规划问题来重构无噪声协方差矩阵,最后通过范德蒙分解来估计目标方位。与传统的基于MixNM方位估计方法相比,该方法减少了优化变量个数。与其他离网格方法相比,该方法估计精度不受网格大小的影响,且能够估计相干源目标。实验仿真验证了该方法的有效性。     

基于归一化空间符号函数的鲁棒波达角估计

提出了一种适用于任意未知统计特性的脉冲噪声环境下的波达角估计算法。算法扩展了非参数统计中的空间符号和秩的概念,采用归一化的空间符号函数来构造阵列协方差矩阵,然后根据子空间算法进行测向。从理论上证明了归一化的空间符号协方差矩阵用于波达角估计的可行性,为该算法的进一步推广奠定了基础。计算机仿真结果表明,该算法在任意脉冲噪声环境中表现出良好的鲁棒性,而且对阵列增益和相位噪声不敏感。     

基于已实现半协方差的投资组合优化

在传统的风险度量方法中,常见的协方差估计量并未区分资产收益的下侧风险和上侧收益,而一般的下偏矩估计量则存在非对称性和难以加总的缺点.本文引入已实现半协方差矩阵(RSCOV)作为风险度量进行波动率预测和投资组合研究.本文将RSCOV应用于两种常见的风险分散投资策略—风险平价(ERC)策略和全局方差最小(GMV)策略,并将机器学习中的在线加权集成(OWE)算法用于提升已实现波动率预测方法HAR-RV的样本外预测表现.通过研究发现,相比起已有的其他风险衡量方式,仅包含负向波动信息的下半RSCOV能够更好地被用于平衡组内各资产的风险贡献.基于A股市场2011-2018年的高频数据,本文通过实证研究发现,OWE-HARRV在月度预测步长下的效果优于HAR-RV,而下半RSCOV则能够使ERC策略以及GMV策略在保证一定平均收益的同时,降低了组合收益的极端损失.     

高频数据下投资组合风险预测模型比较

＂已实现＂协方差矩阵是对投资组合波动性及相关性的一种全新的度量方法.系统介绍基于高频交易数据的＂已实现＂波动率及由它拓展而来的＂已实现＂协方差矩阵.利用样本数据对模型进行检验,并比较分析该方法与DCC-GARCH方法的优劣.对比结果说明,这种基于高频交易数据的多元RV估计方法在估计精度和计算简便程度上明显优于DCC-GARCH方法.     

基于噪声特征向量重构的地波雷达单次快拍超分辨算法

高频地波雷达在一个相参积累时间内通常只能得到频域一次快拍,利用其直接进行波达方向估计性能较差。针对这一问题,在分析时、频域协方差矩阵特征分解后差异的基础上,在频域采用降维方法估计协方差矩阵。根据频域目标信噪比相对较大的特点,利用最大特征值对应的信号特征向量构造原始的数据矩阵,并对该矩阵进行奇异值分解得到新的噪声子空间,进而构造出新的噪声特征向量,最后利用该噪声特征向量进行方位角估计。仿真和实测数据分析验证了算法的有效性,相比降维Toeplitz算法和前后向空间平滑算法有着更高的分辨力和估计精度。     

特征结构提取的高阶Hopfield神经网络实现

本文首先建立了特征结构提取问题的罚函数表示，通过对罚函数求极小可以求得原始协方差矩阵的主特征向量及其对应的特征值。为了求得其他特征结构，特构造了一个协方差矩阵序列。如果将罚函数展开并进行整理，高阶Ｈｏｐｆｉｅｌｄ神经网络可被引入到特征结构提取中。这种方法比较直观，它将网络稳定时的输出与所求协方差矩阵的主特征向量的各个分量相对应，而网络稳定时的能量则对应于协方差矩阵的迹与所求特征值之差，计算机仿真结果验证了这种方法的正确性。