基于ARFIMA-LSTM组合模型的光伏发电功率预测

光伏发电作为一种绿色清洁能源,与“双碳”目标的实现紧密相连。预测光伏发电功率可以帮助优化电力系统的调度和运行,提高能源利用效率。为此,学界和工业界从时间序列、人工智能等多方面对光伏功率预测进行了研究。引入自回归分数移动平均(autoregressive fractionally integrated moving average,ARFIMA)模型和长短期记忆(long shortˉterm memory,LSTM)模型进行建模和预测,并基于最小二乘法赋权,构建出组合模型。实验结果表明,该组合模型在中长期光伏发电功率预测中取得了较好的效果,与ARFIMA模型相比其均方误差降低了48.7%,而与LSTM模型相比其均方误差降低了21.5%,可作为一种有效的光伏功率预测模型在实际中应用。

中国股市收益及波动的ARFIMA-FIGARCH模型研究

与现有研究方法不同,本文通过考察Akaike、Schwarz、Shibata、Hannan-Quinn四个信息准则,建立了描述深圳股票市场收益过程和波动过程双长记忆性特征的ARFIMA-FIGARCH模型。实证分析说明采用ARFIMA(0,m,1)-FIGARCH(1,d,0)模型拟合最好。研究结果表明:深圳成分指数日收益序列无长记忆,但波动序列具有较强的长记忆特征。

基于ARFIMA-FIGARCH模型的利率市场风险度量

随着中国利率市场化改革的加速,利率市场的风险管理问题引发了广泛的关注,作为筹集短期流动性资金的主要工具,同业拆借利率(Shibor)逐渐成为各金融机构决策参考的基准利率。在传统的ARMA-GARCH模型的基础上,引入Hurst指数捕捉Shibor的分形特征,使用扩展后的ARFIMA-FIGARCH模型对Shibor的隔夜和7日利率收益率的VaR进行度量和回测检验。结果显示:隔夜和7日利率收益率都具有反持续性,即收益率过去是上升趋势,则未来倾向于下降;考虑分形特征的ARFIMA-FIGARCH模型,比原模型对Shibor的度量更准确;在同业拆借市场中,Ged分布是解释多头VaR的理想选择,而正态分布是解释空头VaR的理想选择。

杠杆效应下ARG模型的波动率预测与风险度量研究

基于EGARCH模型能够较好捕捉波动率的杠杆效应和ARFIMA-Realized GARCH模型在高频波动率预测上的优势构建了ARFIMA-Realized EGARCH模型,并在资产收益率新息序列服从偏t分布的假设条件下进行波动预测和风险度量。数值模拟结果显示,ARFIMA-Realized EGARCH模型有更好的参数估计效果。选取上证综合指数和深圳成分指数2011年1月4日至2020年12月31日的5分钟高频数据对模型进行验证,结果表明:沪深股市的资产收益率存在明显的尖峰厚尾特征,且具有高度的自相关性;在加入了杠杆函数之后,模型面对负向冲击表现出更大的波动性,且杠杆参数均在1%的水平上显著。VaR预测结果图、后验测试以及基于损失函数的MCS检验结果一致说明,相较于Realized GARCH模型,ARFIMA-Realized EGARCH模型能够更好地捕捉波动率的变化,具有更好的预测效果以及更强的稳定性。

基于EVT-BM-FIGARCH的动态VaR风险测度

对金融资产回报,用FIGARCH模型捕捉波动的异方差性和长期记忆性的同时,将回报序列转化为标准残差序列、通过用EVT-BM方法拟合标准残差的尾部分布来处理回报序列的厚尾性,建立了金融风险度量模型——基于EVT-BM-FIGARCH的动态VaR模型。并用该模型对上证综合指数进行实证分析,结果表明模型能够更精确、合理地度量上证综合指数回报的VaR风险。

基于EVT-POT-FIGARCH的动态VaR风险测度

金融实践中,金融资产回报不仅具有厚尾性、波动的异方差性两大特点,而且其波动表现出明显的长期记忆性。本文利用FIGARCH模型处理波动异方差性和长期记忆性、EVT-POT方法捕捉回报分布厚尾的优势,提出了能反映厚尾性、异方差性和长期记忆性的金融风险度量模型——基于EVT-POT-FIGARCH的动态VaR模型,并用中国股票市场的沪深300指数和上证综合指数的每日收盘价进行实证分析。结果表明,模型能较好地处理这两个指数回报序列的三大特点,更准确地度量其VaR风险。

我国入境旅游预测:基于ARFIMA模型的研究

旅游需求预测是旅游规划、开发与管理的基础和前提。将分整自回归移动平均模型(ARFI-MA)应用在旅游需求预测中,采用我国月度入境旅游人数建立ARFIMA模型,并依据RMSE,MAE和MAPE三个标准,将ARFIMA与AR IMA,SAR IMA模型的预测精度进行比较。结果表明ARFIMA模型的精度最高,在旅游需求预测中有较强的实用性。

基于分数阶差分的ARFIMA模型及预测效果研究

采用MRS分析法对香港恒生指数周数据序列的长期记忆性进行研究,并建立ARFIMA模型,推导了分数阶差分的计算过程。对分数阶差分的ARFIMA模型与一阶差分的ARFIMA模型进行了比较,发现应进行分数阶差分的序列,简化成一阶差分后,就有可能丢失许多有价值的信息,导致建模误差增大。进一步使用ARFIMA模型预测公式进行预测,结果显示ARFIMA模型预测效果不理想。在对香港恒生指数周数据进行预测时,ARFIMA模型几乎是失效的,并从两个不同的角度论证了这一结果出现的必然性。

石油价格的ARFIMA模型预测研究

经检验,石油价格波动具有长记忆性,而通常用于定量预测的 ARMA 模型是不考虑长记忆性的．应用考虑长记忆性的 ARFIMA 模型对石油价格进行了预测研究,预测结果表明,ARFIMA 模型的预测结果要好于不考虑长记忆性的 ARMA 模型．

投资组合风险测度——基于FIGARCH-EVT-Copula方法

金融资产收益率不仅具有尖峰厚尾性、异方差性,还具有长记性。基于此,将FIGARCH、EVT和Copula有机融合,建立FIGARCH-EVT-Copula模型来估计组合风险值,利用上证指数、深成指数组合进行实证研究。实证研究表明:我国股市波动确实具有长记忆性;FIGARCH-EVT-Copula模型不仅能够准确刻画边缘分布的尖峰厚尾性、异方差性和长记忆性,而且较之于传统模型,该模型能更准确地测度投资组合风险。

偏态t分布下FIGARCH模型的动态VaR计算

针对金融时间序列多是有偏分布和"长记忆性"的特征,讨论偏态t分布下分数维GARCH模型的动态VaR测算问题。在分析正态分布、学生t分布、广义误差分布下和偏态t分布的基础上估计模型参数,得出了动态VaR,并进行了失败率检验。实证结果表明:基于偏态t分布下的FIGARCH模型测算的动态VaR值克服了其他分布假设上的不足,能够较好地反映金融收益率的实际风险,并在该分布下的Pearson吻合度检验也证实了模型分布选择的正确性。

FIGARCH模型对股市收益长记忆性的实证分析

一、问题的提出长记忆性是指过去的冲击持续到将来，对预期的将来具有很大的影响。在大多数情况下，自相关函数的曲线图用来描述时间序列的长记忆特征。因此长记忆性可以定义如下：假设Ｙｔ是一个离散的时间序列，ｊ阶滞后的自相关函数为ρｊ，如果有ｌｉｍｎ→∞Σｎｊ＝...

向量FIGARCH过程的持续性

协同持续是协整概念在时间序列二阶矩意义上的体现,主要讨论条件方差过程之间的长期均衡关系。基于脉冲响应分析给出分数维波动持续和协同持续的定义,并研究了一类范围更广的模型族——FIGARCH过程的持续性问题。最后,运用双变量FIGARCH模型对我国两大证券市场的波动持续性进行检验,实证表明其波动行为存在分数维协同持续现象,这为动态金融风险规避策略的构建提供了理论依据。

ARFIMA-EGARCH-M模型在汇率收益率波动分析中的应用

为了解决汇率收益率波动中的"尖峰厚尾"、中期记忆和非对称特征,提出了利用ARFIMA-EGARCH-M模型建立汇率收益率波动模型。以人民币/欧元的日汇率数据为例,在误差分布分别为正态分布、T分布、GED分布与SKT分布的前提下分别进行模型拟合分析,得出基于GED分布的ARFIMA(1,d,1)-EGARCH(2,2)-M模型拟合人民币/欧元汇率收益率效果最好,能较好地解决"尖峰厚尾"、中期记忆和非对称现象。

向量ARFIMA模型基于独立成分分析的协整研究(英文)

定义了向量 ARFRIM(VARFIMA)模型的一般形式及这种定义上协整的概念并给出了 VARFIMA的线性组合具有 ARMA 表达式的一个充分必要条件.接着基于独立成分分析的方法讨论了协整的存在性,给出了 VARFIMA 模型存在协整的充分必要条件,并考虑了几种特殊情形.最后讨论了协整向量及协整向量空间的结构.

基于R/S检验、ARFIMA模型和小波方差的人民币汇率长记忆性检验

分别应用R/S检验、ARFIMA模型和小波方差对人民币兑美元名义汇率收益率序列的长记忆性进行检验。根据R/S统计量计算出Hurst指数为0.573 745 1,采用ARFIMA(2,d,1)模型对人民币汇率收益率序列进行拟合的效果比较好,其分数差分参数为0.145 7,利用Haar小波对人民币汇率波动绝对值收益率序列进行最大重复离散小波变换,得出其长记忆性参数为0.393 1。3种方法的研究结果均表明人民币兑美元名义汇率收益率序列存在长记忆性。

基于Skewed-t分布的FIGARCH模型与VaR的度量

金融资产收益率序列的波动具有典型的尖峰厚尾和非对称性特征,描述这种特性需以合适的概率分布函数为基础.因此,寻求更好的概率分布函数对风险度量、VaR的计算有着十分重要的意义.有鉴于此引入Skewed-t分布度量VaR,并比较分析了RiskMetrics及FIGARCH类模型度量VaR值的准确程度,本文同时分析了多头头寸和空头头寸情况下的VaR.结果表明,在两种头寸情况下,Skewed-t分布在空头和多头情形对资产厚尾特性以及非对称性的拟合效果均要比正态分布好;在两种头寸中不同的置信水平下,FIAGARCH(CHUNG)模型预测的VaR值改进了使用传统模型的精确性,高估或低估风险的程度较轻.

基于FIGARCH模型的地产股对金融股市场影响分析

2008年美国金融危机爆发后,房地产市场与金融市场的关系越来越受到人们的重视。本文以地产股指数变化情况代表房地产市场的整体发展趋势,选取中国深圳证券交易所地产股和金融股为研究对象,利用能够兼顾收益与尾部风险相关性测度的FIGARCH模型,探讨中国地产股对金融股波动及收益的影响;并以次贷危机爆发为界将样本分成两部分进行对比分析。结果表明,我国地产股整体行情指数的波动风险和收益对金融股股票均具有显著的正向影响;地产波动风险在危机前的影响大于危机后,而地产收益的影响则在危机后更大。研究结论有助于相关部门制定更合理的调控和监管政策,促进中国股市更健康的发展。

基于ARFIMA模型的内蒙古农林牧渔业总产值研究

根据1947~2011年内蒙古农林牧渔业总产值的数据，运用时间序列分析对数据进行定量分析。以分数阶差分方法代替传统的整数阶差分方法，最大程度地保留了序列的原始信息；通过分数阶差分使数据平稳，经白噪声检验后，用 ARFIMA模型进行模型拟合；根据拟合模型对内蒙古农林牧渔业总产值进行预测，结果显示，模型的拟合结果较准确，误差在可控范围之内。

基于ARFIMA-WRBV-VaR的中国股市风险研究

采用日内高频数据,以上证综指和深证成指反映中国股市整体情况,建立了ARFIMA-WRBV-VaR模型,对中国股市进行了VaR风险预测研究.实证结果表明:用WRBV来估计2种指数的波动率,能有效解决2种指数收益率序列的跳跃点情况和消除股市的日历效应.预测得到的VaR序列能通过kupiec似然比失败率检验,且预测结果的准确度较高.通过对VaR预测序列进行R/S检验,发现VaR预测序列具有长期记忆性,即ARFIMA-WRBV-VaR模型能较准确地预测中国股市的VaR风险值.