基于多周期GARCH-M模型的短期电价预测

电价的分布特性是电力市场风险管理和电力金融产品定价的重要依据。建立了一个采用虚拟变量和正弦函数来刻画现货电价序列多周期性特征的GARCH-M模型。该模型易于定阶、待估参数少,可同时处理电价序列的趋势变化、多周期、异方差及其与负荷之间的非线性相关性,具有一定的实用价值。对PJM电力市场历史数据的分析表明,电价分布的异方差和负荷的平方对电价均值具有显著的影响,电价序列具有周、半月、月、季、半年等多重周期和明显的波动集聚性。

基于GARCH-M模型的人民币汇率预测

在经济全球化的形势下,人民币的走势是关系到中国外贸企业生存、国际地位以及国家金融环境的重要因素,因此对人民币/美元汇率进行预测是十分有必要的。通过对GARCH-M模型在预测人民币美元汇率的可行性,时间序列存在异方差性和自相关性的论证,建立相应的GARCH(1,1)-M模型,并运用模型对美元/人民币汇率进行预测。表明在现实中可以运用GARCH-M模型进行汇率趋势预测,但是由于检验的数据较少,所以不能达到精确的预期目的。

基于ARMA-EGARCH-M模型的沪深股市波动性分析

文章讨论了ARCH模型族的拟合波动性的优缺点,建立ARMA-EGARCH-M模型,简要说明了此模型的优点;以2000年1月11日-2006年3月15日上证综指和深证成指收盘价为样本,对我国沪深股市收益率分布用ARMA-EGARCH-M模型进行拟合分析,结果表明该模型能更有效地拟合我国沪深股市的波动性;最后解释实证结果和分析了我国股市的行为。

Garch-M模型的沪市险值实证研究

由于我国股票市场每日报酬时间序列的非正态性和厚尾特性,且呈现波动集群性,基于正态假设的静态模型存在很大的缺陷,而Arch类模型具有良好的处理厚尾能力,能较好地描述股价等金融变量的波动特征,因此,将Garch-M模型引入VaR方法中,通过实证分析,结果表明,Garch-M模型能显著提高预测的准确性。

GARCH-M模型在股指预测中的应用

本文用GARCH-M模型模拟波动率的变化趋势,并进行预测,将所得结果带入Black-Scholes公式中,用蒙特卡罗模拟10000次,取其期望,得了较真实的股票指数。

居民家庭金融资产风险与宏观经济波动的协动性关系研究——基于GARCH-M模型的风险度量方法

居民家庭金融资产组合不仅存在风险,而且风险会随着居民持有不同金融资产的比重、家庭外部宏观经济的波动而变动。通过构建GARCH-M模型,引入宏观经济变量(GDP增长率、CPI、利率),并计算在险价值VaR,分析宏观经济指标波动与家庭金融风险的协动性关系。研究认为,家庭金融收益主要受利率影响,家庭金融风险主要受GDP和CPI影响,而且家庭金融风险具有集聚性,并会影响利率的变化。

一类GARCH-M模型的遍历性研究（英文）

针对Christensen等(2012)提出的一类GARCH-M模型,本文对该模型的遍历性进行了研究.通过对模型的条件均值函数和CARCH方程的参数加以适当的约束条件,模型的几何遍历性可以得到证明.本文的结果可以运用到一些常见GARCH-M模型的条件均值上去.

基于GARCH-M模型的湖南省CPI波动的实证研究

居民消费物价指数的波动聚集性问题是物价研究中的一个重要课题.文章根据湖南省1994年1月到2012年5月的居民消费物价指数月度数据,运用时间序列的GARCH模型对其建立模型,较好的拟合了湖南省居民消费物价指数,并得出湖南省居民消费物价指数存在波动聚集性,它对外部冲击反应比较慢,具有时滞性.

应用EWMA-GARCH(1，1)-M模型对沪深300股指期货最小VaR套期保值效果研究

VaR是目前国际上应用最广泛的度量金融风险的指标之一,其核心在于波动率,也就是方差的参数估计.采用EWMA模型估计方差,并且结合风险溢价特征的GARCH(1,1)-M模型计算出沪深300股指及其期货的最优衰减因子为0.933 25,摒弃了以往采用0.940 0作为衰减因子的一贯做法,并且运用Cornish-Fisher方程对正态分布的分位数进行了修正,得到修正后的套期保值比率以及资产组合的VaR,与传统的套期保值模型相比,该模型的风险价值VaR降低的程度明显,并且对投资组合未来的VaR具有很好的预测效果,表明EWMA-GARCH(1,1)-M模型对沪深300股指期货的套期保值效果较好.

改进的GARCH-M模型在股市风险分析中的应用

首先对上海和深圳的收益序列进行自相关检验，发现两市均不具有明显的自相关特征．其次对两市收益进行异方差检验，发现它们的异方差特征显著．在前两步基础上提出改进的GARCH—M（1，1）模型进行风险分析，结果表明：沪深两市的风险都具有时变、正偏、高峰、波动聚集性和长记忆性等特点；中国股市的收益与风险没有必然联系，投资者还处于不完全理性阶段；风险对市场的正负面消息的反应存在显著差别，负面消息在一定程度上加剧了市场波动．

基于GARCH-M模型的对冲基金风险评价

与传统理论研究的金融资产高风险高收益的结论不同,利用GARCH-M模型分析各分类对冲基金指数的风险收益状况,发现部分分类对冲基金指数收益表现出高风险低收益的状况。原因在于高杠杆和衍生品的复杂性使得对冲基金的收益与风险更加复杂化,不能简单地认为对冲基金在高风险状况下可以提供更高的收益。国外学者研究发现,对冲基金的解散率比较高的主要原因是由于投资的失败,一般存续时间为3-5年,这提醒投资者选择对冲基金时要更多地考虑风险承受水平。

基于ARIMA-GARCH-M模型的短时交通流预测方法

针对差分自回归移动平均(Auto-Regressive Integrated Moving Average,ARIMA)模型在获得时间序列非线性特性中的局限,基于线性递归的ARIMA模型和非线性递归的广义自回归条件异方差一均值(Generalized Autoregressive Conditional Heteroscedasticity in Mean,GARCHM)模型,提出一种组合模型ARIMA-GARCH-M进行短时交通流预测,并利用城市快速路交通流数据进行模型预测精度的检验.结果表明:ARIMA-GARCH-M模型考虑了异方差性这一非线性特性,相比于ARIMA-SVR模型和ARIMA-GARCH模型的预测结果,本文构建模型具有较好的预测效果,能够有效提高预测精度至90.39%.

基于GARCH-M模型的CPI波动因素分析

在经济运行过程中,CPI的波动会受到各种因素的影响,而且影响时间、影响程度和影响方式复杂多变。文章选取2007-2014年我国CPI月度数据,通过平稳性检验和差分处理,建立GARCH-M模型。结果表明:我国居民消费者价格指数具有明显的波动聚集性和不对称性,GARCH-M模型能较好地拟合和预测我国CPI波动情况。

基于ARMA-GARCH-M模型的石油价格市场风险与收益关系研究

通过对1983年4月8日到2014年3月21日的美国原油价格运用ARMA-GARCHM模型来研究石油价格市场风险与收益关系,得出如下结论:石油价格日收益率具有波动聚集的特征;ARMA-GARCH-M模型能够较好地拟合石油价格的走势;ARMA-GARCHM模型估计结果显示石油市场的收益与风险是正相关的,预期收益包含一定的风险溢价。

基于不同分布下GARCH-M族模型的短期用户负荷预测

电力负荷预测是电力系统研究的基础工作之一,而时间序列分析法是目前使用最广泛的预测方法。针对用户日度负荷时间序列存在的波动性及尖峰厚尾特征,文中提出利用均值广义自回归条件异方差(GARCH-M)族模型进行用户负荷预测。首先根据用户日度负荷时间序列的分布情况,利用拉格朗日乘数(LM)检验方法检验了负荷序列的自回归条件异方差(ARCH)效应;其次提出在高斯分布、t分布和广义误差分布(GED)3种不同分布下,根据波动补偿项的不同形式,建立GARCH-M族模型;最后结合损失函数进行预测分析,结果表明相比传统时间序列分析模型,在不同分布下的GARCH-M族模型提高了短期用户负荷预测准确度。

ARIMA-GARCH-M模型在短期股票预测中的应用

金融时间序列模型既是股票预测中最常用的方法,也是预测股市变化最好的工具之一。根据已有研究,将波动率代入模型公式中,根据各项准则构建ARIMA-GARCH-M模型对股票的收盘价进行预测,利用递归思想对拟合曲线进行校正,进一步提高预测的准确率,并进行MAPE(平均绝对误差)、RMSE(均方根误差)、EC(等系数)检验。最后将ARIMA模型、ARIMA-GARCH模型和ARIMA-GARCH-M模型的检验结果比较。结果表明,通过递归校正的ARIMA-GARCH-M模型在股票短期预测中有着良好的效果,具有一定的可行性。

利用GARCH-M类模型和极值理论对上证综指的研究

金融时间序列具有分布的厚尾性、波动的集聚性等特征,传统的方法难以准确的度量其风险。文中运用一种新的估计VaR和ES的方法,即采取两阶段法。首先用GARCH-M类模型(GARCH-M、EGARCH-M和TGARCH-M)拟和原始收益率数据,得到残差序列;第二步用极值分析的方法分析的尾部,最后得到收益率序列的动态VaR和ES。最后对三个模型的计算结果进行比较。

GARCH-M模型与我国沪深股市的波动

运用多元GARCH-M模型对我国沪、深股市的期望收益率与 风险以及两市波动之间的相互影响关系进行了实证性研究，发现我国股市风险和期望收益之 间无显著关联，但两市波动之间存在着相互影响的关系。同时，沪、深股市波动具有群集性 和持续性。

基于GARCH-M模型的中国创业板收益率的实证分析

对中国创业板指数收益率进行统计性分析和残差检验,并建立了AR模型,发现残差序列存在明显的ARCH效应,即过程的方差不仅随时间而变化,而且有时变化很激烈;按时间观察会有"波动丛集性"或"波动聚集性";从取值的分布来看有"高峰厚尾"的特征.因此,主要借助能够避免过度拟合并且更加简约、在处理金融数据易变性方面和非对称效应方面具有优势的广义ARCH模型(GARCH)消去ARCH效应、分析每日收益率,并利用GARCH-M模型对我国创业板的收益率与风险进行实证分析.最后利用信息冲击曲线来分析正负消息的冲击力差异,即"杠杆效应".

基于GARCH-M模型的非线性损伤识别和实验研究

裂缝等损伤在振动时常具有变刚度的时域非线性特征,且损伤前的数据难以获取。针对此问题,通过采集检测结构各位置的加速度时间序列,建立待检测层和基层响应数据的广义自回归条件异方差(generalized autoregressive conditional heteroskedasticity in the mean,简称GARCH-M)模型,分析两模型系数的切比雪夫距离,提出了基于GARCH-M模型和切比雪夫距离的归一化损伤识别组合指标。仿真和实验结果表明:基于上述组合指标,仅利用损伤后的加速度响应数据进行损伤识别,即能够有效识别出非线性损伤层位置;相较于GARCH模型,GARCH-M模型对结构的非线性损伤加速度响应时间序列具有更好的适应性;模型计算过程简单,精度较高,在输电塔等工程结构的非线性损伤识别领域具有较好的工程应用价值。