基于模型的不等间隔时间序列聚类算法研究

现有的聚类算法一般只能处理以固定间隔表示的数据类型,而忽略了时间轴的变化。基于倒谱距离测度和自回归条件持续期(ACD)模型的聚类方法综合了计量模型的参数估计和聚类的非参无监督分类的优点,是一种适合处理不等间隔时间序列的技术。实验结果证明这种方法是有效的,从中得出的结论与市场微观结构理论也是相吻合的。

(超)高频数据视角下金融风险度量研究进展

基于(超)高频数据的金融市场风险度量方法是一个崭新的研究领域。(超)高频数据因包含了更多的信息,能够提供更丰富的数据资源而备受关注。本文梳理了基于(超)高频数据的五种风险度量方法:分别基于"已实现"波动率模型、ACD族模型、高频极值理论、非参数核密度估计方法、分位数回归理论。本文对这五种方法的研究现状及研究中存在的问题进行了探讨,可为提高我国金融业风险管理水平提供必要的理论指导和实践方法。

ACD模型自加权LAD估计的渐近性质

针对高频数据建模中常用的自回归条件持续期(ACD)模型,在允许误差方差无穷的条件下,构造模型参数的自加权最小一乘(SLAD)估计,并证明了该估计的相合性和渐近正态性.数值模拟显示SLAD估计比拟极大似然估计和最小一乘估计更稳健,最后将其应用于青岛海尔和宝信软件这两只股票的价格持续期建模.

基于ACD模型的网络数据流时域微观特性分析

对网络中不同类型的数据流,应用自回归条件持续期模型(ACD),分析其中存在的时域微观特性,并研究ACD模型对网络数据流时序建模的适用性。使用ACD模型为具有随机到达过程的网络数据流时间序列建模,其优点是能够在不损失原始非等间隔时间序列特性的条件下,直接分析得到数据流的时域微观性质。在对实验数据集统计特性进行研究的基础上,得出数据包到达过程适用ACD模型的基本依据,采用ACD(2,1)模型对不同类型的网络数据流时间序列进行建模,结果表明其具有较好的拟合程度。

基于ACD模型的股指期货市场流动性研究

利用沪深300股指期货连续合约的高频数据,采用参数估计的方法运用R软件对数据进行处理,消除其日模式并建立ACD模型.还加入了市场微结构噪声,探讨交易量持续期的信息传递机制.实证分析表明,在选取样本中,价格波动和交易量与股指期货市场流动性显著正相关,交易量持续期与股指期货市场流动性显著负相关,信息交易增加导致流动性降低,进而为投资者进行决策提供一定的参考.

超高频数据的日内效应调整方法研究

日内效应在金融高频数据研究中已被广泛证实,是一种日内周期性运动的动态效应,它影响了以微观金融指标为参数的计量模型的准确估计。基于金融超高频持续期数据,本文首先论述了日内效应调整的重要性,然后引入自适应映射(SOM)的方法对日内效应进行调整。SOM是一种基于神经网络学习的特征提取方法,能够动态识别高维数据中的结构特征,克服了静态调整方法的不足。最后通过建立基于自回归条件持续期模型(ACD)的蒙特卡罗模拟实验,比较了三种日内效应调整方法的效果。模拟结果表明SOM方法在日内效应调整中更为有效和稳定,特别适合大数据条件下的周期性结构分析。