基于SARIMA模型的城市道路短期交通流预测研究

以城市道路短期交通特征为基础,提出在使用季节自回归求和移动平均(SARIMA)模型进行预测时还应该考虑交通流日周期性特征,以提高模型的预测能力。预测研究不仅考虑了模型的样本内预测而且考虑了样本外预测,并通过两个预测误差统计量,即预测误差绝对值均值和预测误差百分比绝对值均值,来对模型预测表现进行衡量与比较。研究结果显示,虽然只考虑城市道路短期交通流数据中周周期性的SARIMA模型预测能力比只考虑日周期性特征的SARIMA模型好,但是却比既考虑交通流数据中周周期性又考虑数据中的日周期性的SARIMA模型表现差。

基于非线性时间序列模型的城市道路短期交通流预测研究

对应于城市道路短期交通流复杂的非线性特征,采用一种非线性的时间序列模型来对其变化规律进行探索,以期获得城市道路短期交通流的精确预测。根据现实情况,可以将城市道路的交通流条件划分为两种状态:交通拥堵和交通畅通,在不同的状态下,交通流表现出不同的变化特征,一个二制度自我激励阈值自回归(SETAR)模型的结构能够很好地与之相符。以现实中的城市道路短期交通流数据为样本所进行的实例分析结果表明,被估计模型获得了很好的仿真结果,并能够合理地解释城市道路短期交通流的非线性特征。以此为基础,用估计所确定模型进行城市道路短期交通流的样本外预测,结果表明该模型不仅有较高的预测精度,且预测表现明显优于自回归求和移动平均(ARIMA)模型。

基于神经网络和SARIMA组合模型的短期交通流预测

为了更精确地预测短期交通流,提出由季节自回归求和移动平均模型(SARIMA)和广义回归神经网络(GRNN)模型所构成的组合模型(SARIMA-GRNN模型),该模型结合了时间序列模型和神经网络模型进行时间序列预测的优点.构造该组合模型的两个组成模型,即SARIMA模型和GRNN模型,也被用于预测研究以便于验证该组合模型在预测上的优势.实证研究结果表明,组合模型的预测精度高于SARIMA模型,但是却并不必然高于GRNN模型.然而,合理选择组合模型中神经网络部分的输入变量以及输出变量将显著地改善模型的预测精度,本文所构造的这个组合模型不仅具有很好的预测表现而且结构简单,非常适合城市道路短期交通流的实时预测.

主承销商声誉与IPO抑价率——基于中国A股市场的证据

主承销商声誉是影响IPO抑价率的重要因素之一,但在我国这一现象并不显著。以1990—2005年间发行的1 230个IPO公司为样本,采用一套新的切合中国国情的券商声誉测算方法,区分不同IPO发行制度进行实证分析,结果发现:(1)与国外市场相比,我国券商声誉、股票发行规模、公司发行前存续时间等变量对抑价率的影响较弱。(2)在不同的IPO发行制度下,券商声誉有着显著的差异。(3)按照不同的IPO发行制度进行分组,发现我国券商声誉与抑价率呈负相关关系,但不甚显著。

中国A股IPO抑价率很高的一个新证据

我国证券市场IPO抑价率呈现两个主要特征：一是其绝对值远远高于国外市场平均水平；二是近年来有逐年下降的趋势，但仍处于高位运行状态。通过对沪深两市1991～2004年间发行上市的1237家IPO样本的分组统计表明：以上两个特征与我国首次发行规模受限以及股权分置的制度安排有关，作者认为股权分置在形成初始高抑价的同时，也形成了路径依赖，而路径依赖使得中国IPO高抑价长期存在。相关模型显示，股权分置问题的逐步解决，将有利于降低我国上市公司的IPO抑价率，从而提高我国股票市场的资源配置效率。

基于跳跃厚尾随机波动模型的股市波动研究

通过对4个不同SV模型对比分析,试图了解股市收益序列中具有较大波动幅度的极端实现值能够被解释为一个非高斯分布的尾部行为,还是高斯扩散中一个跳跃组分的叠加,抑或是这两种设定同时起作用.采用两种具有不同波动程度的上证综指日收益数据进行的实证研究发现,我国股市日收益序列不仅存在显著的尖峰(厚尾)特征,而且波动持续性较低,以及受政府政策影响较多.此外,两组收益数据所对应模型的实证比较发现,跳跃设定有助于SV模型描述波动剧烈的收益序列,但却不适合波动平缓的收益序列.