基于SKT-ARFIMA-HYGARCH模型的开放式基金投资风格漂移收益及其波动分形研究

以往大量文献研究表明基金经常发生风格漂移现象,但资本市场呈分形特征违背了有效市场假说,对传统的实证研究方法提出了巨大挑战。以2005年上半年成立的5只开放式基金为研究样本,利用3个信息准则确定ARFIMA(1,d1,1)-HYGARCH(1,d2,0)为最优模型,引入SKT分布结合该模型来探索研究基金投资风格漂移所带来的收益及波动过程的分形特征。实证结果表明:该模型能够较好刻画投资风格漂移日收益序列的双长记忆性分形特征,其波动过程均存在显著的长记忆性,但收益过程存在长、短记忆性不统一现象,这进一步说明基金投资风格经常发生无序漂移现象,也折射出其背后存在着巨大的漂移风险隐患。最后,Person吻合度检验证实了SKT分布能较好地拟合基金投资风格漂移日收益序列的分布。

中国通胀水平及其不确定性双长记忆统计特征研究——基于ARFIMA-HYGARCH-t模型

基于ARFIMA-HYGARCH-t模型对1985年1月至2015年12月间中国月度通货膨胀的均值过程和波动过程进行统计检验,发现通货膨胀水平及其不确定性表现出"双长记忆"行为。在此行为下,利用VAR模型、ARFIMA-HYGARCH-M-t模型及ARFIMA-GJR-t模型检验通货膨胀水平与其不确定性之间的影响关系、影响方向与影响程度,结论支持Friedman-Ball假说;通货膨胀水平正向冲击引发的不确定性程度强于负向冲击引发的不确定性程度。经济政策操作时既要考虑维持通货膨胀的稳定性,也要考虑政策期限结构的长期性。

基于ARFIMA-HYGARCH-M-VaR模型的亚洲汇率市场均值和波动过程的双长期记忆性测度研究

作为金融传导机制的一个重要成分,汇率在金融危机的传播中发挥着重要作用.因此本文以亚洲汇率市场的汇率作为研究样本,通过引入skt分布来刻画残差的分布,构建了ARFIMA-HYGARCH-M-VaR模型来测度汇率风险值,并与skt分布下的GARCH及FIGARCH模型的VaR进行失败率回测检验与动态分位数测试.研究结果表明:在不同显著性水平下,skt分布下的各种模型基本都有较好的风险测度能力,且ARFIMA-HYGARCH-M模型的VaR风险测度更加精确与稳定.本研究为我国及亚洲其他国家汇率市场的风险测度与风险管理提供了一定的理论借鉴和方法基础.

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。

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。

时间序列ARFIMA模型的贝叶斯预测分析

ARFIMA模型是时间序列分析理论体系中的一个新领域,其模型结构比较复杂。本文系统地研究了时间序列ARFIMA(p,d,q)模型的贝叶斯预测问题,给出了模型的似然函数形式,构造了模型参数的先验分布;根据贝叶斯定理严密地推断了参数的后验边缘分布密度函数,建立了贝叶斯ARFIMA模型预测的基本程序,并且进行了实证研究分析。

乙型、丙型流感病毒的长记忆ARFIMA模型

用时间序列模型来分析乙型、丙型这两种流感病毒,对乙流、丙流病毒DNA序列提供了一种新的时间序列模型,即CGR弧度序列。利用CGR坐标将乙流、丙流病毒DNA序列转换成CGR弧度序列,且引入长记忆ARFIMA模型去拟合这两类序列。发现随机找来的10条乙流序列,10条丙流序列都具有长相关性且拟合很好,并且还发现这两种病毒序列可以尝试用不同的ARFIMA模型ARFIMA(0,d,4)模型,ARFIMA(1,d,1)模型去识别。

存在缺失值的ARFIMA模型的最大似然估计

利用状态空间模型中的Kalman滤波可以很好地解决时间序列模型的缺失数据问题。本文通过修改Kalman滤波递推公式解决了长记忆ARFIMA模型的缺失数据问题,得到存在缺失值的ARFIMA模型的最大似然估计。

时间序列ARFIMA模型的参数估计

ARFIMA模型是时间序列分析领域中应用最为广泛的一类模型。本文采取两阶段方法估计ARFIMA(p,d,q)模型的参数。第一阶段采取R/S分析法估计出该模型的分形差分参数d,进而将ARFIMA模型转化为ARMA模型,第二阶段针对于ARMA模型利用基于Gibbs抽样的Markov Chain Monte Carlo贝叶斯方法估计模型的其他参数。最后对我们采取的两阶段方法进行模拟仿真,实验表明:我们采取的方法可以精确的估计ARFIMA模型的参数。

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。

金融高频数据波动率度量比较——基于ARFIMA模型的VaR视角

本文针对已实现波动率、己实现极差、双幂变差己实现波动率、截断双幂变差己实现波动率以及两尺度己实现波动率5种主要高频数据波动率度量,比较研究它们在VaR预测中的差异。运用ARFIMA模型描述波动率动态变化,偏学生分布、正念逆高斯分布和广义双曲分布刻画标准化收益率,建立VaR度量预测模型。利用上证综合指数高频数据进行实证分析,VaR回测检验表明,基于高频数据波动率度量ARFIMA模型,比基于低频数据GARCH类模型预测VaR效果更好,已实现极差比其他波动率度量VaR预测准确。

基于ARFIMA(p,d,q)模型的中国股市长期记忆性研究

本文运用三种估计时间序列长期记忆模型(ARFIMA(p,d,q)模型)的方法(MLE、SPR和GPH)对中国股市的长期记忆性特征进行了实证研究,研究显示出MLE方法优于GPH与SPR方法,并得出中国股票市场具有一般新兴股票市场的特征—长期记忆性,但中国股票市场的这种记忆性在逐渐弱化。

基于“已实现”波动率的GARCH和ARFIMA模型预测能力比较研究

通过基于“已实现”波动率,对上证综合指数收益波动基本统计特性进行分析。结果表明基于“已实现”波动率的ARFIMA组模型的预测能力要明显优于GARCH模型,对数“已实现”波动率的ARFIMA模型预测能力最好。

基于ARFIMA-GARCH模型的黄金价格分析及预测

通过对上海黄金交易所现货黄金Au99.95品种2007年1月4日到2014年2月28日共1736个交易日的收盘价格的研究,发现上海黄金交易所黄金收益率序列具有长期记忆性,其残差具有明显的波动集聚性。利用时间序列的相关理论,并通过EVIEWS6.0及MATLAB软件对序列进行分析,建立ARFIMA-GARCH模型,此模型反映了黄金收益率序列的长记忆性和波动集聚性,并对黄金收益率序列进行预测。结果显示,预测结果与实际价格拟合度高,预测误差较小。该模型可以更加准确地描述黄金价格序列的动态特征,通过此模型可以使黄金投资者和生产者更加了解黄金价格序列的特点。

基于ARFIMA模型与GARCH模型的上证指数收益率研究

股票的价格序列是一个十分复杂的非线性动态系统,对投资者来说,如何准确分析股市行情,做出最优的投资决策,显得更加急迫;对中国股市的管理者来说,如何把握股市动态,使其健康、稳定的发展,也是一项艰巨的任务。本文选取2006—2015年的上证指数周收盘价的数据,计算股票对数收益率,通过对时间序列分析理论的实证研究分析,建立上证指数的GARCH模型和ARFIMA模型;进而对两种模型进行预测并比较,来说明时间序列分析的方法对拟合股票价格趋势的质量效果。

ARFIMA模型参数贝叶斯估计的渐近性质(英文)

首先根据贝叶斯定理得到ARFIMA模型参数的后验边缘分布,并选择后验边缘分布的众数作为参数的估计值.参照季节性ARFIMA模型的极大似然估计的渐近性质的证明思路,证明了模型参数的贝叶斯估计具有相合性、有效性和渐近正态性.最后,对参数的贝叶斯估计方法的大样本性质进行仿真模拟,结果表明当时间序列样本足够大时,参数的估计值越来越接近于真实值.

在ARFIMA模型中使用小波的另一种极大似然估计

用小波变换方法提出ARFIMA(p,d,q)模型中分形差分参数d的另一种极大似然估计(MLE).这种极大似然估计被证明是相合的和渐近正态的.仿真结果显示这种极大似然估计偏差较小,并且与Tse的估计值相比较有更小的根均方误差(RMSE),该方法估计长记忆时间序列是有效的.