左偏长尾状态空间SV-MG模型的参数估计

针对SV模型转换为线性状态空间形式之后带来的非高斯对数卡方误差,文章以高斯混合分布近似具有左偏长尾性质的对数卡方分布,得到状态空间SV-MG(SV with Mixture-of-Guass)模型。结合MCMC方法和EM算法估计SV模型参数和高斯混合参数,并利用近似滤波(AMF)算法实现SV-MG模型的样本外预测。据此对沪深股市进行了实证研究。

基于PCA和灰色系统的住房价格建模

本文从房屋供给和需求两个方面科学的分析影响我国房价的因素,运用主成分分析法去除各影响因素间的线性相关性,同时减少了影响因素的个数;接下来利用最小二乘法确立房价与影响因素间的线性回归方程;最后引入灰色系统理论中的灰色预测方法,建立各影响因素的灰色预测模型,并对其进行量化分析、预测,将所得到的影响因素预测值代入到回归方程,以预测房价。

混沌时间序列的局域多项式系数建模及预测

由于局域线性模型的简洁、易于实现,在过去的三十年里,它被广泛的研究并用来预测混沌时间序列。本文依据混沌时序的局部特性和非线性特性,在局域线性模型的基础上,提出基于多项式系数自回归模型的局域非线性混沌时间序列预测方法(简称局域非线性模型)。相比于局域线性模型,该模型能够有效地逼近混沌时间序列的非线性特性。三种典型的混沌时间序列(Logistic映射、Henon映射和Lorenz系统)的仿真结果表明,局域非线性模型的多步预测性能及预测稳定性均好于局域线性模型,且在样本数据较少的情况下也有较高的预测精度。

非参数协整和误差修正模型及其在金融中的应用

本文主要研究了协整理论和非线性协整的非参数方法两个领域,包括线性协整及线性误差修正模型,非线性协整及非线性误差修正模型,ACE算法和局部多项式回归方法,基本梳理清楚了该领域的研究脉络和框架。本文运用Matlab编程实现了局部多项式回归这一非参数检验方法,详细地梳理了协整理论的内容,包括线性协整理论、线性误差修正模型、线性协整理论的估计和检验、非线性协整和误差修正模型及其估计和检验,并且对个中细节进行了注解,使脉络更为清晰明了,从而增进协整理论的易读性。对时间序列协整的非线性存在的应用提出了新的方法,即融合岭回归的局部多项式回归的非参数方法,通过仿真表明,该方法有很好的估计效果。选取日本、新加坡、台湾三地指数数据进行实证分析,把局部多项式回归的非参数方法和协整、误差修正模型结合,实现了对协整、误差修正模型的估计,并且得到了较高模型估计精度,尤其重要的是,能够合理地解释局部多项式回归这一非参数方法的一阶导数在日本、新加坡、台湾三地股市指数中的意义。

中国各省离婚率的空间聚集及时空格局演变分析

离婚率的上升既有深刻社会背景和时代背景，也凸显了现阶段人们价值观的变化。文章在对离婚率的区域差异性、空间聚集性分析的基础上，针对中国离婚问题的区域特性和时空特征进行统计分析，揭示中国离婚问题的空间演变规律。研究发现：中国各省级行政区离婚率的高、低在空间上呈现出非随机分布；从全局来看，中国各省离婚率一直存在高一高型聚集或低一低型聚集；从各省离婚率的局部聚集特征可以看出，高一高型主要集中在东北3省，低一低型主要集中在我国南部及东南沿海等省份；2004～2012年间，离婚率属于高一高型且显著的热点地区逐渐集中在黑龙江、辽宁、吉林，离婚率属于低一低型且显著的冷点地区从6个减少到只剩1个。

基于状态空间SV-T-MN模型的股指波动率预测

本文考虑到金融收益率序列的"尖峰厚尾"和波动持续性等特征,针对厚尾SV-T模型的波动率样本外预测问题,提出了基于状态空间下的SV-T-MN(SV-T with Mixture-of-Normal)模型。首先根据MCMC方法估计SV-T模型参数,然后由EM算法估计混合正态参数,最后利用近似滤波(AMF)算法实现SV-T-MN模型的样本外预测。对KF、EKF、AMF进行的模拟研究表明高斯混合状态空间下的AMF更有效。通过对上证指数和深证成指的股指日收益率序列的实证研究结果表明,在五大损失函数评价准则下,基于状态空间SV-T-MN模型能有效刻画金融收益率序列和尾部的波动性,相比SV-N-MN模型具有更好的优越性。