基于Copula函数的金融时间序列模型述评

结合当前Copula函数及其应用的热点问题,着重评述了基于Copula函数的金融时间序列模型的应用。鉴于利用Copula可以将边际分布和变量间的相依结构分开来研究这一优良性质,在设定和估计模型时便显得极为方便和灵活。从模型的构造、Copula函数的选择、模型的估计以及拟合优度检验等几方面展开阐述和评价,介绍了Copula模型在金融领域中的几类应用,并对Copula理论和应用的新视角进行了展望。     

动态分层阿基米德Copula模型的构建与应用

Copula函数在金融中的应用大多限于二元情形,而对高维Copula函数及其动态模型的研究相对不足.文章在隐马尔科夫模型的框架下,构建了动态分层阿基米德Copula模型,并使用EM算法估计了模型的参数;然后将协变量引入到隐马尔科夫模型的转移概率中,以考虑其他因素对所考虑变量的相关性动态的影响;最后,将模型用于股票组合动态相关性的研究.     

上证指数收益率的尾部相关性研究

对上证指数收益率与成交量之间的尾部相关性进行了研究,利用Gumbel-H copula函数、极大似然估计法、二元极值Logistic模型等多种方法研究收益率与成交量之间的相关强度.结果表明:两序列尾部渐近相关,但相关度不是很强.     

基于HRM的金融时间序列预测

由于金融时间序列具有复杂、非线性、非平稳性、含噪声等特点,许多传统的线性及非线性方法难以对其进行有效的预测。为此,文章提出将HRM(A Hessian Regularized Nonlinear TimeSeries Model)应用于金融时间序列领域。实验结果表明,HRM具有较好的模型构建能力,拥有较快的计算速率,并且得到了较好的预测结果。     

基于特征提取的金融时间序列形态挖掘

以金融时间序列的上升三角形形态为例给出了金融时间序列挖掘与特征提取的方法，在挖掘过程中充分利用挖掘者的经验背景知识，提出了一种基于特征提取的金融时间序列形态挖掘算法。该算法首先对金融时间序列进行趋势化预处理，将曲线转化为折线表示，形成形态的趋势片断，然后再从这些趋势片断中提取出相关形态的属性特征。它提高了序列形态特征提取的有效性，使搜索空间大为减小。     

基于Copula函数的空间统计模型估计与应用

在空间数据分析中,由于空间预测在很大程度上依赖于对空间变化的现象分布的假设,因此建立空间数据分布模型是非常重要的问题.Stein(1999)指出,传统的方法利用变差函数描述插值的空间依赖性结构和基于似然方法的模型相比是相当不精确的.对于非正态分布的空间数据而言,Copula函数提供了一种可以分别指定相关结构和边缘分布而建立联合分布的可能性.文章基于Copula函数的非正态分布数据的空间插值方法,讨论模型参数的极大似然估计并运用生态环境数据进行实证研究.     

基于多源数据深度融合的金融时间序列预测

文章提出一种双阶段深度学习的金融时间序列预测模型,研究股民评论、金融新闻资讯与股票指标多源数据对股票市场波动的影响。该模型运用word2vec并结合卷积神经网络对非结构化文本数据进行情感分析,计算情感权重并与股票指数联合;通过双向长短时记忆网络结合注意力机制关注文本重点语义分布,提升全局时序信息敏感度,从而完成非线性、时变性的股指预测。所提模型相比于单一使用股票指数,其均方误差降低0.264,比BiLSTM股票预测模型降低了0.186。实证结果表明,端对端的多源数据融合情感分析模型能够有效解决因多级因素导致的股票市场波动性与不规律性,从而对股票指数进行预测。     

融合分解集成和深度学习的金融时间序列预测模型

由于金融时间序列具有高度非线性、不稳定性等特点，单一预测模型的预测精度受限。文章将集成经验模态分解（EEMD）技术和长短期记忆网络（LSTM）相结合，同时融入麻雀搜索算法（SSA）优化神经网络参数，构建了EEMD-SSA-LSTM混合预测模型。首先将该金融时间序列进行EEMD分解，其次将分解所得的各IMF分量与残差项输入到SSA优化后的LSTM网络进行逐个预测，最后通过累加得到最终预测结果。以上证指数价格为研究对象进行实证分析，结果表明，所提出的混合预测模型的MAPE、RMSE、MAE分别为0.0122、0.3278、0.2681，具有更高的预测精度与适用性。     

基于Copula方法处理随机前沿模型的正偏度问题

随机前沿模型在小样本情形下容易出现正偏度问题,无法给出厂商技术效率的合理估计值。放松经典模型中关于复合扰动项的相互独立假设后,基于Copula方法刻画白噪声项与技术无效率项之间的相关性,采用数值模拟方法计算模型参数与厂商技术效率的估计值。蒙特卡洛实验表明,此估计策略具有良好的大样本性质,较之经典模型拥有更高的估计精度,能够在出现正偏度问题时给出合理的技术效率估计值,且估计结果在不同的Copula函数选择下保持着较好的稳健性。     

基于遗传分层序列法的云制造资源优化配置

文章针对分层序列法和非支配排序遗传算法在求解多目标决策问题时的不足,结合遗传算法和分层序列法的优势,提出一种遗传分层序列多目标决策方法.设计遗传分层序列法的分层目标、遗传策略和原目标无量纲化处理方法.考虑运输时间因素,以制造完成时间最短和制造成本最低为目标,建立多制造任务资源分配模型,并设计一种基于时间矩阵的多制造任务完成时间计算方法.实验表明,应用遗传分层序列法进行多制造任务资源优化配置时,效果优于标准遗传算法和非支配排序遗传算法,可以满足决策者的不同决策偏好.     

基于Copula函数的金融市场尾部相关性分析

在常规极大似然估计法中，Copula函数的参数估计受边缘分布函数拟和的影响较大，鉴于此，用基于秩的极大似然法估计Copula函数的参数，并结合常见的4类双参数非对称BBx—Copula函数，对民生银行和浦发银行这两只股票的尾部相关性进行实证分析，结果表明股票市场在低迷时期的尾部相关性高于活跃时期的尾部相关性。     

Statistical Modeling of Temporal Dependence in Financial Data via a Copula Function

In financial analysis it is useful to study the dependence between two or more time series as well as the temporal dependence in a univariate time series. This article is concerned with the statistical modeling of the dependence structure in a univariate financial time series using the concept of copula. We treat the series of financial returns as a first order Markov process. The Archimedean two-parameter BB7 copula is adopted to describe the underlying dependence structure between two consecutive returns, while the log-Dagum distribution is employed to model the margins marked by skewness and kurtosis. A simulation study is carried out to evaluate the performance of the maximum likelihood estimates. Furthermore, we apply the model to the daily returns of four stocks and, finally, we illustrate how its fitting to data can be improved when the dependence between consecutive returns is described through a copula function.     

Copula Density Estimation Using Multiwavelets Based on the Multiresolution Analysis

Recently, wavelet has been used for copula density estimation. A known characteristic of wavelet functions is that they cannot be symmetric, orthogonal, and compact support at the same time while multiwavelets overcome this disadvantage. This article highlights the usefulness of the multiwavelet in order to approximate copula density functions. Possessing three appropriate properties at the same time, high smoothness, and high approximation order properties, multiwavelet can be more precise in copula density approximation. We make this approximation method more accurate by using multiresolution analysis. Finally, we apply our proposed method to approximate the copula density in actuarial data.     

A Note on the Estimation of Missing Values in Time Series

This paper derives an expression for the likelihood function of the parameters in an autoregressive-moving average model when some values are missing from the observed time series. The estimation of the missing values and their mean squared errors is discussed. Stationary as well as nonstationary models are considered.     

基于Copula方法的极值洪水频率与风险分析

洪灾风险分析中的一项重要内容是关于洪水发生概率(频率)的估计。以湖南省四大水系中的四个站点50多年的年最高水位数据为基础,结合常用于灾害分析中的分布模型估计出每个站点的洪水频率分布,再利用Copula函数模型得到两两水系间水位协同变化的联合分布函数,进而估计每两条河流同时发生洪水灾害的概率。     

基于Copula方法的干散货运费子市场尾部相关性分析

通过分析Copula函数的尾部相关性来揭示干散货巴拿马运费市场和好望角运费市场的相关性。实证结果表明,基于时变相关的二元对称Joe-Clayton(SJC)Copula对干散货运费子市场尾部相关性的拟合效果最好,而且当市场下降时,两个子市场表现出强而剧烈的相关性;市场上升时,二者表现出弱而平稳的相关性,因此基于不同船型的航线组合投资在市场上升时的效果优于市场下降。     

Modelling and Prediction of Financial Time Series

We consider statistical aspects of the modelling and prediction theory of time series in one and many dimensions. We discuss Lévy-based and general models, and the stationary and non-stationary cases. Our starting point is the recent pair of surveys, Szeg'ó's theorem and its probabilistic descendants and Multivariate prediction and matrix Szeg'ó theory, by this author.     

Dynamic Copula-Based Markov Time Series

This article examines a test procedure for checking the constancy of serial dependence via copulas for Markov time series data. It also provides a copula-based modeling approach for the dynamic serial dependence. Various parametric families of copulas offering different dependent structures are investigated. A score test is proposed for checking the constancy of a copula parameter. The score test is constructed and its asymptotic null distribution established under a two-stage estimation procedure. The test does not require specification of the probability distribution for the copula parameter. To capture the dynamics of dependence structure over time, autoregressive moving average and exponential type models are proposed. Illustrations are given based on simulated data and historic coffee prices data.