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。

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。

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。

自回归条件异方差(ARCH)模型及应用

自回归条件异方差过程是一种新的随机过程，被用于研究时间序列。它展示了随机变量的一种关系：序列方差随时间变化而变化。本文给出估计方法、模型的检验以及一个实证例子。

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。

多元线性回归模型中的异方差性问题

对计量经济学模型中应用最为普遍的线性回归模型进行了一些分析.指出模型的基本假设中"同方差性"不能满足,即出现了异方差性问题时,会出现哪些后果,应如何对模型作出调查,并介绍了目前使用较多的检验"异方差性"的方法.最后建立了我国消费函数模型.

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。

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 。

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。

太阳黑子的多项式趋势-自回归-条件异方差模型

用确定性趋势与残差服从条件异方差模型的自回归模型组合,作为太阳黑子相对数的数学模型.用它拟合1848—2002年太阳黑子相对数数据,取得很好的效果.首先通过逐步回归与逐步自回归,建立太阳黑子数的多项式趋势 自回归校正模型.然后通过PortmanteauQ检验和Lagrenge乘子检验证明残差存在强烈的异方差性,表明仅仅用多项式趋势 自回归校正模型是不够的.再配上一种条件异方差模型,即EGARCH模型控制其残差方差.从而建立多项式趋势+自回归+EGARCH模型.用此模型进行数据拟合回代,分析和预测,表明该模型的拟合,预测效果是好的,所分析的太阳黑子周期是恰当的.

非参数异方差模型中条件回归函数的EM算法——基于农村食品消费与纯收入的实证研究

对非参数异方差模型中回归函数的EM算法进行研究,并基于EM算法得到了条件回归函数的估计。此外,通过对农村居民食品消费支出与纯收入关系的实证分析,说明了基于EM算法的估计方法比最小二乘估计方法的拟合效果更好,并对恩格尔系数进行了拟合,分析了其变化走势。

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.

多元线性回归模型异方差检验研究

在经典线性回归模型中,对存在异方差问题的模型进行最小二乘参数估计会产生严重的后果,因此,研究异方差的检验方法显得十分重要。由于戈里瑟检验法能探测异方差的具体表现形式,但它对多元回归模型检验时,需要重复拟合试验模型。文章基于戈里瑟检验法的思想,利用样本主成分对观测值进行重新组合,在其方法上进行改进,使得整个检验过程方便、快捷。最后通过实例论证了改进后的方法是有效和可行的。

我国玉米价格波动的条件异方差模型实证分析

为了研究我国2005年1月到2014年12月玉米价格序列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模型进行实证分析,得出该模型对我国玉米价格的估计与预测具有良好的效果。

基于门限自回归条件异方差区间模型的大宗商品价格预测

大宗商品是工业生产和金融投资中不可或缺的组成部分,准确的大宗商品价格预测对保障工业生产顺利进行和帮助投资者规避风险具有重要意义.但现有的大宗商品价格预测模型大多是基于收盘价构建的点值模型,忽略了价格的波动信息.因此,本文从区间价格预测的角度出发,提出了一个带有外生变量的门限自回归条件异方差区间模型(HTARIX),构建了一个基于区间型数据的检验统计量来检验模型是否存在条件异方差,进而提出了广义最小DK距离估计求解模型参数,并将其应用于大宗商品市场.HTARIX模型的优势在于能够捕捉区间型时间序列模型的条件异方差和非线性特征.相比于传统的点值数据模型,我们的方法能够更加充分地利用区间的内部信息.实证结果表明,本文提出的模型在大宗商品区间价格预测上的表现优于其他对比模型.

非线性时间序列建模的异方差混合双AR模型

研究了可用于非线性时间序列建模的异方差混合双自回归模型(heteroscedastic mixture double- autoregressive model,HMDAR),给出了HMDAR模型的平稳性条件,利用ECM(expectation conditional maximization)算法来估计模型的参数,运用BIC(Bayes information criterion)准则来选择模型．HMDAR模型条件分布富于变化的特征使它能够对具有非对称或多峰分布的序列进行建模,将HMDAR模型应用于几个模拟和实际数据集均得到了较为满意的结果,特别是对波动较大的序列,HMDAR模型能比其他模型更好地捕捉到数据序列的特征．