基于多分辨率分析和极值理论的集合VaR模型

为了捕捉金融资产价格波动的多尺度时变特征,利用多分辨率分析(multi-resolution analysis,MRA)将收益率序列分解成不同时域上的正交分量,并对各分量序列分别建立适当的ARMA-GARCH模型,在此基础上引入极值理论(extreme value theory,EVT)对收益率的厚尾性进行建模,构建了一种MRA-EVT模型.将该模型应用于沪深300指数的VaR预测.实证研究结果表明,与传统ARMA-GARCH模型、无条件EVT模型和MRA模型相比,该MRA-EVT模型显著提高了VaR的预测绩效.     

基于EGARCH和Cornish Fisher展开的VaR度量方法

针对度量收益率风险价值VaR时,GARCH模型不能体现正负收益率的非对称效应,研究了基于EGARCH模型和Cornish-Fisher展开度量VaR的一般方法。该方法结合了EGARCH模型和CornishFisher展开,将EGARCH模型的偏度和峰度代入Cornish-Fisher展开中对收益率VaR进行度量。实证分析选取标普500指数日收益率作为样本数据,度量该收益率的风险价值VaR;该收益率具有非对称性,建立了能够体现非对称性的EGARCH(1,1)模型,运用新的VaR的方法与经典的基于极值理论的VaR度量方法,和基于Bootstrap方法的VaR度量方法对收益率VaR进行了度量,在不同的置信水平下比较了3种方法 VaR度量结果失败率的大小;结果显示:新的VaR方法对收益率VaR的度量效果优于其他两种方法,对于具有非对称效应的收益率,可考虑此方法度量收益率的VaR。     

基于ARMA-GARCH模型的上证指数实证分析

研究上证指数收益率过程。本文以2004年9月30日至2011年9月30日期间的上证指数收盘价为基础,验证序列的相关性、稳定性及异方差性,建立ARMA-GARCH模型进行实证分析和预测,分别在误差服从正态分布、t分布、GED分布条件下比较拟合和预测效果,得到t分布的ARMA-GARCH模型最优,表明其更适合上证指数收益率的研究。     

长记忆条件下我国房地产业的风险测量——基于GARCH和FIGARCH模型的动态VaR计算

从股票市场风险管理的角度分析房地产业指数,基于GARCH和FIGARCH模型对房地产业指数日收益率序列进行建模,在此基础上分别计算其VaR的值,并对二者进行比较。实证研究表明:房地产业指数收益率序列的波动具有长记忆性,FIGARCH模型的拟合效果优于GARCH模型;并且基于FIGARCH模型计算的VaR比基于GARCH模型计算的VaR能更有效地度量风险。     

基于动态R-Vine Copula的银行股指投资组合及风险度量研究

金融资产价格之间的波动往往具有结构相依性。为了研究银行股指数据间这种复杂关系,能够进一步准确度量金融风险,本文以我国六大银行股指数据为研究对象,利用ARMA-GJR-SkT模型作为单一资产序列的边缘分布,以灵活的R-Vine Copula模型为基础,联合构建投资组合模型。通过滚动时间窗口的Monte Carlo技术及MST-PRIM算法确定各类模型的RVM结构,在此基础上结合逆变换法仿真模拟收益率序列,并利用模拟收益率进一步计算VaR与CVaR,最后经返回值检验法对模型进行验证。结果表明：建立最优的投资组合模型是精准度量金融风险的关键;在风险度量时,相同的置信水平下,CVaR模型比VaR模型更可靠。置信水平不等时,其值增大的同时,失败天数会减小。     

基于GARCH-VaR模型的石油价格风险研究

石油价格收益率一般不符合VaR模型的独立、对称的正态分布假设,表现出金融时间序列的非对称性、异方差、波动聚集等特征.文章提出利用GARCH模型估计石油价格收益率的时变条件方差,改进传统VaR对方差的估计,并通过实证分析,估计石油价格风险,即在一定的置信度水平下石油价格可能的最大日损失值,估计结果显示改进的GARCH-V...     

基于隐马尔科夫模型的基因预测算法

为更好地从DNA序列中识别蛋白质编码区,提高计算效率,将隐马尔科夫模型与前向算法相结合,提出一种生物基因的预测算法.理论证明,该隐马尔科夫模型与经过EM算法优化后的模型具有相同的参数,能够降低计算量,提高计算效率.利用该方法对DNA序列F56F11.4a的外显子进行识别的仿真结果表明,该算法是有效的.     

基于隐马尔科夫模型的入侵检测算法研究

提出一种基于隐马尔科夫模型的异常检测算法。首先建立了用于网络入侵检测的马尔科夫模型,基于该模型提出一种新的入侵检测算法,与原有的入侵检测方法相比较,我们的算法具有较好的灵活性和鲁棒性。     

基于WMM-HMM的轮毂电机机械故障诊断方法

为有效监控电动汽车用轮毂电机的运行状态,保障整车的运行安全,提出了一种基于混合Weibull分布模型(WMM)与隐马尔科夫模型(HMM)的轮毂电机机械故障诊断方法(WMM-HMM诊断法).首先,利用轮毂电机振动信号提取敏感特征参数,用以表征其运行状态,建立观测序列.其次,利用WMM对轮毂电机各种运行状态下有限的观测序列...     

EGARCH模型和分位数自回归类模型在风险预测中的比较

利用了三种时间序列模型对中美汇率的风险进行一步向前滚动预测。1)EGARCH模型,它可以刻画金融资产收益率的尖峰厚尾现象,异方差性,波动集聚性和杠杆效应。2)非常适合具有异方差性的QAR模型,该模型不需要假定误差项的分布,可以很好地刻画条件异质性,在模拟具有尖峰厚尾的金融数据时,得到了广泛的应用。3)T-QAR模型,该模型可以通过门限变量控制分段线性函数,进而刻画金融资产具有的非线性性和非对称性。最后,对三种模型的预测效果进行了VaR回溯检验,结论是T-QAR模型的预测效果最佳,而EGARCH模型的预测效果最差。     

基于时变马尔科夫转移概率的机动目标多模型跟踪

为了消除机动目标多模型跟踪中人为因素对跟踪精度的影响，提出了一种新的基于时变马尔科夫转移概率的机动目标多模型跟踪算法．该算法通过对Baum辅助函数的最大化实现隐马尔科夫模型状态转移概率的参数估计，并将估计结果用于交互式多模型算法的设计中，构造出时变马尔科夫状态转移概率的交互式多模型算法，有效地降低了人为因素对机动目标跟踪精度的影响．通过对一个机动目标的跟踪对比，说明了该算法比传统的交互式多模型算法具有更小的跟踪误差和良好的模型跟踪概率．     

基于ARMA-GARCH模型的风险价值与条件风险价值计算

基于ARMA-GARCH模型,给出风险价值VaR、条件风险价值CVaR的计算公式,分别在标准正态分布、student＇T分布、Skewed-T分布、广义误差分布条件下对模型进行数值模拟,并用上证A股、大同煤业股票相关数据拟合模型来进行实证分析.结果表明,利用ARMA-GARCH模型给出的计算公式能够准确地估计VaR值与CVaR值,并且随着给定概率水平p的减少,VaR与CVaR的值增大,对于给定同一概率水平的CVaR值比VaR值大,CVaR比VaR更能体现风险度量的大小.     

基于条件极值模型的上证综指尾部风险研究

在传统ARMA-GARCH时间序列模型的基础上,介绍条件极值模型并运用这些模型对近十几年来上证综指进行VaR和ES样本外预测与事后检验.研究表明假设新息序列为偏t分布的ARMA-GARCH模型与条件极值模型在预测VaR和ES方面均具有出色效果.     

沪深股市的波动性分析——基于t分布下GARCH和SV模型的比较

构建基于N分布和t分布下的GARCH(1,1)和SV模型,并通过实证分析探讨了上证指数和深证成指收益序列的波动性.分析结果表明,GARCH(1,1)类模型和SV类模型能较好地拟合沪深股市收益率的波动,并指出我国股市存在较强的波动持续性;而基于t分布的各模型能有效地刻画股市的厚尾性;此外,通过计算VaR值,说明深市比沪市的风险更大,且SV类模型能更准确地反映收益率的风险特性.     

基于高频数据的时变VaR建模和预测研究

提出了VaR时间序列动态预测的方法.首先以上证综合指数和深证综合指数日内分钟数据为基础,根据不同方法计算出每日VaR值,然后给出了VaR时间序列的统计特征,包括平稳性和长记忆性,最后对VaR序列建立ARMA模型和ARFIMA模型,并比较了两种模型预测效果.我们的结果表明:1)基于德尔塔正态法的VaR序列其ARMA模型预测效果好于历史模拟法和蒙特卡洛模拟法的预测效果;2)尽管VaR序列存在长记忆性,但所有VaR序列的ARMA模型预测效果好于ARFIMA模型的预测效果.     

黄大豆1号期货收益率体制转换模型分析

叙述了隐马尔科夫模型对于大豆期货收益率的建模过程.对2011年黄大豆1号各期合约的收益率进行了两状态体制转换分析,分别得到了正收益状态和负收益状态的均值和平均持续时间.     

二阶隐马尔科夫模型在基因识别中的应用

对经典隐马尔可夫模型( HMM) 的状态转移和输出观测值的假设条件进行改进,提出了一个基于二阶隐马尔科夫模型(second-order HMM: HMM2)的基因识别系统的模型, 论述了用该模型和扩展的Viterbi 算法发现基因的方法.     

在部分信息下股票收益服从隐马尔科夫模型的最优交易策略

讨论了部分信息下股票支付红利的最优交易策略.考虑一个多种股票模型,股票价格过程满足随机微分方程,股票价格的瞬时收益率由有限状态连续时间的马尔科夫链刻画.在投资者终端财富预期效用最大化目标下,利用隐马尔科夫模型(HMM)滤波理论和Malliavin分析,导出最优交易策略的显式表达式.     

基于隐马尔可夫模型的DNA序列识别

利用隐马尔可夫模型训练中不同结构的DNA序列的L值分布范围不同的特点,对传统多类投票模型进行改进,提出一种优于传统算法的快速训练算法,该算法只需训练出一类隐马尔可夫模型参数.对DNA内含子和外显子序列进行识别,平均识别率达到了90.8%.与支持向量机相比,隐马尔可夫模型在解决多分类问题方面具有优势,不但计算时间少,而且识别率高.     

金融时间序列变点探测的小波模极大值线方法

研究小波变换方法在金融时序分析中模型变点探测的应用,对金融时间序列采用连续小波变换,通过分析小波变换模极大值线对应的时间序列样本点的小波系数特点,提出了金融时间序列变点探测的小波模极大值线方法,并对广义自回归条件异方差均值模型(GARCH-M模型)进行了仿真计算,其结果验证了此方法的实用性和有效性.该方法更能准确定位金融资产收益率波动所发生的具体时刻,有利于金融资产价格异常时点的正确识别与统计建模分析和资产收益率波动的预测.