园区微能源网在波动的电力现货价格下常面临调度成本的不确定性,易造成额外的损失成本。然而,常用的随机优化手段——典型场景规划、条件风险价值(condition value at risk,CVaR)存在忽略场景合并损失及置信度主观选值的问题。为此,提...园区微能源网在波动的电力现货价格下常面临调度成本的不确定性,易造成额外的损失成本。然而,常用的随机优化手段——典型场景规划、条件风险价值(condition value at risk,CVaR)存在忽略场景合并损失及置信度主观选值的问题。为此,提出兼顾场景相似度与合并损失下的改进场景缩减优化方法,提取典型市场场景集,将场景缩减后的损失度作为置信度的选值依据,形成改进CVaR日前经济调度模型。算例分析表明,基于场景缩减优化引导置信度选值的方法有效促使CVaR值反映实际调度的损失成本,且较主观选值而言更接近理论最低的尾部风险损失,即表明园区微能源网的日前经济调度成本与实际环境更为接近,并进一步讨论了考虑风电不确定性及其他场景缩减方案下的模型推广性。展开更多
金融稳定需要防范和化解金融市场之间的风险传染。与以往文献只是探究两个市场的风险传染不同,本文利用高维VAR for VaR模型将中国的汇市、债市、大宗商品、金融期货和股市等五个金融市场纳入统一框架,分析这5个金融市场在不同状态的风...金融稳定需要防范和化解金融市场之间的风险传染。与以往文献只是探究两个市场的风险传染不同,本文利用高维VAR for VaR模型将中国的汇市、债市、大宗商品、金融期货和股市等五个金融市场纳入统一框架,分析这5个金融市场在不同状态的风险溢出效应,这有助于捕捉冲击在不同金融市场之间传播而产生的间接影响。Wald检验和后验分析表明5个市场间只在危机或泡沫状态时存在明显的风险溢出效应。同时,本文利用压力测试发现单个市场的短期冲击影响会被其他金融市场如股市消化吸收,但4个金融市场都处于正常状态会明显降低其他金融市场如股市的左尾风险。此外,本文提出利用单个金融市场在同一时点的不同分位数计算每个金融市场在同一时点的预期收益、波动风险和崩盘风险,这种做法的好处在于结果更加稳健以及减轻极端值的影响。在此基础上,本文进一步探究金融市场间是否能够对冲彼此的波动风险和崩盘风险。结果显示大宗商品市场和金融期货市场能够有效地对冲其他金融市场的波动风险和崩盘风险,但汇市、债市和股市无法对冲其他金融市场的波动风险和崩盘风险。展开更多
文章提出了一种基于长短期记忆网络(Long-short Term Memory network,LSTM)的两阶段均值-CVaR投资组合模型(LSTM+CVaR)。该模型在第一阶段采用LSTM预测股票收益并对股票进行选择;在第二阶段运用均值-CVaR模型来确定所选股票的投资比例...文章提出了一种基于长短期记忆网络(Long-short Term Memory network,LSTM)的两阶段均值-CVaR投资组合模型(LSTM+CVaR)。该模型在第一阶段采用LSTM预测股票收益并对股票进行选择;在第二阶段运用均值-CVaR模型来确定所选股票的投资比例。最后,以沪深300指数股为样本数据,在考虑交易成本和上界约束的情况下,比较LSTM+CVaR模型、LSTM预测选股的等比例模型、随机选股的CVaR模型、随机选股的等比例模型和沪深300指数的风险收益特征、累计收益率和夏普比率。实证结果表明:LSTM+CVaR模型能够实现比传统的投资组合模型更高的平均收益率、收益风险比、累计收益率和夏普比率;减少交易成本和放宽上界约束能提升投资组合模型的表现。展开更多
文摘园区微能源网在波动的电力现货价格下常面临调度成本的不确定性,易造成额外的损失成本。然而,常用的随机优化手段——典型场景规划、条件风险价值(condition value at risk,CVaR)存在忽略场景合并损失及置信度主观选值的问题。为此,提出兼顾场景相似度与合并损失下的改进场景缩减优化方法,提取典型市场场景集,将场景缩减后的损失度作为置信度的选值依据,形成改进CVaR日前经济调度模型。算例分析表明,基于场景缩减优化引导置信度选值的方法有效促使CVaR值反映实际调度的损失成本,且较主观选值而言更接近理论最低的尾部风险损失,即表明园区微能源网的日前经济调度成本与实际环境更为接近,并进一步讨论了考虑风电不确定性及其他场景缩减方案下的模型推广性。
文摘金融稳定需要防范和化解金融市场之间的风险传染。与以往文献只是探究两个市场的风险传染不同,本文利用高维VAR for VaR模型将中国的汇市、债市、大宗商品、金融期货和股市等五个金融市场纳入统一框架,分析这5个金融市场在不同状态的风险溢出效应,这有助于捕捉冲击在不同金融市场之间传播而产生的间接影响。Wald检验和后验分析表明5个市场间只在危机或泡沫状态时存在明显的风险溢出效应。同时,本文利用压力测试发现单个市场的短期冲击影响会被其他金融市场如股市消化吸收,但4个金融市场都处于正常状态会明显降低其他金融市场如股市的左尾风险。此外,本文提出利用单个金融市场在同一时点的不同分位数计算每个金融市场在同一时点的预期收益、波动风险和崩盘风险,这种做法的好处在于结果更加稳健以及减轻极端值的影响。在此基础上,本文进一步探究金融市场间是否能够对冲彼此的波动风险和崩盘风险。结果显示大宗商品市场和金融期货市场能够有效地对冲其他金融市场的波动风险和崩盘风险,但汇市、债市和股市无法对冲其他金融市场的波动风险和崩盘风险。
文摘文章提出了一种基于长短期记忆网络(Long-short Term Memory network,LSTM)的两阶段均值-CVaR投资组合模型(LSTM+CVaR)。该模型在第一阶段采用LSTM预测股票收益并对股票进行选择;在第二阶段运用均值-CVaR模型来确定所选股票的投资比例。最后,以沪深300指数股为样本数据,在考虑交易成本和上界约束的情况下,比较LSTM+CVaR模型、LSTM预测选股的等比例模型、随机选股的CVaR模型、随机选股的等比例模型和沪深300指数的风险收益特征、累计收益率和夏普比率。实证结果表明:LSTM+CVaR模型能够实现比传统的投资组合模型更高的平均收益率、收益风险比、累计收益率和夏普比率;减少交易成本和放宽上界约束能提升投资组合模型的表现。