基于高频数据的市场有效性研究

本文利用上海证券市场高频数据,用方差比方法研究了金融市场有效性问题.研究表明,上证综指不服从随机游走,收益存在正相关,相关程度的变化呈现周期性,同时市场存在显著的异步交易现象,方差比统计量在较长的滞后期内呈显著的振荡衰减特性.     

中国证券市场高频数据分布特征研究

国内在对高频数据的统计特征方面的研究还不多,而且基本上集中于对综合指数的数据特征的实证.本文对上海交易所交易的上市公司的高频数据形态特征进行了分析,并与国际成熟市场高频数据的形态特征进行了对比.     

分位数单位根检验的拓展及其应用研究

在不同的分位下对时间序列数据是否含有结构性变化进行甄别,对于准确识别数据的动态变化及其分布特征具有重要的意义.本文首次在Koenker和Xiao(2004)研究的基础上提出傅立叶分位数单位根检验模型,并以此捕捉时间序列中存在的结构突变点,进而刻画数据在不同分位下的动态变化特征.本文通过构建傅立叶QKS统计量并采用蒙特卡罗方法对傅立叶分位数模型的临界值、样本容量和检验“势”进行模拟,发现含有傅立叶级数的分位数单位根检验对刻画“尖峰厚尾”特征数据的非线性偏离动态调节特征具有更高的检验“势”.最后,本文利用拓展后的模型对我国通货膨胀的持久性和失业的回滞效应进行再检验,结果发现我国通货膨胀具有平稳的特征,而失业率却包含单位根过程.本研究为分位数单位根检验的拓展及其应用提供了一定的启示.     

基于线性模型的大学毕业生就业薪酬影响因素研究

大学毕业生就业薪酬是现实生活中一个重要的经济计量问题,本文以上海某高校毕业生就业薪酬数据为研究对象,随机抽取了1309个数据样本,对解释变量采取虚拟变量的形式,基于线性回归模型,分别用最小二乘方法、岭回归和贝叶斯回归方法对薪酬数据进行了回归,对影响工资收入的性别、民族、是否共产党员、生源所在地、就业所在地、就业单位的性质和所在学院等因素进行了分析,得出了相应的结论.     

基于高频数据的沪指波动长记忆性驱动因素分析

借助于高频数据的最优取样法,利用已实现波动率给出的上证指数波动率的有效估计,在研究已实现波动率特性的基础上,用计量模型探讨沪指波动的长记忆特征.发现HAR-RV模型比FARIMA模型更能有效地刻画沪指波动的长记忆性,且HAR-RV模型样本外预测效果远远优于FARIMA模型,这说明沪指波动具有伪长记忆性,表面特征显示的长记忆性是由短期投资、中期投资和长期投资形成的短记忆性叠加而成.同时由于HAR-RV模型综合考虑了不同时间水平上的已实现波动率,从而在深层次上验证了中国股票市场的异质性和波动率的杠杆效应.     

高频时间序列基于小波分析的预测

高频金融交易数据分析模型从上世纪90年代开始迅速发展,目前已广泛地用于金融市场微观结构理论的应用和实证检验.随着信息技术的不断发展,金融市场逐渐关注于利用高频金融数据的建模方法与理论的研究.但是,目前利用小波分析研究高频数据的文章并不多,而股市变化迅速且信息量巨大,正适合用高频数据的方法采集信息.     

基于线性模型的大学毕业生就业薪酬影响因素研究

大学毕业生就业薪酬是现实生活中一个重要的经济计量问题，本文以上海某高校毕业生就业薪酬数据为研究对象，随机抽取了1309个数据样本，对解释变量采取虚拟变量的形式，基于线性回归模型，分别用最小二乘方法、岭回归和贝叶斯回归方法对薪酬数据进行了回归．对影响工资收入的性别、民族、是否共产党员、生源所在地、就业所在地、就业单位的性质和所在学院等因素进行了分析，得出了相应的结论。     

基于部分函数型线性回归模型的改进

金融市场的交易是不间断的,价格始终高频的更新,在金融数据的研究中,经常遇到函数型数据.文章主要建立部分函数型线性回归模型,分析函数型数据在上证指数预测中的应用,根据函数型数据分析的原理及其求解主成分分析的方法,使用Matlab对上证指数进行预测.     

基于统计与聚类的信用评级新方法

文章针对国内信用评级研究面临的违约率数据缺失的问题,提出了一种综合回归思想与聚类算法的方法.通过得到的模拟数据进行回归分析,得到了关于回归与聚类一致性和最优输入参数两个回归方程;以回归方程来指导聚类算法,并利用我国2012年226家上市公司的财务数据对方法的有效性进行了检验.     

公共部门和非公共部门收入差异周期性波动的统计检验

近年来,公共部门和非公共部门间的收入差异问题备受社会关注.文章结合中国宏观经济和中国健康与营养调查1989-2011年的数据,检验了公共部门和非公共部门之间收入差异与宏观经济状态的关系.研究发现:无论是采用OLS方法还是Wooldndge面板数据选择模型,中国公共部门和私人部门之间的收入差异随着宏观经济状态变动均呈现出显著的逆周期性变化.此外,分年度数据回归也证实了两部门之间收入差异的逆周期性.     

经济时间序列频率转换方法的研究与应用

经济时间序列的频率转换是计量经济分析领域的一个重要研究问题.本文首先对不同经济指标类型(流量、存量和指数)及传统频率转换方法进行了系统梳理;在此基础上,重点介绍了3种低频向高频转换的前沿方法:Denton方法、Chow-Lin方法和Litterman方法,并给出了流量、存量和指数3种类型变量由低频(季度)向高频(月度)转换的实例;最后,对3种频率转换方法的数据转换质量进行了比较分析.研究显示,频率转换后的月度数据都较好地反映季度数据的变化趋势和波动特征,从而通过频率转换方法可以很好地解决由于收集到的数据类型不一致而无法建模的问题.     

基于小波特征提取的高频面板数据聚类方法

高频面板数据在时间维度的频繁波动给聚类的准确性造成了很大干扰。综合考虑这一问题,从小波分解的角度提取了面板数据主成分降维后指标的综合得分序列,利用小波变换提取综合得分序列的"周期"特征、低频部分的"均值"特征与"趋势"特征、高频部分的"波动"特征,最后采用熵值法对这些特征进行赋权并利用赋权后的特征数据和系统聚类方法实现高频面板数据聚类。通过股票高频面板数据的实证分析表明,该方法的聚类效果良好。     

基于跳回归的高频杠杆交易策略研究

基于高频交易跳跃现象中资产配对产生的瞬时同步性特征,提出基于跳回归的高频杠杆交易策略。针对策略实施的条件,研究配对资产跳回归系数的性质,通过考察综合指数与行业指数配对之间的偏离性和稳定性,提出有效实施策略的行业选择。实证结果表明,医药、金融、公用行业具有较大的跳幅偏离度,而医药行业的跳跃系数最为稳定。最后,样本外数据的策略回测显示,选择医药行业实施基于跳回归的高频杠杆交易策略,相对其他行业收益更大。     

基于高频数据的市场价格久期集聚特征分析

在金融高频数据中,价格久期反映了交易者的交易策略,从时间维度反映了信息的传导过程。文章采用股票交易的分笔数据,在自回归条件久期模型中引入信息交易特征变量:交易强度、每笔平均交易量和百分比买卖价差,分析价格久期集聚特征与市场信息交易之间的关系。     

新型模糊时间序列模型与应用

为了提高模糊时间序列的预测精度,文章利用小波分析多尺度分解方法,选择适当的小波函数,把一维数据分解为低频逼近部分和高频细节部分,在低频部分和高频部分根据各自数据特征利用模糊C一均值聚类算法分别建立模糊时间序列模型并预测,然后把每个部分的预测值根据小波重构得到最终预测结果.通过对国家财政收入实例验证对比发现,该模型在预测精度方面有较大提高.     

缺失偏态数据下线性回归模型的统计推断

研究缺失偏态数据下线性回归模型的参数估计问题,针对缺失偏态数据,为克服样本分布扭曲缺点和提高模型的回归系数、尺度参数和偏度参数的估计效果,提出了一种适合偏态数据下线性回归模型中缺失数据的修正回归插补方法.通过随机模拟和实例研究,并与均值插补、回归插补、随机回归插补方法比较,结果表明所提出的修正回归插补方法是有效可行的.     

时间序列分析方法在粮食价格指数分析中的应用

据国家统计局公布的数据表明,2003年11月食品价格涨幅高达8.1%,其中,粮食价格上涨12.4%,油脂价格上涨27.2%.今年3月份,全国居民消费价格总水平比去年同月上涨3%,其中,粮食价格上涨30%,油脂价格上涨26%.关于此次粮油物价上涨的原因,各个方面的专家作出了评论.均认为粮食价格上涨是粮食价格的周期性波动,是一种合理性回归.而笔者则持不同意见,认为这种观点只是理论上的推测,缺乏数据上的验证,是不正确的.下面将运用时间序列分析的方法用真实的数据来验证.     

叠代加权线性回归法

两种不同的回归方法 利用调查数据,建立两个随机变量之间的函数关系,我们通常用回归的方法.根据变量之间是否存在线性关系,分为直线回归与曲线回归.对于直线回归当然是用最小二乘法.     

基于小波支持向量机的经济预测模型

最近,由Vapnik等提出的统计学习理论及从中发展出的支持向量机(Sup-port Vector Machines,SVM)方法,在回归算法的研究中表现出极好的性能,被认为是神经网络的替代方法,目前在时间序列预测领域也开始得到应用.SVM无论在理论还是在实践中,在非线性时间序列预测领域都具有优秀的表现和应用前景.本文将小波理论与SVM方法结合起来,互补二者优势,提出了一种称为小波支持向量机(Wavelet Support VectorMachines,WSVM)的新的机器学习方法.该方法引入小波基函数来构造SVM的核函数,得到了一种新的SVM模型,它除了具有SVM的一切优点外,还能消除数据的高频干扰,具备良好的抗噪能力.本文将这一新方法应用于经济预测中,得到了较高的预测精度,表明WSVM方法是一种很有潜力的机器学习方法.     

（超）高频数据分析与建模

高频数据即指日与日内的数据 ,主要针对以小时、分钟或秒为采集频率的数据。而超高频数据则指对交易过程实时采集的数据 (显然是不等间隔的数据 )。一般而言 ,金融市场上的信息是连续性影响证券价格变化过程 ,离散模型必然会造成信息的丢失 ,数据频率越低 ,则信息丢失就越多。Ｗｏｏｄ(2 0 0 0 )详细讨论了国外金融研究中所用的不同频率数据库的历史和对未来实证研究者的数据采集建议。中国目前 (据我们所知 )日内数据很难得到 ,更不用谈超高频数据了。但是作为一种先进的数据分析工具 ,高频数据分析迟早都将被中国的理论研究者和金融市场的…