上证综合指数的统计分析与预测

对上证综合指数进行了时间序列分解的实证研究,并在此基础上建立ARIMA模型对其进行拟合预测。

信息的非对称效应及对上证综指的实证分析

文章利用EGARCH-M,TGARCH-M和PGARCH-M具有非对称效应的均值模型,对上证指数收益率波动性进行了实证分析,结果显示这些模型均能很好地反映收益率序列的非对称杠杆效应及期望收益和期望风险的正向关系,并通过信息影响曲线(News Impact Curves)直观看出利空、利好消息的非对称反映,进而比较选择能更好地拟合此序列的模型。

基于GARCH模型的股票市场价格波动分析

在经济和金融研究中,波动性一直是一个非常重要的方面,中国股票市场建立至今,股市大起大落成为一种常态。本文建立了上证综合指数波动的GARCH模型,从实证角度说明了上证综合指数波动存在着波动集簇性,而GARCH模型可以很好的拟合股指波动情况,同时对股指收益率也能进行较好的预测,最后根据结论提出了一些对策建议。

金融时间序列预测中的GA-SVR方法

针对支持向量机方法在金融时间序列预测的过程中,模型参数选取不当的导致预测精度较低等问题,利用遗传算法优化选取支持向量机模型参数,建立了一种基于遗传算法优化支持向量机参数的金融时间序列预测模型。并将该方法应用于我国上证指数时间序列预测中。实验结果表明基于遗传算法优化的支持向量机方法能较好的反映金融时间序列预测规律,并且提高了模型预测精度。