基于ARMA-EGARCH-M模型的沪深股市波动性分析

文章讨论了ARCH模型族的拟合波动性的优缺点,建立ARMA-EGARCH-M模型,简要说明了此模型的优点;以2000年1月11日-2006年3月15日上证综指和深证成指收盘价为样本,对我国沪深股市收益率分布用ARMA-EGARCH-M模型进行拟合分析,结果表明该模型能更有效地拟合我国沪深股市的波动性;最后解释实证结果和分析了我国股市的行为。

基于遗传算法的ARMA模型定阶新技术

针对时间序列分析与预测中最为常见的ARMA模型的定阶问题,在分析传统定阶方法缺点的基础上,提出了用遗传算法确定ARMA(n,m)模型的自回归阶数n和滑动平均阶数m的新方法。首先由ARMA模型的预测值与实测值定义平均相对变动值(Average relative variance,ARV),并根据其建立遗传算法的适应度函数;然后选取适当的种群数、交叉效、变异率及进化代数;通过逐代进化,得到最优的ARMA模型。最后,通过太阳黑子数据验证了基于遗传算法的ARMA模型定阶新技术的有效性和实用性。

股票市场波动性研究——基于ARMA-TGARCH-M模型的实证分析

通过构建ARMA-TGARCH-M模型,并同时利用上证综合指数和深圳成份指数的低频日收益率和5分钟高频收益率数据,对中国股票市场的波动性问题进行了实证研究。结果表明:中国股票市场存在着大幅度高频率波动,市场总体风险较大,而且收益率波动也存在着波动集群性、尖峰后尾性和非对称分布等特征,深圳股票市场在各方面的特征也都比上海股票市场突出。此外,低频日收益率序列和5分钟高频收益率序列都存在着显著的平稳性、自相关性和ARCH效应,中国股票市场还存在着较长的外部冲击波动持续期,且杠杆效应显著。GARCH族模型能够很好地拟合中国股票市场的波动性问题。

采用ARMA模型对变形监测数据处理与预报

基于平稳时间序列分析理论,通过对ARMA模型的识别与定阶以及参数的估计,建立变形监测数据处理与预报的时间序列ARMA模型,并用该模型对一组实测变形数据进行分析、预测,将变形预测数据与实际观测数据进行比较,取得较好的拟合效果和预测精度。结果表明:ARMA(m,n)模型对变形监测数据处理与预报是十分有效和可靠的,具有一定的应用价值。

采用非线性M序列辨识ARMA模型参数

本文研究了采用非线性M 序列辨识ARMA 模型参数,提出了具体的算法,在特性上同m 序列作了比较,最后给出了仿真结果。

基于TGM-ARMA模型的地铁隧道结构沉降预测分析

地铁隧道结构沉降主要受土层状况、地下水位、轨道荷载及周边环境等诸多因素影响,机理复杂,随机性强,而且随时间不断变化,难以用固定的数学模型表示,是一个非平稳的过程。据此,结合以灰色系统理论为基础的TGM(1,1)模型和以时间序列为基础的ARMA(n,m)模型各自的特点,建立了时变参数灰序模型TGM(1,1)-ARMA(n,m),并对地铁隧道主体结构沉降进行了分析与预报,结果表明时变参数灰序模型预测精度较高,且适用于中长期预测。因此,该组合模型在地铁隧道结构沉降预测分析中有较强的适用性,具有一定的应用价值。

基于改进PSO算法对ARMA模型定阶新方法

在研究传统AIC准则定阶方法的缺点的基础上,提出用改进的粒子群算法对ARMA(r,m)模型定阶的新方法。基本思想是,由于粒子群算法容易早熟,易陷入局部最优,从而导致过早收敛,得不到最优解,因此提出利用母群划分子群的搜索方法避免算法陷入局部最优的问题。子群各自进行搜索得出最优解,由最优解作为新一代粒子种群,继续搜索自动生成最优解,对ARMA模型进行准确定阶,克服了AIC定阶准则的计算法繁琐、定阶不精确的缺点。通过MATLAB进行实例仿真验证,证明了该方法简单可行。

基于ARMA-GARCH-M模型的石油价格市场风险与收益关系研究

通过对1983年4月8日到2014年3月21日的美国原油价格运用ARMA-GARCHM模型来研究石油价格市场风险与收益关系,得出如下结论:石油价格日收益率具有波动聚集的特征;ARMA-GARCH-M模型能够较好地拟合石油价格的走势;ARMA-GARCHM模型估计结果显示石油市场的收益与风险是正相关的,预期收益包含一定的风险溢价。

基于PSO算法的ARMA模型长江化工污染水质预测

针对时间序列分析ARMA模型预测的问题,在研究传统预测方法缺点的基础上,提出了用粒子群优化算法(PSO)确定ARMA(r,m)模型的自回归阶数r和滑动平均阶数m的新方法。首先根据ARMA(r,m)模型对预测值与实际值提出相应的粒子群优化算法的适应度函数;然后选取适当的学习因子、惯性权重、种群大小、粒子速度和迭代次数,通过迭代找到最优解;然后找到最优的ARMA(r,m)模型对长江流域水质进行预测。通过MATLAB进行仿真证明了该方法简单可行,很大程度上提高了对长江水质化学污染的预测精度。

基于极值理论的ARMA-GARCH-M类模型及实证分析

为预测金融资产回报序列的极端风险,用ARMA-GARCH-M类模型处理回报序列的异方差性,风险溢价性.结合EVT方法捕捉回报序列分布厚尾的优势,建立两个度量金融市场极端风险的模型:EVT-ARMA-EGARCH-M模型与EVT-ARMA-TGARCH-M模型.最后以苹果公司股票数据为实例,证实了两个模型都能很好的刻画极端风险.

ARMA序列MA参数G-M估计的渐近正态性

证明了 Ａ Ｒ Ｍ Ａ 序列 Ｍ Ａ 参数 Ｇ－ Ｍ

基于ARMA-EGARCH-M模型的公募FOF基金投资风格漂移研究

本文利用ARMA-EGARCH-M模型,对我国86只公募FOF基金进行了投资风格漂移的实证检验。结果表明:(1)我国公募FOF基金存在着投资风格漂移现象,其中平衡混合型FOF基金更易漂移;(2)市场上行期相对于市场下行期、市场缓慢变化期相对于市场快速变化期,投资风格更易发生漂移;(3)利好消息对大部分公募FOF基金的刺激程度比利空消息更大,而利空消息更易引起收益率的大幅波动。(4)基金经理能力也是引起投资风格漂移的因素之一。

ARMA 序列 AR 参数 G-M 估计的渐近正态性

证明了ＡＲＭＡ序列ＡＲ参数ＧＭ估计的渐近正态性．

基于突变分析的周期——ARMA模型年降水量模拟

使用M-K法检验珠江流域云南片1956—2012年年降水量系列,发现该系列在2003年出现变少突变信号,以突变点为分界点,去除突变因素,重新构建年降水量系列。分别构建原系列及考虑突变因素新系列周期—ARMA线性组合模型并模拟计算,结果表明,考虑突变因素后,系列周期将发生一定变化,但有利于提高模型模拟精度。

基于ARMA与GARCH-M模型对我国豆粕期货价格波动的分析预测

为探索豆粕期货价格与收益率的内在波动规律,构建了自回归滑动平均ARMA模型和多变量广义自回归条件异方差GARCH-M模型。研究发现:短期豆粕期价存在自回归条件异方差ARCH效应,对数波动率方差每增加1百分点豆粕期价收益率下降0.0024百分点,且最终收敛于0.00017~0.00018的无条件方差,表明豆粕期货市场以风险回避型投资者为主;中期看对数豆粕期价每增加1百分点导致10期后的对数期价下降0.433百分点,随机误.差每提升1百分点导致两期后的豆粕对数期价下降0.888百分点;最终提出建立豆粕期价预警机制、发挥套期保值功能、调整我国豆粕进口结构以及提升豆粕提取技术水平的建议。

ARMA序列的样本均值和自相关函数的分布的一致收敛速度

设{x_t}是ARMA序列,其谱密度函数为g(w),自相关函数为r_k,且记A=sum from i=-∞ to +∞(r_i^2+r_(i-k)r_(i+k));又x_1,x_2,…,x_N是来自{x_t}的一段样本,样本均值和自相关函数分别是(?)和(?)_k,记N^(1/2)(2πg(0))^(-1)x和(N-R)^(1/2)A^(-1/2)((?)_k-r_k)的分布函数分别为F_N(x)和G_N(x),在一定条件下我们证明了(?)|F_N(x)-Φ(x)|≤C_1N^(-1/2),(?)|G_N(x)-Φ(x)|≤C_2(lnN)~2N^(-1/5)。其中C_1,C_2,均为常数,Φ(x)为标准正态分布,这对评估统计推断的精确度具有一定的作用。

基于ARMA预测方法的中国石油企业跨国并购价格风险分析

以WTI原油现货价格为基本分析变量,基于ARMA预测方法衡量了中国石油企业在进行海外并购时面临的价格风险。得出结论:在97.6%的置信水平下,预测期内的VaR预测值比实际值要大得多,并且大多数情况下预测值是实际值的1-2倍。这说明我国石油企业在进行跨国并购时面临着极大的风险。最后,从加强东道国市场风险的评估、降低利率和汇率风险、谨慎确定并购类型、建立跨国战略联盟、战略性地选择并购地区等方面,探讨了降低中国石油企业跨国并购市场风险的建议。

一种基于抗差自校正Kalman滤波的GPS导航算法

为减弱异常观测值对自校正Kalman滤波精度的影响,引入抗差M估计的等价权函数,建立了抗差自校正Kalman滤波算法,并用实例进行了验证。计算表明,该自适应滤波算法在完全未知噪声统计的情况下,不仅能够自适应地求解状态参数,而且还能在一定程度上有效地抵制观测异常对导航解的影响。

肿瘤热疗过程中数值预报的研究

利用时间序列预报的方法 ,对肿瘤内部的某点温度变化规律进行预报分析 ,根据预报的结果来调整辐射源的加热功率及探头与肿瘤接触面的边界温度 ,控制肿瘤体温度 。

基于GJR模型的中国股市收益率波动性研究

取一段时间的上证指数日收盘价为数据样本,从时间序列分析的角度运用模型重组方法构造带student-t分布的ARMA-GJR-M模型研究中国股票市场收益率的波动性。结果表明,ARMA(4,3)-GJR(1,1)-M模型能够全面描述中国股票市场收益率的非正态性、尖峰厚尾异方差性、强烈的波动集聚性和自相关性以及波动过程中的杠杆效应这四大特征。同时,收益率与风险大小成正比也在模型中得到很好的体现。实证结果显示,ARMA-GJR-M模型的拟合效果比GJR-M模型的更好。