基于时变稳健加权最小二乘法的股市收益率预测

提出一类时变参数稳健加权最小二乘法(TRWLS),并将其用于预测标准普尔500指数收益率.该方法将时间相关权重与稳健估计权重相结合,既能捕捉参数时变性,又能降低数据噪声的影响.TRWLS模型组合揭示了经济和统计意义上均显著的收益率可预测性,而且预测能力明显高于普通最小二乘法.TRWLS模型的预测表现也好于传统时变参数模型和稳健回归模型.其预测能力主要来源于时间权重和稳健性权重的互补性以及超参数的学习能力.预测结果在调整多元信息组合方法、权重核函数和验证集长度的情况下均具有稳健性.     

谁是驱动中国原油期货价格波动的关键信息?

本文首次对影响中国原油期货价格波动的驱动因素进行了量化分析.运用广义动态因子模型,结合互联网数据,为中国原油期货价格构造了六类预测因子：供需预测因子、市场金融化预测因子、汇率市场信息预测因子、商品市场预测因子、全球宏观经济预测因子以及事件预测因子.基于混频GARCH-MIDAS模型,本文发现上述六类因子能显著改善对原油价格波动的预测精度.同时,基于MCS检验结果,揭示出在不同时间尺度下,驱动中国原油价格波动的信息存在明显差异性,即在短期和中期预测中事件预测因子起主导作用,而供需因子则是在长期主导中国原油价格波动的关键因素.综上,本研究为国内原油市场参与者、政策制定者及市场监管者把握未来市场信息提供了分析工具和参考依据.     

基于贝叶斯因子模型金融高频波动率预测研究

构建了包含时变系数和动态方差的贝叶斯HAR潜在因子模型(DMA(DMS)-FAHAR),并对我国金融期货(主要是股指期货和国债期货)的高频已实现波动率进行预测.通过构建贝叶斯动态潜在因子模型提取包含波动率变量、跳跃变量和考虑杠杆效应的符号跳跃变量等预测变量的重要信息.同时,在模型中加入了投机活动变量,以考察市场投机活动对中国金融期货市场波动率预测的影响.预测结果表明,时变贝叶斯潜在因子模型在所有参与比较的预测模型当中具有最优的短期、中期和长期预测效果.同时,具有时变参数和时变预测变量的贝叶斯HAR族模型在很大程度上提高了固定参数HAR族模型的预测能力.在股指期货和国债期货的预测模型中加入投机活动变量可以获得更好的预测效果.     

组合式神经网络下的短期电力负荷预测模型分析

本文对电力负荷变化规律和影响因素进行分析,提出一种组合式神经网络下的短期电力负荷预测模型。采用神经网络、模糊聚类分析和模式识别理论的方法进行建模。以每天24点负荷数据、天气数据以及天类别数据为指标,将历时数据分成若干类别,针对每一类别建立神经网络预测模型,预测时通过模式识别,找出与预测天相符的预测类别,利用相应的神经网络预测模型进行24小时短期电力负荷预测。     

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。     

粒子群优化灰色模型在负荷预测中的应用

针对电力系统负荷特性,分析灰色模型GM(1,1)的应用局限性,引入向量α改进灰色模型背景值序列的计算公式,从而构建了适应性更强的GM(1,1,α)模型。应用粒子群优化算法非线性全局寻优能力来求解最优α值,提出了基于粒子群优化算法的灰色模型PSOGM,并给出了电力负荷预测的应用实例。实例证明PSOGM模型具有较高的预测精度和较广的应用范围。     

基于驱动因素控制的线性时变参数DLDGM(1,N)模型

针对传统GM(1,N)模型未考虑参数随时间变化的动态特征及未明确驱动因素作用机制的问题,首先引入线性时变参数以及驱动因素控制函数,构建基于驱动因素控制的线性时变参数DLDGM(1,N)模型,论证DGM(1,1)、NDGM(1,1)、TDGM(1,1)、DGM(1,N)、DCDGM(1,N)模型均是该模型在不同参数取值下的特殊形式;然后基于白化信息充分和匮乏的两种情况,给出驱动因素控制参数的识别方法;最后应用所提模型对河南省粮食产量进行预测,验证模型的有效性和实用性。     

中国股票市场可预测性研究：基于机器学习的视角

股市风险溢价是金融学中的一个经典研究问题.常见的线性模型存在着模型误设和参数不稳定的问题，难以有效预测风险溢价.本研究从机器学习的视角重新检视了中国股票市场的可预测性.基于1996年1月—2019年12月的数据，构建提升回归树(boosting regression trees, BRT)模型对股市收益率与波动率进行样本外预测，并构建了最优风险资产配置模型.实证结果显示：1)提升回归树方法能够对收益率、波动率和最优风险资产权重做出准确预测；2)在收益率预测中最重要的三个变量分别是净权益增加值、换手率和股价方差；挖掘预测变量之间的非线性关系是BRT预测能力的来源；3)结合提升回归树预测构建的最优风险资产组合可以为投资者带来更高的收益和效用.本研究将机器学习方法引入股票市场风险溢价的研究，为此问题的研究提供了全新的视角.     

上证综指的股指波动:基于模糊FEGARCH模型及不同分布假设的预测研究

本文主要对2006年至2011年上证综指收益率序列的高频波动性进行预测研究。首先,针对金融数据的非线性和不确定等特性,借助模糊逻辑系统,提出一种新的金融市场波动率的预测方法-模糊FEGARCH模型,用来更好的针对具有非线性特性的收益率数据进行预测。其次,为了判断分布型模型和不对称型模型对预测精度的影响程度,分别采用分布型(GARCH-N,GARCH-t,GARCH-HT和GARCH-SGT)和不对称型(GJR-GARCH、EGARCH和模糊FEGARCH)的波动模型进行高级能力预测法(SPA)检测。实证结果表明,不对称模型对波动率预测的影响程度比分布假设的确定更为重要,而且模糊FEGARCH模型对于具有尖峰厚尾、高偏度和杠杆效应的非线性波动数据的预测能力更佳,说明了该模型的有效性与实用性。     

一种基于动态关系辨识算法的短期预测方法

针对目前众多短期预测问题中存在的业务数据波动性增大、预测结果影响因素增多等问题,结合自适应建模技术,提出了一种基于动态关系辨识算法的统计类短期预测方法。该方法首先根据预测问题提出动态关系模型,然后结合不断更新的业务数据和最佳预测精度值,对模型参数和模型结构系数进行动态调整,从而使得决策者能够始终基于模型的最优状态获得预测结果。研究结果表明:针对波动性较大的业务数据,该方法自我调整能力较强,对近期数据的跟踪性较好,鲁棒性强,易于推广应用。     

不同抽样频率波动模型的预测精度比较

以上证综指和标准普尔500指数为例,构建了基于不同抽样频率股价数据的波动模型,然后运用样本外的滚动时间窗法实证计算了各波动模型对未来市场波动率的预测值,最后运用具有bootstrap特性的SPA检验法实证检验了各波动模型的预测精度差异.研究结果表明,基于低频数据的波动模型对股市波动率的预测精度远远落后于基于高频数据的波动模型,使用高频数据有助于对市场波动率的精确预测.     

非平稳技术冲击、时变通胀目标与中国经济波动——基于动态随机一般均衡的分析

本文构建了一个包含时变通胀目标和非平稳技术冲击的动态随机一般均衡(DSGE)模型,基于中国1992-2010年的季度数据,采用贝叶斯推断方法,估计了模型的结构参数.模拟仿真结果的比较分析发现,构建的DSGE模型能够更好地拟合中国经济,主要经济变量的理论波动相比较而言与实际经济波动更为一致.从模型的预测误差方差分解来看,时变通胀目标和非平稳技术冲击对主要经济变量的波动都具有相应的解释能力.     

基于动态模型平均的大豆期货价格预测研究

针对大豆期货价格波动的复杂性及影响因素的多元性，本文将动态模型平均理论引入大豆期货价格分析与预测研究中，通过动态选择解释变量和系数时变程度，在有效控制模型和系数不确定性的同时，最大限度综合利用大豆期货市场内外部信息，以提高大豆期货价格预测准确度。具体的，本文提出一套基于动态模型平均理论的大豆期货价格影响因素与预测分析框架，从期货市场和经济环境等两方面准确地识别出大豆期货价格影响因素的时变特征，进而构建大豆期货价格预测模型，并通过预测误差指标和Diebold-Mariano检验法评估其与基准模型的预测能力。研究结果表明，动态模型平均理论在有效剖析大豆期货价格影响因素的时变特征的同时，能明显提升大豆期货价格预测准确度。     

对中长期负荷预测方法的综述

中长期负荷预测各种预测方法都具有其各自的优缺点和适用范围,在实际预测工作中,必须根据实际情况,着重从预测目标、期限、精确度等诸多方面作出合理选择,寻求能获取所需精度的预测方法。本文针对电力系统中长期电力负荷预测方法做出分析。     

基于非概率可靠性的铁路应急设施选址-路径鲁棒优化

鉴于铁路应急设施选址研究中很难合理估计参数的概率分布或确定其隶属函数的问题,将选址-路径问题与区间非概率可靠性方法结合起来,以复杂网络理论为基础,提出网络节点区间权重的确定方法,同时考虑节点权重、边权及径权区间不确定性的共同作用,构建铁路应急设施选址节点加权网络。基于区间非概率可靠性理论及区间运算规则,提出路径的非概率可靠性度量及最优时间可靠度路径选择方法,建立节点权重、边权及径权均为区间数的非概率可靠性铁路应急设施选址-路径鲁棒优化模型,并给出了求解算法,确定了基于区间模型的铁路应急设施鲁棒选址的最优方案。算例表明,本文的优化方案能更好地保证救援的时间鲁棒性,能有效地规避不确定因素波动对设施选址的长期风险,具有很好的实际应用价值。     

中国股票市场的时变杠杆效应研究——基于随机Copula模型的实证分析

构建随机Copula模型研究了中国股票市场在极端市场条件下的时变杠杆效应.为了解决金融市场中波动率不可直接观测的问题,采用已实现波动率测度作为隐波动率的代理变量,进而运用基于有效重要性抽样的极大似然(EIS-ML)方法估计了随机Copula模型的参数.基于沪深股市数据的实证研究表明:中国股票市场的杠杆效应具有非对称特征,即股市低收益率伴随高波动率,但股市高收益率不一定伴随低波动率;中国股票市场的杠杆效应存在显著的时变性,沪深股市杠杆效应表现出类似的变化趋势;随机Copula模型相比其它Copula模型(静态Copula模型和时变Copula模型)具有更好的数据拟合效果.     

跳跃的估计、股市波动率的预测以及预测精度评价

本文基于C_TMPV理论估计已实现波动率的跳跃成分,在此基础上构建考虑跳跃的AHAR-RV-CJ模型和MIDAS-RV-CJ模型来预测中国股市的已实现波动率,并评价和比较各类波动率模型的预测精度。实证结果表明:基于C_TMPV估计的波动率跳跃成分对日、周以及月波动率的预测有显著的正向影响;AHAR-RV-CJ模型和MIDAS-RV-CJ模型的样本内和样本外预测精度在不同的预测时域上都是最高的,尤其是对数形式的模型;MIDAS族模型的样本外预测精度在中长期预测时域上比HAR族模型高;AHAR-RV-CJ模型和MIDAS-RV-CJ模型的样本外预测能力在中长期预测时域上比基于低频数据的Jump-GARCH模型、SV-CJ模型和SV-IJ模型好。     

基于时变波动率与混合对数正态分布的50ETF期权定价

经典B-S期权定价模型经历了从常数波动率、正态分布到时变波动率、非正态分布的发展历程。 对已有针对时变波动率期权定价模型效果的研究进行扩展,以时变波动率模型SSP对经典B-S期权定价公式的常数波动率进行修正,该随机条件波动率的构建充分反映了未来标的资产收益对其波动率的影响;运用广义学生t分布构建时变波动率调整后的B-S期权定价公式,并研究其风险中性概率分布形状,引入混合对数正态模型捕捉实际收益率分布相对于正态收益率分布的偏离;采用2015年2月9日、2月16日和2月25日的50ETF期权高频数据,应用严谨的参数显著性检验、样本内定价偏差和样本外预测偏差的模型选择比较标准,对提出的具有时变波动率的混合对数正态期权定价模型的定价精度进行分析。 研究结果表明,中国50ETF期权的标的资产高频收益率呈现出较为明显的有偏和尖峰厚尾分布,收益波动具有明显的聚集特征和长记忆性;采用时变波动率修正后的B-S模型能够显著提高对中国50ETF期权的定价精度;在综合考虑模型对标的资产价格变化动力学的刻画效果以及对期权的定价精确性后,具有时变波动性特征的混合对数正态模型是一个相对更为合理的期权定价模型。 研究结果不仅为投资者和监管机构提供了更为准确的期权定价方法,同时也丰富了有关中国50ETF期权典型统计特征的研究。     

我国工业增加值季节波动非线性研究——基于SEATV-STAR模型

多数宏观经济变量时间序列有季节波动,如果季节波动是非线性的,采用经季节调整过的数据或传统季节模型等线性处理季节波动的方法可能就不再适用。本文基于季节时变平滑转换自回归(SEATV-STAR)模型,运用"特殊到一般"的非线性检验策略对我国工业增加值季度增长率季节波动进行研究。结果表明:(1)工业增加值的季节波动兼有结构时变和非线性改变,工业增加值的周期波动是线性的。(2)技术进步、体制变迁等因素使得工业增加值季节波动发生连续的结构时变,它们是季节波动变化的主要影响因素。(3)工业增加值周期波动对其季节波动有非对称影响;在工业增加值的波峰阶段,其季节波幅会减小,且1、2季度工业增长率有明显提高。     

基于熵测度的三参数区间数信息下的TOPSIS决策方法

研究基于三参数区间数的排序及决策模型,提出了基于三参数区间数的重心点、中点、长度的可能度排序方法;基于重心点发生可能性最大的三参数区间数分布特点,提出了距离测度公式;建立了基于三参数区间数熵测度的属性权重模型,在此基础上构建了依据TOPSIS思想的不确定性决策框架。算例说明了该方法的步骤和有效性。