天气衍生品定价模型的构建

文章以天气衍生品市场为前提,提出了基于温度动态过程的天气衍生品的定价模型.根据美国国家气候数据中心发布的北京日均气温数据,对温度过程进行统计模拟.在温度动态过程中引入了风险的市场价格的思想,推出温度指数所遵循的随机微分方程,最终得到以HDD指数为标的资产的期权定价的偏微分方程和有限差分法的数值结果.     

干旱天气指数保险精算定价与衍生品定价的比较

精算定价法、衍生品定价法是干旱天气指数保险的两种定价方法。文章采用这两种方法探讨了粮食作物干旱保险的定价,并以长沙县早稻作物为样本,选取1987—2018年的相关数据进行了实证对比分析。研究表明,当干旱赔付概率为40%时,精算定价法得到3月至7月纯费率分别为0.63%、0.26%、0.03%、0.22%、0.29%,纯费率随赔付概率而变化;当取干旱测度指标均值作为其执行价格时,天气衍生品定价法得到3月至7月看涨期权的赔付额度分别为2.91元/亩、2.72元/亩、2.27元/亩、2.11元/亩、3.06元/亩,赔付额度随执行价格的变化而变化。     

基于AR—EGARCH的空气温度预测模型

天气衍生产品定价极其复杂,其中与温度相关的产品是目前研究热点,其定价核心在于温度变量的精确预测。传统AR-GARCH温度预测模型难以描述温度变量波动率的非对称性。基于此,构建了AR—EGARCH温度预测模型,它能够描述波动率的非对称性,更好地反映温度变化过程。对中国东部南北线六个较发达的城市进行实证研究,结果表明：六个城市的温度变化具有明显的非对称性,AR—EGARCH模型无论是拟合还是预测效果都较传统的AR-GARCH模型更优。     

金融衍生品定价模型及二阶段运算

以期权为代表的金融衍生品定价在金融创新日益加剧的当今市场交易中非常必要,文章分别从博弈论、概率期望和资产组合复制三个角度推导定价模型,并对相关参数和推导结果进行现实解释,最后指出以套利定价为基础的三个模型缺陷,并提出解决思路。     

利率期限结构预测、国债定价及国债组合管理

国债利率期限结构是固定收益产品定价和投资组合管理的核心问题。本文利用NARX（Nonlinear AutoRegressive network with eXogenous inputs）神经网络模型研究利率曲线的运动机制,拟合并预测利率期限结构,在此基础上利用Hermite插值方法构造平滑的利率曲线并计算得到国债理论价格及其预测值。实证分析发现我国国债定价效率不足,交易价格显著偏离理论价格,但国债的理论价格的实际值和预测值均对交易价格具有显著的预测能力。基于上述发现本文提出了主动国债组合管理策略,通过预测的期限结构得到国债理论价格的预测值构建的多空对冲组合和单边多头组合均能获得显著的收益。本文的研究丰富了利率期限结构的研究方法,提出的主动国债组合管理策略对通过交易提高国债定价有效性具有参考价值。     

基于联合定价模型的奖惩因子的扩展与比较

信度模型是经验费率厘定的主要方法,其缺陷在于隐含的正态分布假设并不适用于索赔次数,同时也无法分析费率因子对预期保费的影响。若将信度模型与广义线性混合模型相结合,同时考虑保单已知的风险特征信息和潜在的个体风险特征信息,将正态分布假设推广到泊松分布,放宽随机效应假设,即可构建一种扩展的联合定价模型。扩展的联合定价模型不仅能解决定价过程中风险信息重叠的问题,其预测值还具有类似信度模型"收缩估计"的性质。对一组保单索赔次数数据的研究发现,扩展的联合定价模型(泊松-伽马模型)对索赔次数的拟合更加合理,解决了奖惩因子的"过度奖惩"的问题,有效改进了预测结果。     

巨灾债券的定价模型比较研究

巨灾债券的定价是巨灾债券的核心技术及难题。文章从规范学的角度来分析巨灾债券的定价,以金融衍生品的无套利定价方法确定巨灾债券的价格;从实证学角度分析巨灾债券的定价,以利用精算学中的Wang变换和双因素变换模型为定价方法,分析巨灾债券的价格。通过对实际巨灾债券的价格实证分析得到;双因素模型能更好的拟合实际价差,对单一事件单一期限的巨灾债券,运用双因素模型得到较高的拟合优度。     

基于小波分解自回归模型的CPI预测

文章利用小波分析与自回归模型相结合的方法来建模分析时间序列,这种方法主要是在尺度函数逼近和自回归模型的基础上建立的。小波分析提供了一种多尺度函数逼近的方法,而自回归模型能够预测时间序列。文章的对CPI序列进行了离散小波分解,并重构得到了尺度序列和每层的细节序列;然后分别对其建立自回归模型并预测每个序列的下一个值,将得到的预测值相加得到了CPI预测值,再用预测值,利用建立的模型进行预测;最后,用标准差来衡量估计量的好坏。     

农业天气风险管理及产品定价研究

为降低系统性风险的冲击,基于效用理论,构建了包括农户、保险人和债券投资者三方在内的一般模型,得出了相应的指数保险和天气债券的定价公式。采用绥化市样本数据,基于支持向量机预测方法,进行了产品的实例设计。结果表明,如果在债券市场上,投资者的风险厌恶水平低于农户或保险人时,则可将天气风险转移至资本市场,风险转换比取决于三方的风险厌恶水平。支持向量机预测模型的应用可以显著提高预测精度,有助于降低基差风险。     

基于灰色反馈修正的长期预

对于总体趋势增加的原始数据,用灰色动态模型GM(1.1)进行长期预测时,预测值往往偏高,当时间趋向无穷时,预测值将趋向无限大.为了解决这个问题,我们在建模方法上作了改进,提出了一个灰色反馈长期预测模型,简记为LGM(1.1),用此模型对河北省某地粮食产量进行了实验性预测,预测精度较好.     

基于干预模型与BP神经网络集成的GDP预测

文章将干预模型与BP神经网络模型相结合,提出了基于干预模型与BP神经网络集成的GDP时间序列预测模型,并实现了算法。利用我国1978~2004年的GDP数据建立多干预变量集成预测模型,对我国2005~2009年的GDP数据进行预测,并将预测值与其他文献所建模型的预测值进行比较,预测误差明显减少,证实了所建立模型处理外部事件(如宏观经济因素、政治因素等)的有效性。     

基于VaR-GARCH模型的机场货运量数据实证研究

机场货运量一直是机场各种数据预测中最难以预测的一种。该数据预测结果的准确性直接影响到机场高层决策者决策的效果,对管理者日常经营活动的安排也至关重要。文章将广泛应用于金融风险管理中的VaR方法,引入到非金融领域,以上海机场为应用背景,对机场货运量波动情况分析预测问题进行了讨论。使用GARCH模型对机场货运量数据波动性进行检验。将计算所得的VaR值与利用ARMA模型计算出的预测值相结合得出机场货运量的最大波动预测区间。经过采用配对样本差异性t检验过程对机场货运量的真实值和预测值进行检验,得出货运量的预测值与真实值不存在显著性差异,说明采用本方法得出的预测结果合理可靠。     

简论统计预测中的指数模型

简论统计预测中的指数模型扬州大学税务学院会计系程毛林大量研究表明，很多事物的发展相对时间是按指数或接近指数规律变化，其模型的一般表示形式为Ｙｉ—ａｅ‘’（或Ｙｉ—ａｈ’），ａｈ／０。指数模型在理论上有三个明显的特点、一是第ｔ期预测值与前一期之比为常数...     

新技术运用的最优时机决策模型

现有实物期权定价模型未能考虑厂商采用新技术所生产的新产品的S形扩散特征,模型预测值与实际值有较大差距。文章假设新产品价格服从均值回归过程,并基于Bass模型推导出的新产品扩散方程,运用二叉树方法,构建了离散时间状态下结合新产品扩散特征的实物期权定价模型,得到了新技术采用的最优时机,为采用新技术最优时机的决策提供了一个更具操作性和准确性的方法。     

时间序列模型在海关税收预测方面的应用

为了对2008年江门海关税收总体形势进行把握,笔者利用SAS统计分析软件的时间序列预测模块对2008年江门海关税收总值进行预测.从预测结果来看,模型拟合度较高,预测值也较为准确.……     

基于多因素影响的房地产价格预测模型

文章根据我国房地产发展情况以及与其影响因素之间复杂的非线性关系,提出了基于多因素影响的房地产价格预测组合模型.首先运用灰色关联法对影响因素进行计算排序,筛选出主要的影响因素变量,然后应用改进的小波神经网络组合预测法对房地产价格进行预测,最后使用马尔科夫链分析法将预测值区间化,提高预测值的可信度,得出最终预测结果.研究表明,考虑多种因素影响的房价预测模型能够有效地预测房地产价格,且较传统的预测方法大大提高了预测精度.     

季节系数调整下的零售业销售总额预测方法

文章在对相关预测方法进行归纳的基础上,根据零售品销售的特征采取相关数学方法对销售额序列进行稳定趋势和季节效应的分离,在此基础上对江苏零售业的季节系数,并依据稳定趋势进行预测并根据季节系数进行还原,经过预测值—观测值的相关检验发现预测效果良好。     

灰色系统与BP神经网络组合模型及其应用

影响财政收入的因素有很多,各因素之间信息重叠的现象较严重,文章通过逐步回归选择了影响财政收入的几个显著因素.又鉴于灰色系统对小样本数据预测的优良特性,对每个选定的影响因素建立灰色预测GM(1,1)模型,得到各因素2015年、2016年的预测值.运用BP神经网络模型对1995-2014年数据进行训练,将灰色预测得到的预测值代入训练好的网络中,预测出2015年、2016年的安徽省的财政收入.     

基于神经网络灰色Verhulst算法的CPI预测模型

为了提高居民消费价格指数的预测精度,对于呈近似S形的CPI时间序列,利用灰色Verhulst模型对其预测.构造基于时间序列的人工神经网络输入输出模式,利用BP神经网络对原始数据与灰色verhulst预测值的残差进行训练.仿真实例表明,该组合算法预测结果比单纯使用GM(1,1)模型、灰色Verhulst模型和文献[1]的总体误差要小,将神经网络引入到灰色Verhudst模型中能较好地提高预测精度.     

SARIMA模型在预测中国CPI中的应用

文章考虑中国通货膨胀率月度频率数据本身所表现出来的波动特征,分别对CPI同比序列和环比序列建立时间序列SARIMA模型进行了分析和预测,可为政策制定者相机抉择调控经济运行的宏观政策提供可靠工具。结果表明:相对于单一的对同比序列和环比序列建模预测而言,结合两种模型构造的合成预测值的预测精度更高。