RGM-EGARCH模型及其对深圳股市的实证

GM-EGARCH模型是一种将灰色预测模型(GM(1,1)模型)与EGARCH模型相结合的新型混合波动率模型.针对GM(1,1)模型在其适用务件上的局限性,文章利用残差灰色预测模型(RGM(1,1)模型)对GM(1,1)模型的预测结果进行改进,再将RGM(1,1)模型与GARCH模型相结合,构建RGM-EGARCH模型来修正随机误差项.通过对深证综合指数的实证分析,比较了RGM-EGARCH模型、GM-EGARcH模型和EGARCH模型的样本外短期预测效果.实证结果表明,在三种模型中,RGM-EGARCH模型具有最好的波动率预测效果.     

基于自适应神经模糊推理系统的货运量预测研究

考虑到货运量预测的复杂性及非线性特点,本文将自适应神经模糊推理系统(ANFIS)引入货运量研究中,利用ANFIS对货运量进行预测.通过对我国铁路货运量及公路货运量的实例分析检验ANFIS有效性.结果表明,ANFIS有效地预测了我国铁路货运量及公路货运量,具有较高的预测精度及较快的收敛速度,是一种有效的货运量预测方法.     

中国股市波动率的TSK非线性组合预测模型

Grey-GARCH模型是一类新的波动率模型.针对单一Grev-GARCH类模型只能有限地提高波动率的预测精度,利用TSK模糊推理系统,结合组合预测的思想,建立波动率的TSK非线性组合预测模型.通过对上证综指和深证综指的实证分析,发现与单一Grey-GARCH类模型、RBF非线性组合预测模型和线性组合预测模型相比,TSK非线性组合预测模型总体上能够获得更高的预测精度,说明TSK非线性组合预测模型是一种有效的波动率预测分析方法.     

中国股指波动率的智能预测模型与实证检验

文章提出将改进型粒子群算法与最小二乘支持向量机(LSSVM)相结合的中国股指波动率智能预测方法,利用径向基核函数LSSVM对股指波动率进行建模及预测,并将自适应惯性权重粒子群算法(AIWPSO)和动态加速系数粒子群算法(DACPSO)分别实现径向基核函数LSSVM的参数优化,建立了两种股指波动率的智能预测模型.以日内价格极差作为波动率的代理变量,通过对上证综指和深证成指的实证研究检验了两模型的有效性.检验结果表明,AIWPSO算法优化的径向基核函数LSSVM作为中国股指波动率智能预测模型,具有更高的波动率预测精度和更快的建模速度.     

运用最小二乘支持向量回归机和CARRX模型对股市波动率的预测

条件自回归极差模型(CARRX)是一类新的描述波动率的模型。为了提高CARRX类模型的预测精度,文章将最小二乘支持向量回归机(LSSVR)应用于CARRX模型。先将CARRX模型转化成ARMAX形式,再利用LSSVR对ARMAX模型的参数进行估计(LSSVR-ARMAX)。通过对沪深300指数的预测实证分析,发现无论是采用直接预测还是迭代预测,LSSVR-ARMAX模型的样本外预测能力均优于Perez-Cruz(2003)提出的方法;LSSVR的估计方法能够在长期预测中捕捉到极差波动率的变动趋势,而CARRX类模型对中短期极差波动率的预测准确度较高。