股指期货波动率的半参数预测模型及其MCS检验

股指期货在资本市场价格发现和风险防范过程中扮演重要角色,科学准确的预测其收益波动率对充分实现股指期货的市场功能具有重要的理论和现实价值。将线性非负模型扩展为半参数的预测模型,用来预测股指期货市场的已实现波动率,并探讨了该模型估计方法的渐进性质。此外,以沪深300股指期货的5 min高频交易数据为例,运用滚动时间窗的样本外预测和最新发展起来的具有Bootstrap特性的MCS检验,在多种稳健损失函数下,实证评价和比较新构建的半参数预测模型与其他7类波动率预测模型对沪深300股指期货已实现波动率的预测能力。实证结果表明,在多种稳健损失函数的评价标准下,新构建的半参数预测模型是预测性能最好的模型。     

农产品期货市场的分形统计分析

以芝加哥期货交易所的玉米、小麦、大豆和黄豆油4种农产品期货价格的收益率序列为研究对象，运用交互相关统计量、MF-DCCA和连通性频率分析等方法，实证研究美国农产品期货市场价格波动的交互相关关系以及市场风险大小。结果表明：美国农产品期货市场的价格收益序列具有交互相关性，且这种交互相关性存在不同多重分形特征，造成多重分形性的原因是长程相关性和胖尾分布;不同期货品种的投资组合隐含的风险不同，其中玉米/大豆的风险最大，而小麦/黄豆油的风险最小;农产品期货市场连通性较弱，大豆对系统的贡献程度最大，玉米其次。     

农产品期货市场的分形统计分析——基于芝加哥期货交易所的证据

以芝加哥期货交易所的玉米、小麦、大豆和黄豆油4种农产品期货价格的收益率序列为研究对象,运用交互相关统计量、MF-DCCA和连通性频率分析等方法,实证研究美国农产品期货市场价格波动的交互相关关系以及市场风险大小。结果表明:美国农产品期货市场的价格收益序列具有交互相关性,且这种交互相关性存在不同多重分形特征,造成多重分形性的原因是长程相关性和胖尾分布;不同期货品种的投资组合隐含的风险不同,其中玉米/大豆的风险最大,而小麦/黄豆油的风险最小;农产品期货市场连通性较弱,大豆对系统的贡献程度最大,玉米其次。     

高频数据下基于LSTM的协方差矩阵预测模型

协方差矩阵的建模与预测,对于金融风险管理、投资组合管理等至关重要。 针对时间序列模型 对高维变量预测精度较低的问题,利用长短记忆神经网络模型(LSTM),提出了基于深度学习的高频数据已 实现协方差矩阵预测模型。 利用金融高频数据得到已实现协方差矩阵,对其进行 DRD 分解,针对相关系数 矩阵 R 进行向量化处理,利用向量异质自回归模型(HAR)预测已实现相关系数矩阵 R;针对已实现波动率 矩阵 D,利用半协方差(semi covariance)思想,结合 LSTM 模型,得到已实现波动率矩阵 D 的深度学习预测模 型,构建了 LSTM-SDRD-HAR 已实现协方差矩阵动态预测模型。 LSTM 模型和 HAR 模型能捕捉实际数据 的长期记忆性,半协方差有利于捕捉金融数据的杠杆性。 实证分析表明:相较于传统向量 HAR 已实现协方 差矩阵预测模型,LSTM-SDRD-HAR 预测已实现协方差矩阵更为准确,基于 LSTM-SDRD-HAR 预测已实现 协方差矩阵构造的有效前沿组合投资效果更佳。     

VaR-GARCH模型在我国股指期货风险管理中的应用

国内外预测股指期货合约的市场风险基本以VaR风险评估为主流,计算VaR的核心与关键是估计波动性参数.由于金融资产价格涨跌率时间序列具有波动聚集效应、厚尾效应及时变方差效应,故采用对波动性估计具有精度、准确度和可信度较高的GARCH模型.基于这一点,构建了VaR-GARCH模型,并以恒生股指期货指数做了实证分析,结果表明VaR-GARCH模型可以很好地控制和预测香港恒生指数的股指期货风险.     

基于VMD分解与MIC特征分析的风电功率组合预测

风力出电预测结果的准确性直接影响电力系统的调度安全,故提出一种基于变分模态分解(VMD)和最大信息系数(MIC)的风电功率组合预测方法。针对风力发电功率时间序列的随机性和波动性,利用VMD将原始风电功率序列分解为具有不同波动特性的模态分量;然后考虑气象信息与风电机组运行条件,采用MIC在考虑时间尺度后对各分量进行特征选择;基于诱导有序加权平均(IOWA)算子建立组合模型分项进行预测;最后将各模态分量的预测结果叠加获得最终预测值。基于风电场实测数据进行实验,结果表明所提组合预测模型能有效提高预测精度。     

组合预测模型在汇率预测中的应用

为准确对汇率进行预测,提出基于ARIMA-GARCH~GED模型与PSO-LSSVM模型的汇率组合预测模型.首先,利用HP滤波将汇率分解为长期趋势序列与循环序列,然后运用ARIMA-GARCH~GED模型对长期趋势序列进行预测分析,运用PSO-LS-SVM模型对循环序列进行训练分析,最后将长期趋势与循环趋势的值相加即为汇率预测值.通过实例分析对比发现,此组合预测模型精度高于单一预测模型,可以更加准确预测非平稳汇率时间序列.     

基于BP神经网络的我国股指期货价格预测

应用BP神经网络理论提出了我国股指期货市场价格走势短期预测模型。首先根据实验数据的特点分别构建单因素、多因素BP神经网络预测模型,再通过重复试验的方法,运用BP神经网络对股指期货价格序列进行训练,从而对股指期货价格进行预测。结果表明,通过BP神经网络预测模型得到的预测值与股指期货的实际价格有着很高的拟合度。     

基于ARIMA与信息粒化SVR组合模型的交通事故时序预测

该文基于自回归滑动平均(ARIMA)模型和支持向量回归机(SVR)模型,构建时间序列组合预测模型,对道路交通事故相关指标进行趋势预测。通过ARIMA预测模型进行线性拟合;基于模糊信息粒化方法,将ARIMA预测模型残差季度变化趋势映射为包含最小值Low、中值R、最大值Up三个参数的模糊信息粒;并以其为输入构建SVR模型,对季度残差变化趋势进行预测;最后根据SVR残差预测值修正ARIMA模型预测值。实证研究结果表明:时间序列组合预测模型精度优于单一ARIMA模型,由模糊信息粒子确定的预测区间较好描述了实证数据的季度变化趋势。     

基于小波优化LSTM-ARMA模型的岩土工程非线性时间序列预测

为了更精确地预测岩土工程应力、变形等的非线性时间序列,提出了基于小波优化的长短时记忆神经网络-自回归滑动平均模型(LSTM-ARMA)预测模型。首先使用小波分析将监测序列分解成趋势项和噪声项,采用LSTM网络滚动预测趋势项、ARMA模型预测噪声项,并将趋势项预测值与噪声项预测值之和作为总的时间序列预测值。在此基础上,以上海云岭超深基坑工程为案例进行了基坑地表沉降分析,结果表明组合模型的预测精度要高于单一LSTM模型且更加稳定;进一步采用弹塑性有限元对基坑开挖诱发的地表沉降进行了预测,并与人工智能预测结果进行对比,验证了人工智预测模型的合理性。分析表明,当后续工况与前置工况所诱发的变形机理突变时,人工智能预测误差增大,但伴随后续工况的推进,人工智能预测误差将逐渐减小。     

基于实际波动率的VaR模型实证研究

以实际波动率预测方法替代传统的波动率预测方法,应用到VaR模型中去,并随机选择了五只股票数据进行实证研究,比较基于GARCH模型和实际波动率模型的两种VaR预测结果,得到基于实际波动率的VaR预测效果显著地优于基于GARCH模型的VaR预测效果.     

基于算术平均最小贴近度和BP神经网络的变权组合预测模型研究

通过构造新的差值-比例矩阵,对2012年的沪铜期货价格建立了基于算术平均最小贴近度和BP神经网络的变权组合预测模型,并对沪铜期货价格进行了实证研究.结果表明,基于算术平均最小贴近度和BP神经网络的变权组合预测模型的预测精度明显高于各个单模型的预测精度,说明了此变权组合预测模型是有效的.     

SVAR-GARCH模型的多元波动率估计

考虑SVAR GARCH模型的多元波动率, 提出一种估计波动率的新方法. 先利用独立成分分析技术求解因果结构和统计独立的误差项, 建立残差项条件协方差阵与误差项条件协方差阵的关系, 然后利用单变量GARCH模型的估计结果和识别的因果结构, 估计多变量GARCH模型的条件波动的脉冲响应方法, 实现多元波动率的估计, 该方法可有效减少估计参数. 实验结果表明, 新方法估计的波动率与能源期货市场的规律相符.     

商品金融化背景下我国商品期货市场的溢出效应研究

本研究系统探究了商品金融化背景下中国商品期货市场与传统金融市场间收益率及波动性层面的溢出效应。首先，采用TVP-VAR模型构建溢出指数，全面展现了期货市场与其他金融市场间的静态和动态溢出特征。随后，对溢出指数进行分解，分析了溢出效应的来源。研究结果表明，中国商品期货市场的整体溢出指数较高，且在2008年金融危机、2015年股市异常波动和2020年新冠疫情期间明显上升。溢出指数的上升主要源于期货市场与代表性金融市场间的双向溢出。本研究的边际贡献在于更深入地探讨了商品金融化背景下中国期货市场与金融市场间的溢出效应，描绘了金融市场微观结构的变化趋势，为理解大宗商品市场金融化提供了新的视角。研究结果有助于更全面地了解金融市场间的风险传染机制，协助政策制定者识别潜在的风险隐患，提高监管效能，有效地防范系统性金融风险。同时，本研究还有助于优化金融机构的资产配置决策。     

SVAR-GARCH模型的多元波动率估计

考虑SVAR GARCH模型的多元波动率, 提出一种估计波动率的新方法. 先利用独立成分分析技术求解因果结构和统计独立的误差项, 建立残差项条件协方差阵与误差项条件协方差阵的关系, 然后利用单变量GARCH模型的估计结果和识别的因果结构, 估计多变量GARCH模型的条件波动的脉冲响应方法, 实现多元波动率的估计, 该方法可有效减少估计参数. 实验结果表明, 新方法估计的波动率与能源期货市场的规律相符.     

GARCH族模型在我国沪市指数上的实证分析

波动性是股票市场的一大显著特征.文章以市场指数本身作为研究对象,选用广泛应用的GARCH族模型来研究上证综指的波动性.在对我国上证综指的波动建模中,主要采用伪最大似然估计,并通过短期与长期的预测绩效评价,确定指数GARCH(EGARCH)为上证综指长期波动的最优预测模型。     

基于指数加权分位数回归预测的CPFR成本模型

针对某些商品的高易变性、不对称性的需求模式,基于预测方法高精确度的要求,采用计量经济学前沿预测研究方法指数加权分位数回归预测法,建立了由零售商、制造商的成本模型和供应链系统总成本模型构成的CPFR供应链系统成本模型,为基于多层次CPFR的三级库存协调与优化研究中提高需求预测精度探索新的视角.该模型通过直接预测销售序列的分位数,避免既存研究中基于假设的预测失误,使预测结果更加贴近需求模式的真实值.数值分析表明指数加权分位数回归预测模型的预测精度较高.     

汇率波动对大宗商品交易价格影响研究

基于大多数大宗商品以美元计价的现实背景,考虑到交易成本在内的一价定律,从人民币汇率波动对大宗商品交易价格的影响出发,以大宗农产品中的大豆、小麦和白糖为例,根据大宗农产品的国内期货价格的日频数据和人民币对美元的即期汇率,运用多元协整模型、误差修正模型、脉冲响应函数等方法,对人民币兑美元汇率与国内大宗农产品价格之间的关系进行全面分析.实证结果表明,人民币兑美元汇率的升值与大宗农产品价格上涨存在正相关关系,美元的贬值可能会导致更高的大宗农产品价格.     

安徽省城镇化水平预测———基于IOWHA算子的组合预测

以1990-2011年安徽省城镇化水平为样本区间,在指数平滑、灰色预测与回归预测三种单项预测方法的基础上,以预测倒数误差平方和最小为准则,建立IOWHA算子组合预测模型;对该模型的预测有效度的评价结果表明该组合预测模型能有效提高预测精度;根据该组合模型预测出安徽省2012-2015年城镇化水平将分别达到46.35％、47.89％、49.44％、50.98％.     

随机波动率模型下基于精确模拟算法的期权计算理论

基于两类随机波动率模型研究了欧式期权的价格和敏感性估计问题.在Broadie和Kaya的精确模拟算法基础上,讨论了舍取抽样技术在精确模拟算法中的有效应用.在此基础上研究条件蒙特卡罗、对偶变量技术等方差减小技术在欧式期权定价和敏感性Greeks计算中的加速问题.数值结果表明,相比欧拉离散和原始的蒙特卡罗模拟算法,基于精确模拟算法的条件蒙特卡罗加速技术能得到无偏且方差更小的估计值,具有较好的误差减小效果.该算法可以很方便地解决其他更加复杂的金融产品的计算问题,如障碍期权的定价和敏感性估计问题、篮子期权的计算问题等.