金融危机前后BDI指数与CBFI指数的多重分形研究

针对BDI指数和CBFI指数收益时间序列的相关性特征,运用多重分形去趋势波动分析法(MF-DFA)和多重分形去趋势交叉相关分析法(MF-DCCA),对2004-01-01到2008-09-15(危机前)和2008-09-16到2013-12-31(危机后)BDI指数和CBFI指数自相关的多重分形性以及二者交互相关的多重分形特征进行分析。首先,基于MF-DFA方法分析BDI和CBFI指数收益序列的自相关性,发现金融危机前后,BDI指数和CBFI指数收益序列演变呈现出非平稳性、自相关的多重分形特征,危机后自相关性的多重分形强度大于危机前。其次,基于MF-DCCA方法分析BDI和CBFI指数收益序列的交叉相关性,结果表明两者交叉相关关系具有很强的多重分形特征,呈现出时间序列的长程相关性,危机后互相关的多重分形强度大于危机前。同时也证实多重性归因于时间序列波动的持续性和胖尾分布。

沿海散货运价走势特征、影响因素及其启示

海运是海铁联运的重要环节,大宗散货是海铁联运的主要货类,分析沿海散货运价走势特征和影响因素对掌握沿海散货运价波动规律和提升铁路货运价格市场化运作水平具有重要意义。综合运用X-12方法和HP滤波法,揭示沿海散货运价的趋势、季节和波动特征;分析沿海散货运价、运输需求、运力的主要影响因素。研究表明:2015年以来沿海散货运价呈现倒"V"字型走势,具有较为明显的季节特征,总体波动明显;运价主要受运输需求、船舶运力的影响。沿海散货常年市场化运作所呈现出的特征和规律为铁路货运价格进一步市场化带来启示,即针对港口货物制定精细化的运价策略,运价策略中引入运输需求因素,加强货类供给需求指标的监测。

基于EEMD-PSO-LSSVM的中国沿海散货运价指数预测

针对中国沿海散货运价指数(CBFI)预测对精度的要求,从内在波动特性角度出发,提出一种基于集合经验模态分解(EEMD)-粒子群优化算法(PSO)-最小二乘法支持向量机(LSSVM)的组合预测模型.对比LSSVM、PSO-LSSVM、EMD-PSO-LSSVM三种预测模型,EEMD可对CBFI序列中波动较大数据进行降噪分解,保留序列的内在波动特性,且预测精度有一定提升,预测性能更佳.