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。

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。

小波分析和考虑外生变量的广义自回归条件异方差模型在电价预测中的应用

电力市场中的电价序列存在很大的随机波动和价格尖峰。文章提出根据电价序列的变化特点,通过小波变换将其分解为概貌序列和细节序列,从而在不同尺度上反映电价的变化规律。通过概貌分量找出电价的主要波动规律,并由此对电价进行预测,剔除细节分量所反映的电价的随机波动影响。建立考虑异方差的广义自回归条件异方差模型(generalized autoregressive conditional heteroscedasticity,GARCH)对概貌序列建模,并在GARCH模型中加入外生变量形成GARCHX模型,以弥补传统时间序列模型忽略外界影响的缺陷。对美国PJM电力市场的实例研究表明,所建立的W-GARCHX模型比传统时间序列模型的预测精度有明显提高。

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。

跨境资本与人民币汇率的非对称波动耦合效应

构建向量误差修正‒广义自回归条件异方差‒非对称BEKK(VECM-GARCH-ABEKK)模型,从产业资本和金融资本两个维度,研究跨境资本与人民币汇率波动的非对称耦合效应。研究发现,产业资本和金融资本与人民币汇率具有显著的持续性、集聚性波动特征,且两类跨境资本与人民币汇率之间的波动溢出存在差异化的非对称耦合效应。研究提出优先针对产业资本外流风险出台相关政策,构建“宏观审慎+微观监管”监管框架,降低外汇市场超调风险,利用人民币离岸交易构筑资本跨境流动缓冲区等对策建议。

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。

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。

海杂波条件异方差特性分析与波动信息提取

由于低擦地角、高海况等易引起雷达海杂波序列的局部剧烈波动,传统的统计分布模型难以描述突然出现的具有冲激特性的强回波,因此,针对这一问题,将广义自回归条件异方差(Generalized Auto Regressive Conditional Heteroskedasticity,GARCH)模型引入海杂波建模中,通过GARCH模型阶数步进搜索结合残差序列方差齐性检验,实现了海杂波数据的波动信息提取。经X波段雷达实测数据验证,所提出的波动信息提取方法,可以很好地提取实测海杂波数据在局部区域或时间段内的波动信息,为特征检测方法设计提供有效的特征支撑。

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．

一个非对称GARCH模型的严平稳遍历性

讨论了一个非对称广义自回归条件异方差新模型的严平稳性及遍历性,并且给出了该模型存在高阶矩的条件.

数据挖掘在中国公司债券市场非对称性中的应用

借助数据挖掘中的广义自回归条件异方差(GARCH)模型分析中国公司债券市场的非对称效应,在计算公司债券收益率的基础上,对数据进行基本统计分析,并且构建E-GARCH模型和GJR-GARCH模型,以研究不同信用级别的公司债券收益率的非对称特征。结果表明:在AA-级和AAA级公司债券中,利空消息对市场的冲击大于利好消息的;而在AA级和AA+级公司债券中,利好消息对市场的冲击大于利空消息的。

考虑异方差效应的风电不确定性建模及其在调度中的应用

随着风电在电力系统中渗透率的不断提升,其不确定性为电网的安全经济运行带来了重大挑战。为获得精准的风电不确定性模型,帮助运行人员实现系统的安全经济运行,文中提出了考虑异方差效应的风电预测误差条件概率分布建模方法。首先,分析了风电预测误差与各类因素的相依性水平,并基于分析结果与动态Copula理论,建立了风电波动性与风电预测误差的动态相依性模型;之后,针对边缘分布所显示出的时域特征,结合差分整合移动平均自回归(ARIMA)模型与广义自回归条件异方差(GARCH)模型,考虑异方差效应,建立了时变边缘分布模型;最后,将两模型相结合,给出了不同波动水平下的风电条件预测误差分布情况,并在不确定性机组组合模型中进行验证,证明了模型的有效性。

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%。

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。