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。

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。

上证月平均收盘价走势的统计分析——基于ARMA模型

基于ARMA模型,对2000年1月至2014年3月上证月平均收盘价数据进行拟合,结合R和Eviews软件,用BIC准则进行模型的定阶,所选择的模型预测误差在可接受范围内,并根据最终模型进行趋势预测,结果显示未来五个月的月平均收盘价有上涨趋势.

基于ARMA-GARCH模型的股票价格分析与预测

利用时间序列模型对大众公用(600635)股票价格进行分析与预测.首先,通过对数据的初步分析,建立ARMA拟合模型;然后,通过模型检验发现模型残差中存在条件异方差性,通过加入GARCH项消除条件异方差性,得到了ARMAGARCH拟合模型;最后实证分析结果表明了模型的有效性与准确性.

高校食堂的菜品销量分析

针对高校食堂菜品存在的浪费、搭配不佳问题,根据连续85天的用餐人次数据,用时间序列分析研究了用餐人次符合的ARIMA(5,1,3)模型。对济南市高校常见的菜品及年销售数据,用R语言编程,先利用"过半数规则"计算和预测某一菜品销量的好坏,并计算出不同的素菜-素菜、素菜-荤菜之间的销量关联性。最后使用Python编程,用Apriori算法进一步挖掘菜品间的销售关联。

随机利率下定期寿险趸交纯保费模型

定期寿险是人寿保险体系的重要组成部分,其合理的定价受到越来越多的关注。本文依据时间序列理论,基于利息力序列条件异方差的ARMA(p,q)-GARCH(r,s)模型,针对固定保险金额的定期寿险,建立了随机利率下的定期寿险趸交纯保费的数学模型,并通过实例分析说明该模型的合理性。