排序方式: 共有12条查询结果,搜索用时 15 毫秒
1.
中国期货市场日内效应分析 总被引:8,自引:2,他引:6
运用1分钟高频数据对我国三个市场、六个品种的商品期货的收益率和交易量的日内变动模式进行研究,得出了日内绝对收益率及交易量的"L"型变化模式.这跟证券市场的"U"型日内特征不同,我们根据金融市场微观结构理论、交易机制及交易者心理给予解释.在此基础上,利用Granger因果关系检验和向量自回归模型(VAR),研究了影响收益波动性的各种因素.结果表明绝对收益率与交易量、持仓量之间两两存在双向Granger因果关系,这是与股市的只存在由交易量到绝对收益率的单向Granger因果关系不一样的结论,原因在于期货市场的做空机制.通过对VAR模型进行方差分解和脉冲响应分析,实证分析了三者之间的动态关系及影响程度.结论表明:当以绝对价格波动作为被解释变量时, 其自身的滞后项可以解释90%左右的残差扰动,交易量可以解释10%左右的的残差扰动.当以交易量作为被解释变量时,其自身的滞后项可以解释80%左右的残差扰动,绝对价格波动可以解释20%左右的残差扰动.当以持仓量作为被解释变量时,其自身的滞后阶数解释了45%~70%的残差扰动, 交易量解释了25%~45%的残差扰动,绝对价格波动解释了5%~10%.各方程变量解释基本都稳定在20~30分钟后.实证结果还表明持仓量对绝对价格波动和交易量有微弱的影响,而绝对价格波动与交易量有较强的互动影响,并且就此给投资者以相关建议. 相似文献
2.
中国期货市场高频波动率的长记忆性 总被引:1,自引:0,他引:1
利用GPH方法对中国期货市场收益率的高频数据进行检验, 实证结果表明: 期货市场高频收益率数据的波动性具有长记忆性特征. 然后应用一类描述金融市场波动性过程的长记忆性特征的分整自回归条件异方差FIGARCH模型和HYGARCH模型, 研究了中国期货市场高频数据波动性过程, 实证结果表明长记忆的GARCH类模型在预测期货市场高频数据波动率比较合适. 且相比较而言, HYGARCH模型比FIGARCH模型更加适用于期货市场. 相似文献
3.
推广了一类带停时的奇异型随机控制问题 ,证明了最佳控制策略的存在 ,并且以不同的参数取不同的结构形式 相似文献
4.
刘向丽 《太原理工大学学报》2006,37(6):706-709
利用最优控制理论和随机过程理论,讨论了一类带停时的随机控制的折扣费用模型,将原模型中费用结构中的R-S积分的被积函数由1推广为满足某些条件的一般函数,推广后的模型更具一般性。针对不同参数,当最佳控制存在时,给出在不同初始状态下,最优控制策略的结构及最佳费用函数的形式,尤其当最佳控制不存在时,给出具体详细的证明。 相似文献
5.
本文首先构造了基于价格久期和交易量久期的两个流动性指标, 发现用价格变动和交易量来衡量的流动性有冲突, 为比较其影响力, 又构建了基于久期的流动性比率指标来描述市场流动性, 用构建的新的流动性多维指标研究了我国期货市场流动性 的日内趋势及影响因素, 实证结果表明交易量和持仓量对市场流动性都具有显著的正影响, 绝对收益率对流动性有显著的负影响, 且交易量比价格变动影响更为显著. 分析表明国外常用的价差指标不适用于我国市场, 度量中国市场的流动性必须考虑交易量因素. 相似文献
6.
7.
考虑一类带有分红过程的比例再保险模型,为推广其应用,将其费用函数进行了推广,利用随机分析中的最佳控制理论,求得其最佳控制策略及相应的最大回报函数. 相似文献
8.
以购买力平价理论、利率平价理论和货币主义的汇率理论为基础,构造出日元美元的汇率模型, 并采用1984--2005年日美两国的经济数据,对日元美元的名义汇率和实际汇率进行回归分析,找出决定日元美元汇率的主要影响因素. 在经济指标的选择上,模型中不仅选用了通常用来代表一国经济生产能力和发展水平的指标------经济增长率,同时选用了反映两国实际消费和购买能力的指标------国内消费总额,而且将利率因素引入美日汇率模型. 结果表明:日元美元名义汇率变动主要决定于两国的GDP和货币供应量;实际汇率除此之外, 还受两国国内消费率和利率变化的影响. 相似文献
9.
基于低频金融数据的预测,在时间上具有长期性,依赖于整体经济环境,不能形成短期内的准确预测.但是由于高频金融时间序列具有非线性、非平稳性以及其特有的日历效应等特性,传统的ARMA模型也无法得到满意的预测结果.本文提出基于小波多分辨率分析的预测方法,将收益率数据分为高频部分(周期性)与低频部分(趋势性),对拆分后的序列进行重构,并对重构后得到的数据分别建立ARMA模型.实证研究表明,小波多分辨率分析能很好地滤出日内效应,由于股指期货独特的市场特征,应将分解层数定为3,分解重构模型可以提高预测精度. 相似文献
10.
金融危机对全球金融体系造成了巨大的影响,这使得各国研究者开始深入研究房地产部门与金融体系的这种连带关系所传达的信息,并思考应对之道. 本文首先从资产价格波动角度分析了房地产市场对金融系统的风险溢出的机制和传导过程. 在此基础上,本文首次引入AR-GARCH-CoVaR模型,估算了我国房地产市场对金融系统的风险溢出效应. 研究表明:银行将房地产作为仅次于制造业的第二大投资行业,银行房地产贷款额占总贷款额的20%左右,但这20%的贷款可能产生的风险却几乎相当于金融系统自身的系统性风险. 此外房地产部门对金融系统的风险溢出效应存在顺周期性,这表现为在2008年金融危机时房地产的风险溢出效应较大,而在2010年经济逐步恢复稳定时房地产的风险溢出效应较小. 相似文献