基于状态转移回归的动态集成时序预测方法

最优模型子集的确定和集成权重的设置是组合预测中的两个重要问题,直接关系到组合模型的预测表现。为此,本文提出了一个基于状态转移回归的动态集成时序预测方法,首先基通过计算单体模型和原始数据之间的互信息确定最优模型子集;其次,通过状态转移回归实现单体模型的动态集成,并获得最终预测值。通过对9个国家的主权信用违约互换利差数据进行预测实验,本文发现所提出的状态转移组合预测模型表现良好,不仅优于一般单体预测模型和组合预测模型,还优于基于滑动窗口技术的动态组合预测模型。     

央行外汇干预、人民币汇率与信用利差

基于开放经济框架构建了包含央行外汇干预、人民币汇率变动与信用利差变化的内生动态系统,从理论层面阐述了三者的微观联动机理.理论分析表明,央行外汇干预、人民币汇率变动与信用利差变化之间存在非线性的内生联动效应.为刻画这一效应,本文选取带有随机波动的时变参数结构向量自回归(SV-TVP-SVAR)模型对2010年～2018年的月度数据进行实证分析,研究发现:央行外汇干预、人民币汇率变动与信用利差变化的非线性联动效应具有较强的时变特征;央行外汇干预稳定人民币汇率的作用在下降;央行外汇干预、人民币汇率变动分别与不同期限、不同评级债券信用利差变化之间的联动效应具有不对称性.研究有助于加深对汇率与信用利差之间关系的理解,为债券市场各方参与者防范风险提供理论支撑,也对人民币汇率调控具有一定启示.     

央行外汇干预、人民币汇率与信用利差北大核心CSCDCSSCI

基于开放经济框架构建了包含央行外汇干预、人民币汇率变动与信用利差变化的内生动态系统,从理论层面阐述了三者的微观联动机理,理论分析表明,央行外汇干预、人民币汇率变动与信用利差变化之间存在非线性的内生联动效应,为刻画这一效应,本文选取带有随机波动的时变参数结构向量自回归(SV-TVP-SVAR)模型对2010年〜2018年的月度数据进行实证分析,研究发现:央行外汇干预、人民币汇率变动与信用利差变化的非线性联动效应具有较强的时变特征;央行外汇干预稳定人民币汇率的作用在下降;央行外汇干预、人民币汇率变动分别与不同期限、不同评级债券信用利差变化之间的联动效应具有不对称性.研究有助于加深对汇率与信用利差之间关系的理解,为债券市场各方参与者防范风险提供理论支撑,也对人民币汇率调控具有一定启示.     

基于神经网络集成的GDP预测模型

GDP预测是一项重要而复杂的工作,目前尚未有完美的解决办法.鉴于GDP预测的非线性、时变性和不确定性,提出了一种基于神经网络集成的GDP预测模型.该模型利用神经网络解决了非线性和时变性问题,利用神经网络集成解决了样本数据量少、偏差大的问题,使得GDP预测结果更为有效.     

基于多元t-分布的外汇期权市场风险非线性VaR度量模型

主要研究当汇率回报呈多元t-分布时,对于外汇期权非线性头寸的VaR(Value at Risk)度量的问题.在推导出多个外汇期权的投资组合的二次近拟的矩母函数表达式基础上,本文使用傅里叶变换、切比雪夫不等式、数值转换计算求出投资组合的VaR的值,并和基于多元正态分布Comish-Fisher模型以及基于Delta-正态模型计算所得的VaR值了进行比较.这种方法克服了厚尾分布的VaR计算的困难.     

一种基于组合神经网络的时间序列预测方法

本文探讨了神经网络时间序列预测模型的建立机制有其的构造方法，同时，为了消除模型的系统偏差，提出了构造辅助神经网络用以对原有模型的预测结果进行了校正以减小其误差。并对外汇汇率数据进行了模糊构造和预测。结果表明，组合神经网络在模型的拟合精度和预测准确性方面有都有提高。     

经常项目可兑换条件下的人民币汇率模型研究

基于我国现阶段的汇率制度和外汇管理体制的基本特征 ,本文应用汇率经济学理论与系统分析方法 ,深入探讨我国外汇市场供求变化的内在机制 ;在提出中国进出口方程和贸易差额方程的基础上 ,建立经常项目可兑换条件下的人民币汇率决定模型 ,并应用 1 994年至 1 998年的月度数据对汇率模型进行实证分析 .分析结果表明 ,所建立的模型是符合实际的     

基于蚁群算法的成本敏感线性集成多分类器的客户流失研究

针对电信客户流失预测问题的复杂性,融合自组织神经网络良好的连续属性值离散化优势、粗糙集理论出色的属性约简功能和蚁群优化算法全局的随机搜索特点,在模型集成技术和成本敏感学习理论的基础上,提出了一种新的基于蚁群算法的成本敏感线性集成多分类器的电信客户流失预测模型。构建该集成模型可分为4个阶段:(1)连续属性值的离散处理:利用自组织神经网络对连续属性值进行非监督离散化处理;(2)原始属性集的约简处理:使用粗糙集理论按属性重要性原则对离散属性进行约简;(3)子分类器的建立:分别使用NaiveBayes、Logistic回归、多层感知器和决策树等4种差异性很大的分类技术在约简属性集上建立4个对应的客户流失预测子分类器;(4)子分类器的集成:基于成本敏感学习理论,构建了4种不同的线性集成模型,采用蚁群优化算法求解集成模型的最优线性组合权重系数。将该模型应用于某电信客户流失预测,其实验结果表明该集成方法是可行且有效的。     

基于时变t-Copula的抵押外汇契约定价研究

借鉴抵押债务契约的定价方法,应用时变t-Copula对抵押外汇契约(CFXO)进行了定价研究。首先,给出了CFXO的理论定价模型;然后,应用时变t-Copula对基于美元、日元、欧元和英镑两两之间汇率的CFXO进行了数值定价计算,其中,t-Copula的相关系数是时变的,可以用来刻画标的汇率之间随时间变化的相关性。CFXO是一款新型外汇衍生产品,可以使投资者获得关于一揽子外汇资产的暴露评级,并同时从相应所选择的部分到期,收益率以及评级中获益。该产品为投资者投资组合的多样化提供了一个十分有效的工具。     

结构突变下的高维汇率资产时变投资组合预测研究

金融市场存在结构突变现象是发生金融风险传染的关键所在,而风险传染又是投资组合研究中亟需解决的难点。本文以9种国际主要货币对美元汇率为研究对象,先构建隐马尔科夫模型来对汇率资产进行结构突变预测,并基于结构突变刻画的结果,构建动态R-Vine Copula模型来预测汇率资产的风险传染关系;最后,基于结构突变与风险传染的研究结果,筛选出适合的组合汇率资产,构建时变投资组合预测模型。实证结果表明：HMM模型能够有效地刻画出汇率资产中的结构突变;动态R-Vine Copula模型能够更加有效地刻画出汇率资产间的风险传染关系;基于结构突变与风险传染关系下的动态投资组合预测模型,具有降低投资组合风险与提升投资组合预测收益的优越性,能够为金融风险管理和投资组合研究提供模型参考。     

汇率的非线性组合预测方法研究

近年来的经济统计研究表明,组合预测比单项预测具有更高的预测精度,但线性组合预测方法在汇率的组合建模与预测方面存在着较大的局限性。本文提出了一种基于模糊神经网络的汇率非线性组合建模与预测新方法,并给出了相应的混合学习算法。对于英镑、法朗、瑞士法朗、日本元对美元等汇率时间序列的组合建模与预测结果表明,该方法具有很强的学习与泛化能力,在处理外汇市场这种具有一定程度不确定性的非线性系统的组合建模与预测方面有很好的应用价值。     

A Cross-Validation Analysis of Neural Network Out-of-Sample Performance in Exchange Rate Forecasting

Econometric methods used in foreign exchange rate forecasting have produced inferior out-of-sample results compared to a random walk model. Applications of neural networks have shown mixed findings. In this paper, we investigate the potentials of neural network models by employing two cross-validation schemes. The effects of different in-sample time periods and sample sizes are examined. Out-of-sample performance evaluated with four criteria across three forecasting horizons shows that neural networks are a more robust forecasting method than the random walk model. Moreover, neural network predictions are quite accurate even when the sample size is relatively small.     

外汇干预反应函数非线性FTR模型的提出及其实证

中央银行外汇干预反应函数是描述央行干预行为与外汇市场条件变量间关系的重要工具,对于揭示央行外汇干预规律和特征具有重要意义。现有的干预反应函数模型在充分体现外汇干预的不频繁性特征、以及提高描述精度两方面上,还不能同时满足实际的需要。在参考相关研究基础上,从兼顾模型实际意义与描述精度的角度出发,提出了一种新的非线性FTR模型,并基于日本央行的外汇干预数据对其进行了实证研究。将其与线性模型、2-机制TR模型进行实证比较后发现,所提出的FTR模型在样本内拟合和样本外预测两方面均具有比其它两种模型较小的误差,从而证明了FTR模型在描述央行外汇干预行为上具有更好的精度,更加适合作为央行外汇干预反应函数。     

汇率货币模型的非线性协整关系检验——基于深度GRU神经网络

本文采用深度门控循环单元（GRU）神经网络探讨三种汇率货币模型（弹性价格、前瞻性和实际利率差模型）的非线性协整关系。GRU技术在深度学习中具有智能记忆、自主学习和强逼近能力等优点。为此，本文运用该技术对6组典型浮动汇率制国别数据进行了非线性Johansen协整检验。结果表明，汇率与宏观经济基本面之间存在非线性协整关系，从而说明了货币模型在非线性条件下的有效性，以及先进的深度学习工具在检验经济理论中的优势。     

基于LSTHAR模型的投资者关注对股市波动影响研究

有限关注理论认为投资者关注有限，无法掌握市场上所有信息，这会使股票出现暂时的错误定价，引起市场波动，因此投资者关注可能包含预测波动的有益信息。鉴于百度指数能较好代理中国投资者的主动性关注，本文提出将其作为逻辑平滑转移结构的转移变量，引入已实现波动的异质自回归类模型，以刻画投资者关注的变化对未来市场波动的非线性影响。基于华夏上证50ETF高频价格数据的实证表明：新模型相比于异质自回归类基础模型，有显著更优的拟合效果和显著更强的预测性能，即投资者关注的非线性引入对波动率预测有显著贡献。本文还发现，相比于引入移动端百度指数和总体百度指数，引入电脑端百度指数对模型预测性能的改进明显更大，表明电脑端百度指数代表的投资者关注对市场波动有更大的影响。研究结论对投资者风险管理和投资决策有实际指导意义。     

二重趋势性季节型电力负荷预测组合灰色神经网络模型

对于具有增长和波动二重趋势性的季节型电力负荷,首次提出了季节型负荷预测的组合优化灰色神经网络模型,研究了同时考虑两种(非线性)趋势的复杂季节型负荷预测问题,说明了此优化模型分别优于两种单一发展趋势负荷预测模型,给出了电力负荷预测的应用实例,为季节型电力负荷预测提供了一种新的、有效的方法。     

安全事故现状与趋势分析方法研究

包括安全生产事故预防、控制在内的安全生产监督管理工作需要客观把握安全生产的现状并准确地判断其总体发展趋势。本文基于我国安全生产事故快报数据,对近年安全生产现状做出季节性等分析,并为短期安全生产形势变化的预测与判断不仅提出了三个可行的ARIMA-BP、ARIMA-RBF以及ARIMA-GRNN非线性组合模型而且进一步基于RBF,对前述三个模型再次进行非线性组合,给出了一种新的双重非线性组合趋势分析方法。实证结果表明,双重非线性组合能够较为精确地预测安全生产事故的发展趋势,可以为安全生产事故的预防、控制和应对提供管理和决策支持。     

金融危机前后的汇率波动特征

构建了基于马尔可夫转换—广义自回归条件异方差(MS-GARCH)模型的汇率波动模型,并实证研究了2008年金融危机前后不同经济特征的国家或地区的货币汇率波动转换特征.结果表明:危机期间的突发事件、宏观经济形势的改变、央行干预政策以及国际利差交易行为是汇率波动状态转换的可能原因.本文为辨别金融危机期间汇市的周期变化,分析和预测市场走势,以及为央行干预和政策制定提供了一定的统计依据.     

Carbon price forecasting with a novel hybrid ARIMA and least squares support vector machines methodology

In general, due to inherently high complexity, carbon prices simultaneously contain linear and nonlinear patterns. Although the traditional autoregressive integrated moving average (ARIMA) model has been one of the most popular linear models in time series forecasting, the ARIMA model cannot capture nonlinear patterns. The least squares support vector machine (LSSVM), a novel neural network technique, has been successfully applied in solving nonlinear regression estimation problems. Therefore, we propose a novel hybrid methodology that exploits the unique strength of the ARIMA and LSSVM models in forecasting carbon prices. Additionally, particle swarm optimization (PSO) is used to find the optimal parameters of LSSVM in order to improve the prediction accuracy. For verification and testing, two main future carbon prices under the EU ETS were used to examine the forecasting ability of the proposed hybrid methodology. The empirical results obtained demonstrate the appeal of the proposed hybrid methodology for carbon price forecasting.     

时间相依利率扩散模型的非参数估计

利率的变动模式会随着时间的推移、经济环境的变化和金融制度的改变而发生变化.时变的扩散模型能更好的描述短期利率的随机行为,文章采用基于核回归的非参数方法,估计中国银行间市场7天回购利率的时间相依CKLS模型.最后比较了时间相依CKLS模型与时齐CKLS模型在波动率预报上的表现,结果表明,时间相依CKLS模型更好的反映了利率实时的变化,提高了预测利率变化的精度.