基于ARMA-GARCH组合模型的汇率波动性预测

文章使用2015年8月11日至2022年11月30日人民币兑美元汇率的日交易中间价数据进行研究。首先对该数据进行对数差分处理,得到平稳的人民币汇率对数收益率序列。其次通过描述性统计分析发现该序列“尖峰厚尾”,而平稳性检验和ARMA模型建立证实了该序列的非随机性质,异方差性检验确认了波动聚集性。研究采用GARCH、EGARCH和TGARCH模型对波动率方程进行拟合,结果显示汇率存在杠杆效应。最终,使用最佳拟合效果的EGARCH(1,2)模型对汇率序列进行回测分析,并提出相关建议。

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ARMA-GARCH模型的超短期风功率预测研究

风功率预测对提高电能质量和电力系统的安全运行具有重要意义。基于时间序列的方法,对内蒙古赤峰地区某风场的风功率数据进行了超短期预测,通过对数据平稳性检验的结果,建立了时间序列的ARMA模型,利用拉格朗日乘子检验的方法,检验ARMA模型具有ARCH效应,并建立适合的ARMA-GARCH模型。结论通过对比ARMA模型,ARMA-ARCH模型和ARMA-GARCH模型的风功率预测精度可知,在解决数据的残差序列异方差函数具有长期相关性时,ARMA-GARCH模型能够有效的提高预测精度。

企业债券市场波动性研究——基于ARMA-GARCH模型的实证分析

基于交易所企债指数,利用ARMA-GARCH模型分析市场波动性。结果表明ARMA(1,1)-GARCH(1,1)模型可以合理解释企业债券市场波动存在的持续性、丛集性和杠杆效应。场外冲击对条件方差的影响具有持久性,反向冲击比等量的正向冲击会导致更高的下一期的条件方差。EGARCH(1,1)-M模型回归结果表明,市场存在正的风险溢价,但是预期条件波动对预期收益仅有微弱补偿。

基于不同误差分布下ARMA-GARCH模型的国债指数实证研究

根据上证国债指数收盘价数据的特征,对其收益率序列建立误差分布为正态、GED和t分布的ARMA-GARCH模型.比较不同分布条件下的拟合效果,得出误差分布为GED和t分布时,模型的拟合效果优于误差分布为正态分布的情况.应用交叉验证法对预测效果进行比较,得出误差分布为t分布的ARMA-GARCH模型预测效果最优.同时,在模型比较中,基于同一误差分布的ARMA-GARCH模型的拟合和预测效果都明显优于GARCH模型,表明其更适于国债收益率序列的分析研究.

金融时间序列的波动持续性与优化投资组合关系——基于GARCH(1,1)模型矩的视角

GARCH(1,1)模型是最具代表性的ARCH族模型,而ARCH族模型是描述金融时间序列波动持续性特征最为广泛使用的模型,因此对GARCH(1,1)模型进行研究具有很强的理论和实际意义。本文基于矩的角度对GARCH(1,1)模型描述的波动持续性进行了研究并得到了矩和波动持续性关系的具体数学描述。这为人们厘清掩藏在服从GARCH(1,1)过程的金融时间序列背后的规律提供了一个独特视角,帮助人们了解GARCH模型并优化投资组合。

基于ARMA-GARCH类模型的SHIBOR的VaR比较

以2007年1月4日至2013年12月31日上海银行间同业拆借市场1W和1M的数据为样本,建立了基于ARMA-GARCH簇的多个市场利率风险测度VaR模型,通过比较得出以下结论:(1)对于1W数据,基于新息的正态分布和GED分布假设,都稍稍高估了多头头寸的风险,低估了空头头寸的风险;而对于1M数据,GED分布假设能准确估计多头头寸的风险,n-分布假设能准确估计空头头寸的风险;(2)t分布不适合描述上海银行间同业拆借利率序列的尾部特征;(3)上海银行同业拆借市场的利率序列存在波动的非对称性,而且利率向上变动时的波动幅度大于利率向下变动时的幅度。

股票收益率预测及风险与收益关系研究——基于ARMA-GARCH模型和高频数据

以沪深300指数的一分钟为间隔的实时价格为研究样本,利用ARMA模型和基于T分布的GARCH(1,1)模型,对其收益率进行了拟合和预测,同时运用GARCH-M模型,分析风险和收益之间的关系。研究表明,股指波动存在条件异方差性;ARMA模型长期预测效果较好,而GARCH(1,1)-T模型短期预测效果较好;沪深300指数的风险和收益不呈正比,说明我国股市发展不成熟。

基于ARMA-GARCH模型的上证指数短期预测研究

将在处理金融数据易变性方面具有优势的广义自回归条件异方差模型(GARCH)和在平稳时间序列数据预测方面具有优势的自回归移动平均模型(ARMA)相结合,提出ARMA-GARCH预测模型。以2007年10月08日到2011年11月4日997个上证指数收盘价格为样本对综合预测模型进行估计,并用随后五天的上证指数收盘价对综合预测模型进行检验。检验表明模型有效地刻画了上证指数的短期变化。

基于ARMA-GARCH模型的沪深300指数波动率分析与预测

本文考虑到沪深300指数的序列不是单一线性或非线性的,而是既有线性部分也有非线性部分,而ARMA模型适用于平稳的时间序列,GARCH模型适用于分析易变性的数据,因此本文将ARMA和GARCH模型结合,线性部分使用ARMA模型,非线性部分使用GARCH模型,对沪深300指数建立ARMA-GARCH模型,并对沪深300指数的波动率进行了分析研究与预测。证明了ARMA-GARCH综合模型对沪深300指数的波动率短期预测存在着很大优势,在短期预测中能够较好地判断沪深300指数的未来趋势,但在长期预测中,由于多因素的干扰会出现较大误差。本文还证明了ARMA-GARCH模型的预测结果优于单独模型（ARMA或GARCH）对沪深300指数的预测。ARMA-GARCH模型对沪深300指数的波动率的预测结果能为投资者对沪深300指数的短期趋势判断和投资决策提供一定参考。

线性与非线性单方程时间序列建模在黄金现货价格预测分析中的实证研究——基于ARMA模型及GARCH模型族

由于黄金现货价格受到诸多经济及政治因素的影响,其生成过程复杂,难以通过其影响因素的研究来对其进行预测分析。因此,本文试图从黄金价格本身的时间序列着手,试图利用线性的ARMA及非线性的GARCH模型族,利用单方程时间序列建模的方法对黄金现货价格进行预测分析。研究发现线性的ARMA模型和非线性的GARCH-M模型都能较好地进行对伦敦黄金现货价格进行预测,在研究的样本中,两者的向前一步预测误差分别为0.06%和-0.03%。GARCH-M模型的预测效果较好。此外,还通过使用GARCH模型族分析了伦敦黄金现货价格的信息不对称性、风险收益特征和对系统性冲击的反应,针对性地做出了结论和投资建议。

基于ARMA模型和GARCH模型的人民币汇率预测的比较

本文选取了2010年9月7日至2012年12月31的美元兑人民币中间价的日值数据,对其进行描述性统计分析,发现其具有“尖峰厚尾”性；对人民币汇率日收益率序列建立自回归移动平均模型(ARMA模型),发现其具有条件异方差现象,因而建立广义自回归条件异方差模型(GARCH模型)进行拟合。最后,由于GARCH(1,1)模型能够有效消除条件异方差,其拟合效果与预测效果较ARMA(1,1)模型更好。

基于ARMA-GARCH模型的股票价格分析及预测

文章基于潍柴动力2014年7月1日至2015年3月26日180个交易日的收盘价数据,通过R软件建立模型,对3月最后三个交易日的收盘价进行预测,预测值与真实值非常接近,能够为有关该只股票的决策提供一定的帮助。

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。

基于GARCH和ARMA时间序列模型的股票收益率的分析与预测——中国工商银行股票为例

本文以工商银行股票日收益率为研究对象,选用GARCH和ARMA时间序列模型分析,通过实证验证表明,GARCH模型在进行股票收益率的分析与预测具有较好的预测分析效果。

基于多周期GARCH-M模型的短期电价预测

电价的分布特性是电力市场风险管理和电力金融产品定价的重要依据。建立了一个采用虚拟变量和正弦函数来刻画现货电价序列多周期性特征的GARCH-M模型。该模型易于定阶、待估参数少,可同时处理电价序列的趋势变化、多周期、异方差及其与负荷之间的非线性相关性,具有一定的实用价值。对PJM电力市场历史数据的分析表明,电价分布的异方差和负荷的平方对电价均值具有显著的影响,电价序列具有周、半月、月、季、半年等多重周期和明显的波动集聚性。

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。

基于GARCH-M模型的黄金市场风险与收益关系研究

文中应用GARCH-M模型来研究中国黄金市场风险与收益关系,并得出了以下主要结论:①黄金价格日收益率具有波动聚集的特征;②GARCH模型能够较好地拟合黄金价格的走势;③GARCH-M模型估计结果显示黄金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。

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。