基于广义自回归条件异方差选股模型的布林带通道突破择时量化交易

提出一种综合利用广义自回归条件异方差模型进行波动率选股、布林带通道突破择时和平均真实波幅(ATR)动态止损的量化投资策略。首先,利用广义自回归条件异方差(GARCH)模型预测未来一周波动率最大的30只股票,构建股票池;其次,采用布林带指标进行择时,捕捉价格趋势变化;最后,根据平均真实波幅指标调整止损位,保护资本。通过多次回测,确定最佳参数。研究结果表明,该策略在不同市场环境下均表现出色,熊市具有较好的避险能力,牛市和震荡市场具有较强的盈利能力,实现了稳定的超额收益。综合运用波动率选股、价格突破和动态止损策略,为投资者提供了一种有效的量化投资方案。

基于厚尾均值广义自回归条件异方差族模型的短期风电功率预测

风电功率预测准确度的提高对提高电力系统调度效率具有重要的作用。基于对风电功率时间序列波动性的研究,推广了一种厚尾均值广义自回归条件异方差(GARCH-M)族短期风电功率预测模型,同时,基于波动补偿项的不同形式,将模型拓展为多种类型的厚尾GARCH-M模型。该类模型能够捕捉风电功率时间序列波动性与其条件均值的直接关系,并能够有效刻画具有高峰度特征的实际风电功率序列的厚尾效应,使风电预测准确度提高。结合江苏地区风电场风电功率实际数据,对所提厚尾GARCH-M模型进行了参数估计,论证了存在于风电时间序列中的GARCH-M效应和厚尾效应,给出了风电功率均值和条件方差的预测方案。算例分析结果验证了所提方法的可行性和有效性,表明了考虑厚尾特征的GARCH-M族模型短期预测效果满意。

基于小波分析与广义自回归条件异方差模型的短期电价预测

由于电价波动具有非线性及波动集群现象,因此提出了一种基于小波分析和广义自回归条件异方差模型相结合的短期电价预测新方法。首先应用小波分解原理将电价序列分解成低频部分和高频部分,在此基础上对各子序列分别建立广义自回归条件异方差模型并进行预测;然后利用小波理论对各子序列的预测结果进行重构,实现对原始电价序列的预测;最后以美国加州电力市场历史数据为例进行了验证,结果表明本文方法是可行和有效的。

考虑外生变量的广义自回归条件异方差日前电价预测模型

利用广义自回归条件异方差模型预测电价,并在该模型中引入周用电比率作为外生变量,以增加模型对外界影响的响应。采用上述方法对美国PJM电力市场2004年12月份的日前电价进行预测,结果表明该方法对高峰时段电价的预测精度明显高于与之对比的其他模型,整体预测精度也好于对比模型。

基于加权双高斯分布的广义自回归条件异方差边际电价预测模型

研究电力市场系统边际电价(system marginal price,SMP)条件方差的变化规律及残差的统计分布特征,据此引入广义自回归条件异方差(generalized auto-regressive conditional heteroskedasticity,GARCH)模型,并建立了基于加权双高斯(weighed double Gaussian,WDG)分布假设的GARCH模型(GARCH-WDG)对系统边际电价的变化规律进行研究。美国PJM市场和澳大利亚NSW市场的实际数据表明,GARCH模型对电价的估计和预测均有良好的效果,GARCH-WDG模型则进一步改善了GARCH模型的性能。

基于自回归条件异方差-反向传播网络模型的日前边际电价预测

针对日前电力市场提出了一种基于自回归条件异方差分析的改进神经网络模型。首先利用自回归条件异方差分析得到边际电价序列的条件方差,然后以条件方差作为电价波动风险指标,建立基于历史电价、历史负荷和历史电价条件方差等输入量的自回归条件异方差?反向传播网络模型,并利用该模型对美国PJM电力市场的日前边际电价进行了预测。结果表明,引入自回归条件异方差分析可以有效提高传统反向传播网络的预测精度。

基于不同分布假设条件的自回归条件异方差族模型在评估日前电力市场风险价值中的应用比较

以美国宾夕法尼亚-新泽西-马里兰日前电力市场为例,对采用基于不同分布假设的自回归条件异方差族模型评估市场的风险价值进行了比较研究。首先利用自回归条件异方差族模型分析得到了边际电价收益序列的条件方差序列,然后利用风险价值计算公式得到了不同分布假设条件下的风险价值序列,并比较了不同分布假设条件下的风险估计效果。分析结果表明,在一天中的不同时刻,分别建立基于不同分布假设的风险价值模型具有较好的效果。

非对称广义自回归条件异方差的新模型

本文提出了一个新的非对称广义自回归条件异方差的新模型，证明了该模型宽平稳及其最简模型偶数阶矩存在的充要条件．

基于广义自回归条件异方差模型的世界原油运价风险分析

为有效评估世界原油运价风险,根据世界原油运输市场运费收益的基本特性,选用基于广义误差分布(Generalized Error Distribution,GED)的广义自回归条件异方差(Generalized Auto-Re-gressive Conditional Heteroskedasticity,GARCH)模型,计算原油运价收益率波动的风险值.该模型很好地描述了运价收益率曲线尖峰厚尾、波动聚集性以及杠杆效应等特征.以波罗的海航运交易所发布的波罗的海原油油船运价指数(Baltic Dirty Tanker Index,BDTI)为例进行研究分析,检验结果表明该方法有效.

基于不对称自回归条件异方差模型的短期负荷预测

研究了负荷时间序列的自回归条件异方差效应,提出了一种基于不对称自回归条件异方差模型的短期负荷预测方法。建立了广义误差分布假设下的不对称广义自回归条件异方差模型,借助模型的不对称参数,分析了不同冲击下的不对称机制,比较了各种广义自回归条件异方差模型的预测能力。其中,幂指数广义自回归条件异方差-广义误差分布模型的预测效果尤为突出。最后通过实际算例验证了上述方法的可行性和有效性。

广义自回归条件异方差模型的贝叶斯参数估计

文章建立基于偏正态分布的广义自回归条件异方差模型(GARCH-SN)的贝叶斯参数估计方法。通过MCMC抽样中常用的MH算法解决贝叶斯估计中遇到的高维数值计算问题,得到稳定的抽样序列。模拟显示MCMC抽样序列平稳,贝叶斯估计过程中不需要调整MCMC抽样,抽样后得到的均值接近真值,输入集样本量增大得到的估计值偏离真值的程度随之减小。

自回归条件异方差模型在宏观经济预警中的应用

将ＡＲＣＨ模型引入宏观经济预警，讨论了ＡＲＣＨ预警系统的指标设计、ＡＲＣＨ预警方法以及预警警限的界定，给出了一种具有ＡＲＣＨ特征的警限界定方法。

应用自回归条件异方差模型研究我国水力发电量

为了研究水力发电量条件方差的变化规律及残差的统计分布特征,引入自回归条件异方差模型,建立基于正态分布假设的同阶自回归条件异方差模型对我国2001年1月到2016年2月的水力发电量进行实证分析,研究得出该模型对发电量的估计与预测具有良好的效果。

自回归条件异方差模型在医学数据分析中的应用

为探讨自回归条件异方差模型在医学数据分析中的应用效果 ,采用自回归条件异方差模型对实例进行了分析 ,并与多元回归分析结果进行了比较。结果显示 ,当数据方差不齐时 。

基于自回归条件异方差模型的上证指数收益波动分析

股票市场的股价波动会引起股价指数的涨跌。本文基于计量经济学的自回归条件异方差模型,对上证指数2007年以来的1276个交易日的样本数据进行实证研究。结果表明:上证指数收益序列具有尖峰厚尾特征和波动的时段集群特征,适合利用自回归条件异方差模型进行分析及预测。研究结果为各方从不同角度把握上证指数收益波动的规律提供了股票投资理论和方法。

混合自回归条件异方差模型的谱分析

线性时间序列模型谱密度的计算可以直接由定义获得,而非线性时间序列模型谱密度的计算目前还没有一般的理论.2001年Wong Chun-shan等将混合自回归(MAR)模型推广到混合自回归条件异方差(MAR-ARCH)模型,并且讨论了该模型的参数估计及模型选择问题,本文导出了MAR-ARCH模型自协方差函数的递推关系式及计算谱密度的算法,从而解决了这类模型的谱分析问题.

自回归条件异方差模型的模拟

通过介绍怎样利用SAS/ETS中的自回归(Autoreg)过程实现条件异方差(ARCH)模型数据的分析,将理论与实践相结合,利用SAS/IML软件模拟两组(一组为ARCH(q)模型,另一组为AR(m)-ARCH(q)模型)ARCH数据,然后调用自回归过程对两组数据分别用相应ARCH模型进行数据拟合,得到理想结果.

基于广义自回归条件异方差遗传算法下短期电力负荷预测

负荷预测一直以来都备受关注,它对电力系统的规划、运行和调度都是重要的依据。传统的遗传算法具有的初始值选择盲目、收敛不稳定的缺陷,而负荷走向本身就具有很强的实时性和极大的不确定性,因此预测结果的准确性很容易受到影响。本文提出了这样一种方法:将广义自回归条件异方差(GARCH)模型和遗传算法(GA,Genetic Algorithm)相结合,先利用GARCH模型做出时间序列的初始预测,再用遗传算法分析进行多次综合迭代。理论分析及仿真结果表明,本文提供的预测方案显著的提高了预测的精度。

具有结构变化的资产定价模型的贝叶斯自回归条件异方差检验

在现代资产定价理论中,一个基本的假定是证券资产风险溢价满足方差齐性。然而,这样的假设未必是正确的,因此,需要对资产定价模型进行异方差的检验。本文在贝叶斯框架下考察了具有结构变化的资产定价模型,提出了检验该模型的回归条件异方差的贝叶斯检验方法。最后利用两个具体实例论证了所提方法的有效性。

多元旋转自回归条件异方差模型的构建与应用研究——以九种人民币汇率波动为例

本文描述了新扩展的多元旋转自回归条件异方差(RARCH)模型与旋转条件相关(RCC)模型及其三种主要类型:Scalar、Diagonal和CP,说明了如何利用极大对数似然法进行参数估计,然后,以9种主要的人民币外汇汇率收益率序列为例,对这两个多元旋转自回归条件异方差模型进行了参数估计,并与OGARCH和GOGARCH模型进行了有效性比较。研究结果表明,在二元波动模型中,RARCH与RCC模型的拟合效果显著优于OGARCH与GOGARCH模型,而且,RCC模型受益于分步估计,可以首先得到各序列的边缘分布,再对动态波动的参数进行估计,因而其表现要好于RARCH模型;在多元波动模型中,CP类的RARCH与RCC模型的拟合效果稍劣于Diagonal类型,但所需估计的参数大幅度减少,这对于估计高维数据的动态波动非常有效。通过边缘Copula预测能力分解可以看出,RARCH和RCC与OGARCH及GOGARCH模型相比,在1步提前预测的联合似然值上,获得了统计显著的收益。