中国股票市场混沌动力学预测模型

运用混沌动力系统理论对中国股票市场的上证综合指数、深证成分指数进行了初步的分析,表明上证综合指数、深证成分指数两个序列是由高维的混沌系统所产生.并对上证综合指数、深证成分指数两序列建模预测,结果表明,新预测模型比均值模型的预测效果好.     

可解释性收益率预测模型

本文针对金融时间序列高噪声、波动性强等特点,提出纳入注意力机制的小波门控循环神经网络(WT-attention-GRU)混合模型,进行收益率序列预测。模型用主成分分析(PCA)构建的投资者情绪指标衡量对市场的影响,选取XGBoost算法(eXtreme Gradient Boosting)筛选并评估预测指标,用小波重构对输入时间序列进行降噪,提高模型的预测精度,使用注意力机制学习输入特征的权重,来衡量输入对输出的影响大小,增加模型的解释性,进一步提升预测精度。最后,本文选择上证50指数、沪深300指数、深证成分指数、上证综合指数近十年的日交易数据进行实证分析,结果显示,相较于基准模型,WT-attention-GRU提升了预测的准确性,同时对输入特征进行权重学习,可以反映输入特征与目标变量的依赖关系,提升了模型的可解释性。     

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.     

二阶非齐次序列的直接离散模型及灰色预测应用

本文不要白化微分方程和一次累加序列参与建模,提出了二阶非齐次序列的直接离散模型,研究了此模型的模拟预测公式及其性质.经实例验证该模型有可操作性,且有较高的模拟预测精度,同时由该模型递推形式的模拟预测公式出发,采用降阶(二阶降为一阶),化齐次(非齐次转化为齐次)等方法推导出了通项形式的模拟预测公式.该公式直观展示了适用本模型的序列基本形式:指数型序列、线性型序列、抛物线型序列、三次曲线型序列四类基本序列及两个不同底数的指数序列与线性序列三者的和差组合、一个指数序列与抛物线型序列的和差组合、一个指数序列与线性型序列的和差组合、线性型序列与指数型序列的乘积组合序列再与另一线性型序列的和差组合四类组合序列.从理论上证明了当序列严格遵循这些基本形式时,本模型能实现完全模拟,从而近似遵循这些基本形式时,必然有较高的模拟预测精度.     

二阶非齐次序列的直接离散模型及灰色预测应用

本文不要白化微分方程和一次累加序列参与建模，提出了二阶非齐次序列的直接离散模型，研究了此模型的模拟预测公式及其性质.经实例验证该模型有可操作性，且有较高的模拟预测精度，同时由该模型递推形式的模拟预测公式出发，采用降阶（二阶降为一阶），化齐次（非齐次转化为齐次）等方法推导出了通项形式的模拟预测公式.该公式直观展示了适用本模型的序列基本形式：指数型序列、线性型序列、抛物线型序列、三次曲线型序列四类基本序列及两个不同底数的指数序列与线性序列三者的和差组合、一个指数序列与抛物线型序列的和差组合、一个指数序列与线性型序列的和差组合、线性型序列与指数型序列的乘积组合序列再与另一线性型序列的和差组合四类组合序列.从理论上证明了当序列严格遵循这些基本形式时，本模型能实现完全模拟，从而近似遵循这些基本形式时，必然有较高的模拟预测精度.     

基于长记忆视角的Granger因果检验

基于ARFIMA和FIGARCH模型,以地产股指数和银行股指数为例,提供了一种分解长记忆时间序列短记忆特征的思路,研究了时间序列长记忆性对Granger因果检验的影响.案例研究表明,银行指数收益率波动对地产指数收益率波动有更强的因果引致关系,且银行指数收益率波动的长记忆特征在一定程度上影响到其短时相依关系对地产指数收益率波动的解释力.     

R/S系列分析的非线性估计及应用

针对 R/S 系列分析方法在估计 H 参数时存在一定偏差,从而导致分析结论产生分歧的问题,提出用非线性估计方法提高 R/S 系列分析估计 H 参数的精确度,同时结合 ARFIMA 模型对估计精度进行了验证.最后应用非线性 R/S 方法揭示中国股市主要指数和个股收益序列中的长期记忆效应.     

金融时间序列分形维估计的小波方法

讨论了金融时间序列的性质,通过实际数据说明,金融时间序列具有两个重要特性——统计自相似性和非平稳性.利用正交小波变换的方法,给出了其分形维的估计方法.最后,实证分析了国内金融市场,并应用此方法分别得出了上证综合指数序列过程和深证成分指数序列过程的分形维.     

运用SAS软件对上证指数月线数据的综合预测分析

运用SAS软件系统中的一些一元和多元时间序列分析方法对我国上少证券交易所的上证综指、上证A股及B股指数的月收盘指数作了预测分析，得到了较高的预测精度，为预测股票市场的中期走势提供了一种方便实用的方法。     

基于收益长期相关的风险度量及投资期限效应

在资产收益具有长期相关性的框架下,从序列可预测性的角度将风险定义为实际与预测结果的偏差;认为该风险能够用序列中的噪声进行度量。在此基础上,还以不同抽样间隔的上证综合指数收益序列对风险度量的投资期限效应进行了考察。