跳跃风险、结构突变与原油期货价格波动预测

本文主要是为了检验原油期货市场是否存在明显的跳跃风险和结构突变,并重点调查这两个因素是否对原油期货价格波动有预测作用。在经典或前沿的HAR-RV、HAR-S-RV和PSlev模型中,本文同时考虑跳跃风险和结构突变因素,构建了HAR-RV-J-SB、HAR-S-RV-J-SB和PSlev-J-SB模型。接着,以WTI原油期货的5分钟高频交易数据作为实证样本,对以上模型进行实证分析。实证结果显示：原油期货市场存在明显的跳跃风险和结构突变现象;HAR-RV-J-SB、HAR-S-RV-J-SB和PSlev-J-SB模型对原油期货价格波动的样本外预测精度都明显高于与之相对应的HAR-RV、HAR-S-RV和PSlev模型,且其结果是稳健的。特别地,在HAR-C和LHAR-RV等其它现有HAR族模型中加入跳跃风险和结构突变因素,也能得到类似的结果。本文的研究表明跳跃风险和结构突变因素能显著提高现有绝大多数HAR族模型对原油期货价格的预测精度,所以在HAR族模型的构建中这两个因素不能被忽视。     

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.     

中国是否拥有原油的国际定价权？——基于油价间独立性与传导性视角

在目前国际原油以期货市场定价的格局下,如何判别中国原油期货价格是否已经拥有了国际定价权是一个亟待解决的理论和现实问题。本文基于多变量单方向因果测度统计分析方法,聚焦原油期货市场定价的独立性与传导性,以上海国际能源交易中心的原油期货价格（INE）为例进行实证分析。研究发现：第一,INE在短、中期内未受到WTI、Brent等原油期货价格的因果影响,具有价格发现功能,但是尚不具备长期独立性;第二,在本文的样本区间与美元兑人民币汇率条件下,上海原油期货采用人民币计价可以增强其对WTI、Brent的影响力,同时减弱二者的影响力,彰显出人民币计价的双重定价优势;第三,WTI和Brent油价作为基准油价指标,INE作为非基准油价指标满足本文所创建的国际基准油价之间应长期相互独立、基准油价对非基准油价应具有传导性的研判标准,反映了该标准的科学性。     

国际碳市场风险价值度量的新方法——基于EVT-CAViaR模型

受全球经济、政治、能源和政策等各方面因素影响,碳资产价格波动剧烈,探寻适合碳市场风险度量的计量方法具有重要的现实意义。论文以EUA和CER市场为研究对象,对比了CAViaR与GARCH-GED模型在不同预测区间、不同置信水平下度量碳市场风险时的表现,发现CAViaR模型在模型拟合和预测方面要优于GARCH-GED模型,但由于CER市场具有更大的不确定性,导致了CAViaR模型在CER市场的预测表现比EUA市场更差,并且在预测1%VaR时,CAViaR模型表现出不稳定性;论文进一步将EVT与CAViaR模型结合来改进碳市场1%VaR的预测效果,发现在处理具有高风险预测区间以及高风险的CER市场,EVT-CAViaR模型的预测表现都更加稳健,说明该方法能够一定程度上提升碳市场风险的预测精度。     

Knight不确定条件下的模糊二叉树期权定价模型

在市场含有Knight不确定因素的环境下,影响期权价格的因素不仅仅具有随机性的特点,而且还存在着模糊的性质.因而我们假设股票价格服从模糊随机过程,使用基于抛物型模糊数的二叉树模型对欧式期权进行定价,得到的风险中性概率及期权价格为一个赋权区间.在使用中国权证数据进行的实证中,采用二次规划方法确定模型参数,并对模糊期权价格进行去模糊化,与传统的二叉树模型进行实证比较后发现,应用模糊二叉树模型能得出更准确的市场价格预测.投资者可以选择自己可接受的置信度,得到一个模糊价格区间,以此指导投资策略.此外,应用此模型能够得到期权价格的模糊程度的度量-模糊度,从而获知Knight不确定性的大小.     

运用马尔科夫链预测股指走势的实证分析

金融市场的多种价格变量是受到各种各样因素影响的随机变量,在不同的假设条件下可以做出不同的预测模型,常见的计量经济模型、投入产出模型、随机时间序列模型在不同程度存在缺陷,运用马尔科夫链对这些随机变量的数量特征进行分析,通过合理划分变量变动区间和时间间隔,可以分析各个状态之间的互通性和遍历性。根据我国2006下半年至2008年的上证综合指数股票历史收盘价数据,运用马尔科夫预测法对其短期价格走势进行预测,并对预测结果作了分析。     

考虑旅客跨区间流转的机票多预定区间折扣优化模型研究

多预定区间差异化折扣逐渐成为机票收益管理的重要分支。本文提出了一种新的收益管理模型：基于顾客跨区间流转的收益管理模型,并给出了二分法迭代求解方法。假设各个预订时间区间的潜在需求可以通过大数据手段进行预测,首先结合旅客的价格敏感和潜在需求跨时间段流转的特性分析了各区间的需求函数,然后结合需求函数构建了多预定区间折扣优化模型。由于该模型属于动态的收益管理模型,因此构建了一种动态求解方法——二分迭代法。最后,依据航空公司的实际情况设计了两个仿真实验。实验计算结果不仅验证了新模型和算法的有效性,而且得出一些比较有用的结论：（1）票价与提前购票时间不存在单调的线性关系;（2）预订区间远离离港日折扣逐渐变大,靠近离港日的折扣会逐渐减少,但是包含离港日的预订区间的折扣又会变大;（3）流转率越高则折扣越少;（4）价格敏感系数越高折扣越高;（5）流转率通过改变价格敏感系数而影响折扣的大小。本文给出的折扣优化决策模型符合旅游产品多预定区间折扣决策的实践,可以为机票、酒店、景区等多种旅游产品的票价决策提供有益参考。     

对我国股指价格随机游走假定的实证检验

2010年股指期货已经在我国隆重推出,作为指数化投资的一个品种,其与指数化投资产生和发展进程密切相关的。本文对沪深300指数2005年4月8日到2010年5月18日的收盘价是否满足随机游走假定进行检验,通过方差比模型方法对整个样本区间及两个子区间进行实证检验,得出了我国股指价格满足随机游走假定,这表明我国股指市场是弱有效性市场,投资者将无法根据股票历史价格信息对今后价格作出预测,指数化投资将是一种较好的选择。     

基于EEMD-LSTM的农产品价格短期预测模型研究

本文将集成经验模态分解(EEMD)方法与长短期记忆网络(LSTM)相结合，构建了一个端到端的农产品价格短期预测模型。首先，对原始价格信号进行EEMD分解，得到若干IMF子序列和一个残差序列；然后，运用Fine-to-coarse高低频重构方法对IMF子序列进行高频—低频重构；最后将原始价格序列、高频项、低频项和残差趋势项作为特征，输入到LSTM网络进行训练得到预测模型。本文以广州市江南农副产品市场的富士苹果日价格为例进行实证分析，结果表明，本文提出的EEMD-LSTM模型在农产品价格短期预测问题上具有一定的性能优势。     

基于EMD和SVMs的原油价格预测方法

针对原油价格预测问题,提出一种基于EMD(经验模式分解)和SVMs(支持向量机)的非线性组合预测方法.该方法运用EMD技术将原油价格序列分解成若干个不同频率的分量,根据频率高低将各分量分组叠加得到3个新序列,分别代表市场波动价格、重大事件价格、趋势价格;针对此3个序列,构建不同SVMs模型分别进行预测,得到各序列预测值;用SVMs针对各序列预测值构建组合模型得到最终预测值.采用WTI和Brent原油现货价格数据验证本方法的有效性,结果表明,此方法与单一的SVMs模型和人工神经网络模型相比,具有较高的预测精度.     

基于优化回声状态网络的股价预测研究

股票市场是一个充斥着各种噪声的动态非线性系统,能够精确地对其进行预测是一项具有挑战性的任务。本文构建的BCC-ESN模型,是运用细菌群体趋药性算法(BCC)来优化回声状态网络(ESN)的权值结构,在继承ESN优良性质的同时,具有更高的模型预测能力。实验证明,BCC-ESN模型比前馈神经网络具有更好的学习和预测能力。经对上证指数进行短期价格预测,结果与BP网络、Elman网络和ESN网络进行比较,BCC-ESN模型精度明显优于其他三种网络预测。同时,在运算效率上,BCC-ESN模型继承了ESN的运算优势,明显优于其他神经网络预测模型,是一种切实可行、高效的预测算法,尤其在股票时间序列预测中有广泛的实用价值。针对BCC-ESN模型在训练预测中遇到的问题,比如耗费时间过长和过度拟合问题,本文亦提供了简单易行的思路和方法。     

上海原油期货市场是否具有稳定中国股票市场的作用？

自2018年3月上海原油期货INE在上海国际能源交易中心上市以来,目前已成为规模仅次于WTI和Brent原油期货的第三大国际原油期货,随市场容量的持续增长,上海原油期货在准确地反映市场基本面变化的同时,具有更为灵敏价格发现和风险管理功能,如何判别中国原油期货是否有助于规避全球原油市场对中国股市的风险溢出已经是一个亟待解决的理论和现实问题。本文拟从动态条件风险溢出的角度探索上海原油期货对中国金融市场稳定的有效性。选取了2002至2020年约4000多个日度数据,分别对比了4种国际原油期货市场与2组股票综合指数的相关影响。基于DCC-MGARCH模型,本文依次研究了多元国际原油市场与股票市场的动态关联性、重大突发事件对二者相关性的影响以及采用CoVaR量化了风险溢出效应。本文研究发现国际原油价格对两组股票综合指数的异质性主要表现在两组股票是原油进口国和出口国;中国(美国)结构突变点时间点分别是5(3)个,这与突发性重大经济、政治等事件的时间点高度吻合;国际证据表明,INE对中美股票市场的CoVaR最小,且原油期货市场比现货市场CoVaR更低。本文揭示了一些新的证据,验证了中国原油期货市场启动有利于实现与国际风险脱钩,并建议风险监管部门改善系统性风险可以采取平滑对冲重大突发事件期间的风险溢出。     

基于修剪平均的神经网络集成时序预测方法

由于复杂时序存在结构性断点和异常值等问题，往往导致预测模型训练效果不佳，并可能出现极端预测值的情况。为此，本文提出了基于修剪平均的神经网络集成预测方法。该方法首先从训练数据中生成多组训练集，然后分别训练多个神经网络预测模型，最后将多个神经网络的预测结果使用修剪平均策略进行集成。相较于简单平均策略而言，修剪平均策略不容易受到极值的影响，能够使集成模型获得鲁棒性强的预测效果。在实证研究中，本文构造了两种神经网络集成预测模型，分别为基于修剪平均的自举神经网络集成模型(Trimmed Average based Bootstrap Neural Network Ensemble, TA-BNNE)和基于修剪平均的蒙特卡洛神经网络集成模型(Trimmed Average based Monte Carlo Neural Network Ensemble, TA-MCNNE)，并采用这两种模型对NN3竞赛数据集进行预测，结果表明在常规和复杂数据集上，修剪平均策略比简单平均策略具有更好的预测精度。此外，本文将所提出的集成模型与NN3的前十名模型进行比较，发现两种模型在全部数据集上均超过了第6名，在复杂数据集上的表现均超过了第1名，进一步验证本文所提方法的有效性。     

考虑影响因素的隐马尔可夫模型在经济预测中的应用

定量预测方法分为因果预测法和时间序列预测法,因果预测法利用预测变量与其他变量之间的因果关系进行预测,时间序列预测法是根据预测变量历史数据的结构推断其未来值。由于因果预测法只利用某个变量与其他变量之间的因果关系,但缺少描述变量自身时间序列结构的功能;而时间序列预测法只能描述变量自身序列的结构,但没有考虑其他相关因素的影响,因此本文提出基于观测向量序列的隐马尔可夫模型(HMM)预测方法,该方法能同时考虑变量自身序列结构以及相关因素的影响。首先介绍HMM基本理论;其次,在模型训练、隐状态序列估计的基础上,提出基于观测向量序列HMM预测算法;最后分别进行仿真实验和实证研究,结果表明该方法的有效性。     

基于可变区间权重的中期用电量半参数预测模型

由于数据变化规律的多样性,中期电力负荷的波动有着不同于短期、长期负荷的特点。基于电力系统复杂性的研究视角,重点讨论了中期负荷预测过程中模型的不确定性、参数的时变特性以及负荷波动的周期性规律。根据中期负荷的数据特性,建立了基于非参数修匀的半参数模型,定义了函数区间的划分粒度以及模型权重的求解方法,提出了基于可变区间权重的动态预测方法,给出了基于经验模态分解和波动能量分析的噪声序列提取、检验方法。试验研究结果表明,气候因素对用电消耗的影响最大,经济因素次之;从选取的指标来看,不同时期的影响因素对于模型的解释能力是时变的;所提方法能够对电力负荷进行精确的多粒度、多维度分析,进而掌握其局部变化规律,可有效用于电力系统中期负荷预测。     

基于神经网络的备件库存风险级别预测

本文提出了一种基于神经网络的备件库存风险级别分类方法,在对备件的供货来源、重要性、易损程度、标准化程度、供货周期等指标进行模糊评价的基础上,建立了多层前向神经网络模型,利用BP训练算法,确定神经网络模型的连接权系数。将某测井服务公司100种备件的历史数据作为样本,进行了BP训练仿真,并利用模型预测了该公司60种备件的库存风险级别,预测结果与实际结果的符合率为84%。     

基于多尺度分析的小麦价格预测研究

本文基于分解-重构-集成的思想,构建了一个多尺度组合预测模型,选取小麦作为粮食的代表,预测其价格走势。首先,运用集合经验模态分解方法(EEMD)分解价格序列,然后,用灰色关联分析方法对分量序列进行重构,重构为高频、中频、低频和趋势项四个部分,并从不规则因素、季节因素、重大事件和世界经济水平等方面对这四个部分波动特点进行解释,针对不同特点的分量选择不同的方法进行预测,最后对各预测结果用支持向量机集成,并与其他预测模型的预测结果进行比较。实证结果表明,本文构建的多尺度组合模型的预测效果优于灰色预测GM(1,1)、BP神经网络、SVM方法、ARIMA模型等单模型方法和ARIMA-SVM组合模型以及基于EMD和EEMD分解的其他多尺度组合模型。     

不对称信息条件下同质商品交易价格估计方法及应用

本文考虑不对称和不完备信息条件下同质商品交易价格的估计问题.根据价格的价值基础理论和商品的市场供求关系,在交易商品同质化假定下,论文通过对实际成交价格分布的假设检验建立了商品交易价格估计模型,给出了"重点审价"和"合理价格"的区间.对海关进口商品估价的应用说明了本文所提出的交易价格估计方法的可行性及其应用价值.     

不允许卖空下证券投资组合的区间二次规划问题

本文基于经典的Markowitz均值-方差模型,针对市场上不允许卖空的情况,提出了证券投资组合的区间二次规划模型,通过应用区间数排序方法(区间序关系、区间可能度和区间可接受度),给出了两种证券投资组合的区间非线性优化的数学转化模型,从而将不确定性证券投资组合模型转化为确定性的证券投资组合二次规划模型进行求解,并对由本文给出的三种求解方法与传统方法进行了比较。     

基于自组织算法的改进型GAANN预测模型

在传统的基于GA算法人工神经网络的基础上作了改进,将训练集分为两部分,在前一训练集训练后获得的网络基础上使用后一训练集进行进一步的训练获得更为优化的网络结构。针对复杂系统建模输入节点难以确定的问题,提出将其与自组织理论相结合,首先使用GMDH方法获得神经网络的初始化节点,然后使用训练好的神经网络模型进行预测。最后,将由此建立的预测模型应用于国家粮食产量预测,取得了令人满意的效果。