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。

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。

基于实际收益率分布的均值-方差-条件风险价值多目标投资优化模型

为改善均值-方差模型不能充分反映金融资产实际收益率分布的不足,在不对金融资产收益率分布做任何假设的基础上,引入条件风险价值度量金融资产重大损失风险,建立均值-方差-条件风险价值多目标投资优化模型,提出计算模型有效前沿的理论基础和算法步骤。基于上证50指数成分股的实际数据计算了该模型的有效前沿。计算结果表明:所提出的算法具有满足投资实践所要求的可操作性;投资组合实际收益率不服从正态分布,均值-条件风险价值模型有效集并不是均值-方差模型有效集的子集;相对均值-方差模型和均值-条件风险价值模型,均值-方差-条件风险价值模型能够更好地反映金融资产的实际收益率分布,提高投资者管理投资风险的能力。

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 。

基于小波分解和ARIMA-GARCH-GRU组合模型的制造业PMI预测

制造业采购经理人指数(PMI)是反映国家经济运行情况的重要指标,而传统预测模型对该类时序数据预测精度不高。针对制造业PMI指数的非线性、波动性和数据量少的特点,提出一种基于一维离散小波变换进行数据预处理的组合模型。时序数据经过小波变换,由整合移动平均自回归–广义自回归条件异方差模型(ARIMA-GARCH)处理稳态低频数据,门控循环单元(GRU)处理波动性强的高频数据,将各频段预测结果进行融合得到最终预测结果。为验证模型有效性,选取一定数据量的PMI指数进行实验。结果表明,与其他常见模型对比,本文构建的组合模型具有较好的预测精度与性能,平均绝对误差(MAE)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)分别达到0.00329、0.004162、0.65%。

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.

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.

基于WPD-ARIMA-GARCH组合模型的酱卤肉制品安全风险区间预测

针对传统确定性预测不能提供不确定性信息的难题,本研究提出了一种点估计和区间估计组合预测模型,并将其创新性地应用在食品安全风险预警领域。在点估计部分,使用小波包分解(wavelet packet decomposition,WPD)对周风险等级序列分解后,应用差分自回归移动平均(autoregressive integrated moving average,ARIMA)模型进行预测;在区间估计部分,使用广义自回归条件异方差(generalized autoregressive conditional heteroskedast,GARCH)模型对残差进行预测。本实验将建立的WPD-ARIMA-GARCH组合模型运用于某地区酱卤肉制品的风险预测,结果表明2019年的3月底和7月底该地区的酱卤肉制品安全风险较高,与实际情况相符;同时,该模型在10个不同地区的酱卤肉制品风险预测中,均方误差、平均绝对误差和平均绝对百分比误差分别为1.626、0.806和20.824;其90%置信区间的预测区间平均宽度和覆盖宽度标准值均为0.024,可以覆盖所有真实值。该模型具有较高的预测精度和较低的误差,能对酱卤肉制品质量安全起到风险防控作用,可为日常食品安全监管提供相应的技术支持。

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.

基于混频广义条件异方差模型的农产品市场价格风险度量研究

以宏观变量为研究对象,运用混频广义条件异方差(GARCH-MIDAS)模型研究我国农产品市场价格风险的测度问题。考虑宏观变量对农产品价格的影响,选择居民消费价格指数、工业增加值增速、广义货币供应量、人民币汇率、同业拆借利率等宏观变量,利用VaR方法构建基于GARCH-MIDAS模型的农产品指数、玉米连续指数、郑棉C1901指数风险评估模型。实证表明:考虑不同宏观变量构建模型并比较VaR估计值,Kupiec失败率检验证实GARCH-MIDAS模型贴切刻画农产品市场价格风险,较未考虑宏观影响的GARCH模型更加精确。

基于在线LASSO VAR和EGARCH模型的风场功率集成概率预测

由于风速波动性大,风力发电往往呈现一定的不确定性.传统风能预测模型以均值为0、方差固定的正态分布度量不确定性,但方差可能随时间变化,即具有异方差性.为提升预测精度,基于在线最小绝对收缩和选择算子的向量自回归(LASSO VAR)和指数自回归条件异方差(EGARCH)模型,提出一种考虑异方差性的风场级功率集成概率预测模型.首先使用在线LASSO VAR模型预测风力机的有功功率,再利用自回归条件异方差检验验证残差的异方差性,并利用信息冲击曲线和动态显著线评估正负残差对未来条件方差的不对称影响.然后针对异方差性和不对称性,使用EGARCH模型对单风力机有功功率的残差进行预测,得到有功功率的条件方差.最后,考虑各风力机有功功率的相关性,将风场中各风力机的有功功率求和,得到整个风场总有功功率的概率预测结果.将该方法应用于中国华东某地风场,验证了该模型能有效提高预测精度.

带约束条件的AGARCH模型

自 Ｅｎｇｌｅ（１９８２）首创 ＡＲＣＨ模型以来，各种推广和变异模型纷纷问世，形成庞大的 ＡＲＣＨ类模型族．这些模型普遍存在一个缺陷：通常只限制条件方差函数的系数非负以保证条件方差非负，并且在正态分布假设下用最大似然方法进行估计．本文明确提出带约束条件的ＡＧＡＲＣＨ模型这一新概念，并用非线性规划方法代替最大似然方法对模型进行估计．实证结果表明这样的作法是可行且较优的．

基于LSTM-NPGARCH的电力市场售电量预测模型

售电量的准确预测对推动电力市场的发展和建设具有十分重要的意义,考虑售电量具有非平稳性、非线性和随时间变化的复杂特性,本文提出基于小波变换和LSTM算法的短期售电量预测模型。首先采取小波变换法将售电量数据分解为细节分量和近似分量,然后使用LSTM模型进行预测,得到初步预测结果,再使用NPGARCH模型进行预测结果修正,最后将预测的结果累加,得到最终售电量预测结果。在实验中采用某售电公司的真实数据集,基于历史统计售电量数据的预测结果分析表明,本文提出的预测模型具有良好的预测精度。

基于奇异值分解和条件异方差的数字水印算法

针对基于高斯分布的图像模型在水印嵌入和检测中存在的性能较差问题,提出一种基于奇异值分解和条件异方差的数字水印方法。给出一种运用小波变换和奇异值分解的加性水印嵌入方法。利用条件异方差模型较好地描述图像小波系数的"尖峰重尾"分布特性和异方差特性,来对小波系数进行建模。在此基础上,应用统计假设检验理论分析水印的盲检测过程,并推导水印检测中虚警概率和检测概率之间的工作特性关系。仿真结果表明了该方法的有效性,而且在诸如噪声、JPEG压缩、滤波、旋转以及缩放等攻击下具有较好的检测性能。

时间序列模型预测大气臭氧浓度

为了给大气污染防治预警预报提供参考,利用时间序列模型对大气臭氧浓度进行预测;以2020年1月1日至2020年12月31日期间366个烟台市区大气臭氧日均质量浓度作为研究数据,建立自回归移动平均模型,引入广义自回归条件异方差模型消除时间序列自回归条件异方差效应,最终构建自回归移动平均-广义自回归条件异方差时间序列模型,并对2021年1月烟台市区的大气臭氧日均浓度进行预测。结果表明,所构建的时间序列模型对大气臭氧浓度的短期预测值与实测值基本一致,但随着预测期数的增加,预测值与实测值的相对误差逐渐增大。