Forecasting the Daily Time‐Varying Beta of European Banks During the Crisis Period: Comparison Between GARCH Models and the Kalman Filter

This intention of this paper is to empirically forecast the daily betas of a few European banks by means of four generalized autoregressive conditional heteroscedasticity (GARCH) models and the Kalman filter method during the pre‐global financial crisis period and the crisis period. The four GARCH models employed are BEKK GARCH, DCC GARCH, DCC‐MIDAS GARCH and Gaussian‐copula GARCH. The data consist of daily stock prices from 2001 to 2013 from two large banks each from Austria, Belgium, Greece, Holland, Ireland, Italy, Portugal and Spain. We apply the rolling forecasting method and the model confidence sets (MCS) to compare the daily forecasting ability of the five models during one month of the pre‐crisis (January 2007) and the crisis (January 2013) periods. Based on the MCS results, the BEKK proves the best model in the January 2007 period, and the Kalman filter overly outperforms the other models during the January 2013 period. Results have implications regarding the choice of model during different periods by practitioners and academics. Copyright © 2016 John Wiley & Sons, Ltd.     

Cross‐Section Stock Return and Implied Covariance between Jump and Diffusive Volatility

I examine the information content of option‐implied covariance between jumps and diffusive risk in the cross‐sectional variation in future returns. This paper documents that the difference between realized volatility and implied covariance (RV‐ICov) can predict future returns. The results show a significant and negative association of expected return and realized volatility–implied covariance spread in both the portfolio level analysis and cross‐sectional regression study. A trading strategy of buying a portfolio with the lowest RV‐ICov quintile portfolio and selling with the highest one generates positive and significant returns. This RV‐Cov anomaly is robust to controlling for size, book‐to‐market value, liquidity and systematic risk proportion. Copyright © 2015 John Wiley & Sons, Ltd.     

基于可信群划分及评估值波动性和一致性的可信评估模型

提出一种基于兴趣相似度的可信群划分策略.将全局评估转化为群内评估,既解决了评估消息集聚的问题,又区分了不同兴趣域内的评估结果,提高了系统的服务成功率.同时提出一种结合评估值波动性和一致性的权重计算方法.仿真结果表明,新模型能抵抗各类恶意节点,且比以往的模型服务成功率更高.     

日元汇率波动及对华直接投资影响的实证研究

使用1989～2007年日本对我国8个制造业部门的外商直接投资数据和日元对人民币汇率数据，采用面板数据的GLS回归分析。研究发现：日元汇率波动对日本对华直接投资的影响存在显著的行业效应，具体为，日元升值显著促进日本时我国8个制造业部门的直接投资，日元贬值则抑制直接投资，且各行业间的影响程度有差别；日元汇率波动性对每个行业的影响均是负的，且对电子与运输设备行业的影响是显著的。     

变时滞非线性细胞神经网络稳定性分析

通过构造新的Lyapunov-Krasovskii泛函和线性矩阵不等式(linear matrix inequatity,LMI),研究变时滞非线性细胞神经网络渐近稳定性,利用牛顿-莱布尼兹公式,一些参数矩阵表达出系统变量之间的关系。从而得出一个具有变时滞相关的全局渐近稳定性判据,其扩展并改善了以前文献的结果。数值及仿真例子验证了结果的有效性。     

动态测试数据自动处理方法

提出成立动态测试数据自动处理方案，首先通过两次移动平均及相应的统计检验，自动初辨数据属于平衡型、一阶非平衡型或二阶非平衡型，同时用移动回归外推法自动剔除异常数据，并用ＲＰＥ－ＫＦ自适应滤波法抑制测试随机误差。然后按初辨结果自动选定加权逐步回归或／与时序模型特征根判别的混合谱分析法及其算法参数。提取数据中的非周期或／与周期成分，并用移动Ｍａｒｐｌｅ算法拟合随机成分的时变ＡＲ模型，估计其统计特征量。已     

时滞依赖的变延时细胞神经网络的指数稳定性

细胞神经网络(CNNS)由于有许多重要的应用价值，所以它的稳定性分析一直是神经网络领域里的一个重要课题．近年来，神经动力系统的定性分析吸引了众多学的关注．在神经网络的电子器件实现中，出现了许多问题，诸如：转换延时，积分器，连接延时等．在这种情况下，在系统模型中一定要引进一个延时参数．要制造高质量的微电子神经网络，研究带有延时的神经动力行为是特别重要的．献[1～11]研究了时滞神经网络的全局稳定性；献[5，9，12，13]给出了有关延时细胞神经网络(DCNNs)全局稳定的充分条件，但是在这些章中，细胞的输出函数要求是一个分段线性函数并且延时是一个常量；献[10，13]虽然不再要求细胞的输出函数为分段线性函数，但是仍要求它的延时项是一个常数．在Lyapunov稳定性理论及矩阵不等式的基础上，给出了一个保证变延时细胞神经网络平衡点存在唯一并且全局指数稳定的充分条件．这个条件对参数变延时做了一个限制．给出了一个具体的数值例子及其仿其结果来说明我们结果的可行性．     

上海证券交易所Ａ股市场的波动性分析

运用主要的三种条件异方差模型：ARCH、GARCH、EGARCH模型，对上海证券交易所A股指数的波动性进行拟合，分析模型对上证A股指数收益的波动性、杠杆效应的拟合情况，比较不 同模型对未来波动性的预测情况。实证分析结果表明：EGARCH模型比较适合对我国股票市场 波动性作长期预测，若假设收益序列服从t分布，由此改进的EGARCH-T模型会得到比正态分 布下更好的拟合与预测效果。     

资产价格的抛物线跳跃扩散模型

以Bibby与Sφrensen(1997)抛物线扩散模型为基础,用一个线性趋势和跳跃加上一个扩散过程为资产价格对数建模,该扩散过程是一个漂移项为0、扩散系数依赖与瞬时的资产价格,该模型称之为抛物线跳跃扩散模型.通过模型成功的拟合了几个不同价格指数数据集合,表明抛物线扩散跳跃模型能够很好的体现资产收益分布的检验特征.开发了基于Milstein的McMC算法,成功的估计了模型的参数及隐含变量,并验证了所开发算法的有效性.     

随机波动模型参数估计的新算法及其在上海股市的实证

研究用马尔科夫链蒙特卡罗(MCMC)算法估计随机波动模型的参数问题.基于“前向滤波,后向抽样”方法提出一种新算法,并将新算法同原有算法进行了比较.然后利用新算法对上海股市进行波动性分析,发现中国涨跌停板制度对波动的持续性估计有着重要的影响,忽视这些因素将会导致波动的持续性被高估.