新信息离散GM(1,1)模型及其特性研究

研究了新信息离散GM(1,1)模型(NDGM)的参数特性及其对等比序列的拟合性质.提出了分段修正新信息离散GM(1,1)模型(SNDGM)并对其建模机理进行研究.证明了序列初始值不影响发展系数值,以此为依据对SNDGM模型进行拓展,解决了原始数据序列为分段等比数据情况下的拟合精度问题.结果表明NDGM模型能够完全拟合等比序列,SNDGM模型能够完全拟合分段等比序列.     

基于遗传算法优化的GM(1,1)模型及效果检验

对变化较平稳的数据和变化幅度较大的非平稳数据两种序列建立的 GM(1 ,1 )模型 ,分别用加速遗传算法 (AGA)和最小二乘法 (LSM)对模型参数求解 .结果表明 ,对变化较平稳数据序列 ,两种参数求解法建立的预测模型的拟合优度和预测精度相差无几 ;对变化幅度较大的非平稳数据序列 ,基于 AGA的 GM(1 ,1 )模型的拟合优度和预测精度远高于基于 LSM的 GM(1 ,1 )模型的拟合优度和预测精度 .     

SV和GARCH模型拟合优度比较的似然比检验

讨论了在金融时间序列中广泛应用的两类波动性模型，即ARCH模型和SV模型的比较问题．从似然比原理出发，提出了一种基于随机模拟的似然比检验方法，阐明了利用该方法进行模型间比较的基本步骤，并利用基于随机模拟方法的似然比检验，分别比较了SV与GARCH(1，1)、SV与t-GARCH对上海股市数据拟合优度，结果表明：SV模型对于上海股市时间序列数据的拟合好于GARCH(1，1)模型，而SV模型上海股市时间序列数据的拟合与t-GARCH(1，1)模型效果相当。     

基于函数cot(x~α)变换的灰色GM(1,1)建模方法

提出了对建立GM(1,1)模型的标准化数据进行幂函数-三角函数cot(xα)(α>0)变换方法, 理论上证明了对原始数据序列进行这种函数变换可以有效地提高建模数据序列的光滑度, 且比"对数函数"法和"幂函数"法更加有效, 拓广了灰色模型的应用范围, 实例验证了所建GM(1,1)模型的精度优于"三角函数cot(x)"法所建模型, 说明了该方法的有效性.     

基于反正切函数权值累加生成的DGM(1,1)_(atan)模型及其应用

传统DGM(1,1)模型的累加生成算子没有考虑数据振荡对数据序列发展趋势的影响,模型预测结果往往呈现齐次指数增长的趋势.该局限性使得DGM(1,1)模型不适用于本身存在随机振动特征的序列分析与预测.针对这一问题,本文提出基于原始数据均值像序列的随机波动特征分析方法,设计出均值像反正切函数变权形式的累加生成算子;在此基础上建立了基于均值像反正切函数变权累加的DGM(1,1)atan模型,该模型综合考虑了数据的整体增长趋势与局部波动特征;最后,将模型应用于海域水质监测的数据分析与预测,预测结果验证了模型的有效性及实用性.     

近似非齐次指数数据的灰色建模方法与模型

传统GM(1,1)建模是用齐次的指数序列来拟合原始数据,对近似非齐次指数序列进行建模时会有较大的偏差,而现实中存在大量的近似非齐次指数的数据序列.根据传统灰色GM(1,1)建模机制,提出了一个用非齐次指数序列来拟合原始数据的灰色模型,给出了模型参数的最小二乘解,并给出了模型时间响应函数的表达式. 最后,通过实验验证了新模型的拟合和预测精度实验结果显示,新模型比传统GM(1,1)模型具有更好的拟合和预测精度.     

初始值优化的离散灰色预测模型

针对经典GM(1,1)模型的不足,研究了离散GM(1,1)模型选取不同初始迭代点的模拟数据增长率特点.应用最优化技术求解初始迭代点,证明了改进的离散GM(1,1)模型能够完全模拟指数序列.提出了两类分段修正离散GM(1,1)模型,对建模机理进行了证明,并对改进模型进行了推广.结果表明,优化初始迭代点的分段修正离散GM(1,1)模型能够完全拟合分段等比序列.     

非线性自回归时序模型研究及其预测应用

从函数逼近和系统辨识两个方面推导了非线性自回归时序模型(GNAR模型)的物理结构,通过公式推导及仿真数据研究GNAR模型与确定性实函数、经典时序模型和混沌序列的关系,明确GNAR模型对系统逼近的机理.以Lorenz系统输出的混沌序列和现代经典时序-太阳黑子序列为算例进行数据实验,证明了GNAR模型在建模和预测方面的优越性.     

基于RBF-HMM模型的时间序列在线预测

针对非线性非高斯时间序列,提出观测噪声服从隐马尔可夫模型(HMM)的径向基函数(RBF)神经网络预测模型—RBF-HMM模型,该模型具有如下两个特点:(1)用隐节点数可变的RBF神经网络对时间序列进行非线性建模;(2)用HMM对非高斯噪声进行建模.并采用序列蒙特卡罗(SMC)方法实现RBF-HMM模型参数的动态调整和时间序列的在线预测.最后采用南京禄口国际机场日旅客吞吐量数据进行实证研究,结果表明该模型的有效性.     

离散GM(1,1)模型的特性与优化

GM(1,1)模型在对纯指数序列进行拟合时通常仍然存在偏差,对原始序列和发展系数有太多限制.离散GM(1,1)模型与原模型的很多性质很相似,可以看成是原模型的精确形式,而且对发展系数和原始序列没有非负限制,因此对于离散GM(1,1)模型的特性研究就极为重要.文章对离散模型模拟数据增长率特点、对指数序列的拟合以及数乘变换下的参数特性进行了理论证明.研究表明离散GM(1,1)模型可以完全拟合指数序列.数乘变换不改变原始序列的模拟精度,为解决灰色预测模型的病态性提供了思路.文章提出了分段修正离散GM(1,1)模型并对建模机理进行了证明.应用实例表明了该模型能够显著提高模拟精度.     

非线性时间序列建模的混合GARCH方法

在文献[1]的基础上，首次提出混合广义自回归务件异方差（Mixture Generalized Autoregressive Conditional Heteroscedastic Model简记MGARCH）模型；给出并证明了MGARCH模型的一阶平稳性的充分必要条件及二阶平稳性的充分务件；给出该模型参数估计的EM算法：利用BIC定阶准则对MGARCH模型的各成份进行定阶；计算结果表明该模型对金融非线性时间序列中存在的变异率现象具有较强的描述能力，有广阔的应用前景。     

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.     

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.     

随机利率下缴费预定型企业年金保险中生存年金精算现值模型

利用时间序列将投资利率为条件稳定AR(l)模型推广为条件稳定AR(p)模型和广义条件AR(p)模型，并根据生存年金理论得到缴费预定型企业年金保险中相应利率下的生存年金精算现值模型，这对解决企业合理发放养老金，避免企业养老基金出现赤字等问题具有重要理论指导意义和实际应用价值。     

混沌时间序列的混合预测方法

提出了一种基于小波变换、粒子群优化的最小二乘支持向量机(PSO-LSSVM)和广义自回归条件异方差模型(GARCH)的混沌时间序列的混合预测方法.首先利用小波变换将混沌时间序列分解和重构成概貌时间序列和细节时间序列; 然后利用PSO-LSSVM模型预测概貌时间序列的未来值,采用GARCH模型预测细节时间序列的未来值;最后将概貌时间序列和细节时间序列的未来值求和作为最终的预测结果.采用该方法对Mackey-Glass和变参数Logistic混沌时间序列进行预测. 结果表明该方法能精确地预测混沌时间序列,验证了文中所提方法的有效性.     

人民币汇率的半参数预测模型

利用从2006年1月4日到2008年7月18日人民币对美元汇率中间价的日均数据, 同时运用非参数函数系数模型和GARCH模型来分析人民币对美元汇率收益率与波动率的非线性时间序列特征. 实证结果表明, 半参数组合模型具有较好的拟合以及预测效果, 而且汇率管制政策变动的虚拟变量的估计 系数显著不为0. 跨度为50天的样本外预测显示: 96%的收益率真实值都落在2.5%以及97.5%的非参数分位 数回归预测线区间之内; 参数GARCH(1,1)模型拟合的波动率所显示出的汇率震荡与实际情况一致.     

中国股票市场的股票收益与波动关系研究

检验中国证券交易四类股票收益与波动的时间序列特征，以及收益与波动之间的关系。首先应用广义自回归条件异方差模型（GARCH）和指数GARCH模型以获得合适的条件方差序列。应用结果发现，波动性随时间变化的证据，并且波动高／低的时期趋向于聚集，显示出高度持续性和可预测性。然后，应用均值GARCH（GARCH－M）模型检验预期收益与预期风险的关系。研究结果认为，每日交易量作为每日信息到达时刻的代理变量对于中国股票市场每日收益的条件波动的解释力度不显著。     

Bayes多元时间序列分析方法及其应用

在条件似然函数意义下,讨论了基于矩阵正态-Wishart分布的多元时间序列Bayes分析方法,得到了模型参数的后验分布与一步预测分布.给出了分量方程的对应结果,说明了模型阶数的推断方法.最后,列出了计算步骤,并作为应用,对上海房地产价格指数数据进行预测建模,取得了较好效果.     

新型小波支持向量机在波动率预测中的实证研究

运用支持向量机进行广义自回归条件异方差(GARCH)模型预测所面临的一个主要问题就是普通核函数难以准确捕捉股指波动率的聚集特征.然而小波函数却具备以任意时间粒度在任意位置刻画任一时间序列的能力.因此,本文基于小波分析与核函数理论,构造了一个满足mercer条件的多尺度小波核来解决这一问题.通过真实股指数据分析,小波支持向量机在波动率预测中的有效性获得了证实.     

Learning Granger causality graphs for multivariate nonlinear time series

An information theory method is proposed to test the. Granger causality and contemporaneous conditional independence in Granger causality graph models. In the graphs, the vertex set denotes the component series of the multivariate time series, and the directed edges denote causal dependence, while the undirected edges reflect the instantaneous dependence. The presence of the edges is measured by a statistics based on conditional mutual information and tested by a permutation procedure. Furthermore, for the existed relations, a statistics based on the difference between general conditional mutual information and linear conditional mutual information is proposed to test the nonlinearity. The significance of the nonlinear test statistics is determined by a bootstrap method based on surrogate data. We investigate the finite sample behavior of the procedure through simulation time series with different dependence structures, including linear and nonlinear relations.