基于马尔可夫链改进股市的预测精度

为了提高股市预测精度,文章采用马尔可夫链转移概率的分析方法,分别针对宏观三状态和混合状态建立了股市预测模型.利用该模型去分析和预测股指,并对预测精度进行回逆检验.以上证指数为研究对象进行实证分析,结果表明宏观三状态预测模型能够较好地判别上证综指上涨和下跌趋势,混合状态预测模型能够较好地滚动预测上证指数收盘价.     

基于Tsallis熵最大化的VaR模型

统计物理学中的Beck模型具有很好地描述变量的长期记忆和厚尾的特点,文章利用Beck模型和Tsallis熵的最大化理论,对沪市股票指数进行了研究,首先,给出了在Tsallis熵最大化条件下的分布函数,然后,对沪市股票指数数据进行了实证分析,并通过最大似然估计估计出其参数,最后,利用该厚尾分布计算了沪市综合指数的VaR.     

基于相依误差可加模型的多项式样条估计

文章首先采用多项式样务估计的方法,对基于相依误差的可加模型进行多项式样条估计,获得函数系数的估计,并给出了该估计的相合性;然后,使用该方法对我国当前的上证指数进行了实证研究;最后,将基于相依误差和误差为标准正态的可加模型的预测结果进行了比较,得出了基于相依误差的可加模型的多项式样条估计对上证指数的预测更有效的结论.     

传统三点法拟合曲线趋势模型的理论缺陷及其修正

三点法由于其具有计算简便、预测精度较高等优点,因而在拟合具有三个未知参数的曲线趋势预测模型时,人们比较喜欢采用三点法。传统三点法可以用来估计二次抛物线趋势预测模型、修正指数曲线趋势预测模型、罗吉斯     

非线性GARCH族的模型平均估计方法

本文考虑了非线性GARCH族的模型平均估计方法。在备选模型集合包含拥有不同模型结构的非线性GARCH族的情况下,本文构建了非线性GARCH族的模型平均估计量,并给出相应的权重选择准则。在一定正则条件下,本文证明上述模型平均估计量具有渐近最优性,即渐近实现真实最优的KL偏离度。蒙特卡洛模拟结果表明,在大部分情形下,本文提出的模型平均估计量取得了更小的相对KL偏离值。作为非线性GARCH族的模型平均估计方法的应用,本文对2016年6月1日至2017年6月1日上证指数的日波动率进行估计,与现有模型选择与模型平均方法相比较,本文模型平均估计方法具有更高的精度。     

基于高频数据的沪指波动长记忆性驱动因素分析

借助于高频数据的最优取样法,利用已实现波动率给出的上证指数波动率的有效估计,在研究已实现波动率特性的基础上,用计量模型探讨沪指波动的长记忆特征.发现HAR-RV模型比FARIMA模型更能有效地刻画沪指波动的长记忆性,且HAR-RV模型样本外预测效果远远优于FARIMA模型,这说明沪指波动具有伪长记忆性,表面特征显示的长记忆性是由短期投资、中期投资和长期投资形成的短记忆性叠加而成.同时由于HAR-RV模型综合考虑了不同时间水平上的已实现波动率,从而在深层次上验证了中国股票市场的异质性和波动率的杠杆效应.     

单调条件下部分线性回归模型的估计及渐进性质

探讨了部分线性回归模型当非参数分量受到单调条件限制时的估计问题,利用惩罚局部线性核估计方法给出参数分量与非参数分量αRLS、gRLS的估计,并进一步研究了^αRLS及^gRLS的渐进性质,结果表明:新得到的非参数约束条件下的估计是a.s.收敛的,并且保证了单调性和边界点适应性。将问题推广到一般情况,探讨了部分线性回归模型当非参数分量受到高阶导数约束时,参数分量的估计^αRLS。     

二次趋势模型的误设检验与仿真分析

在介绍两种生成二次趋势模型的基础上,指明两者具有某种内在的关系,并以隐性趋势模型为数据生成过程,使用显性趋势模型作为估计对象,进行参数估计和相应的假设检验。理论分析结果表明:显性趋势模型的参数、t检验统计量和联合F检验统计量的极限具有非标准的分布,且高度显著;以显性趋势模型为数据生成过程,使用隐性趋势模型作为估计对象,结果表明隐性趋势模型是带趋势项的单位根过程;采用LLR检验统计量对两类模型进行区分检验,使用仿真技术进行模拟,仿真结果支持上述理论分析结论和LLR统计量能够区分两种模型。     

金融市场中的半参数线性变换模型

文章将基于生存数据的线性变换模型引入对股市的分析,把股票价格的连续上涨和下跌看作是一种特殊的生存过程,先求出变换函数的估计,再由最小二乘法求出回归系数的估计,分析成交量对收益率的影响,进而得到连涨(跌)收益率与成交量的关系,指出成交量对股票连涨收益率的影响要大于对连跌收益率的影响.     

纵向数据下半参数Logistic模型的变量选择

文章研究了纵向数据半参数Logistic回归模型的估计问题,给出了模型中未知参数和未知函数的估计方法,探讨了参数部分的变量选择问题,并对不同的变量选择方法进行比较分析.从模拟结果可以看到,文中给出的方法具有很好的估计效果.     

LOG-PERIODOGRAM ESTIMATION OF LONG MEMORY VOLATILITY DEPENDENCIES WITH CONDITIONALLY HEAVY TAILED RETURNS

ABSTRACT

Many recent papers have used semiparametric methods, especially the log-periodogram regression, to detect and estimate long memory in the volatility of asset returns. In these papers, the volatility is proxied by measures such as squared, log-squared, and absolute returns. While the evidence for the existence of long memory is strong using any of these measures, the actual long memory parameter estimates can be sensitive to which measure is used. In Monte-Carlo simulations, I find that if the data is conditionally leptokurtic, the log-periodogram regression estimator using squared returns has a large downward bias, which is avoided by using other volatility measures. In United States stock return data, I find that squared returns give much lower estimates of the long memory parameter than the alternative volatility measures, which is consistent with the simulation results. I conclude that researchers should avoid using the squared returns in the semiparametric estimation of long memory volatility dependencies.     

LOG-PERIODOGRAM ESTIMATION OF LONG MEMORY VOLATILITY DEPENDENCIES WITH CONDITIONALLY HEAVY TAILED RETURNS

Many recent papers have used semiparametric methods, especially the log-periodogram regression, to detect and estimate long memory in the volatility of asset returns. In these papers, the volatility is proxied by measures such as squared, log-squared, and absolute returns. While the evidence for the existence of long memory is strong using any of these measures, the actual long memory parameter estimates can be sensitive to which measure is used. In Monte-Carlo simulations, I find that if the data is conditionally leptokurtic, the log-periodogram regression estimator using squared returns has a large downward bias, which is avoided by using other volatility measures. In United States stock return data, I find that squared returns give much lower estimates of the long memory parameter than the alternative volatility measures, which is consistent with the simulation results. I conclude that researchers should avoid using the squared returns in the semiparametric estimation of long memory volatility dependencies.     

FIGARCH模型对股市收益长记忆性的实证分析

一、问题的提出长记忆性是指过去的冲击持续到将来,对预期的将来具有很大的影响。在大多数情况下,自相关函数的曲线图用来描述时间序列的长记忆特征。因此长记忆性可以定义如下：假设Ｙｔ是一个离散的时间序列,ｊ阶滞后的自相关函数为ρｊ,如果有ｌｉｍｎ→∞Σｎｊ＝...     

跨期风险—收益权衡关系研究——来源于沪港通的新证据

风险—收益权衡关系是金融经济学重要内容之一。应用扩展的EGARCH-M模型考察了上海股票市场组合跨期风险收益权衡关系以及沪港通对这种关系的影响。研究发现,上海股票市场组合的跨期风险收益权衡关系显著为正,沪港通的开通正向加强了这种关系,提高了投资者的风险溢价需求。通过不同样本的对比和不同条件分布的假定证实了结果的稳健性。此外,还识别出了SGED分布可能更适合用于描述上海股票市场组合收益率的条件概率分布。     

基于LSTAR模型的中国股市泡沫风险识别

本文在非线性模型框架下拟合中国主要股价指数的真实数据生成过程,并提出股市泡沫风险识别方法,较Phillips et al.（2011）提出的上确界单位根(SADF)方法具备更好的效果,能够精准预判股市泡沫风险进而为防范化解金融风险的政策措施提供参考。实证检验发现,主要股价指数的波动均存在逻辑平滑转换自回归(LSTAR)模型描述的非线性特征,自推出以来,四大股价指数均存在泡沫风险,上证指数存在六个主要的持续期,深圳成指存在四个主要的持续期,沪深300指数存在两个主要持续期,而创业板指数存在三个持续期。总体来看,创业板指数的泡沫生成时间会先于其它三大指数,可以作为预警中国股票市场泡沫风险的先行指标,且2015年7月之后的中国股票市场并不存在泡沫风险。     

美元流动性、国际大宗商品价格与上证指数的关联性分析

在世界经济增长共生模式下,美元流动性、国际大宗商品价格与上证指数之间具有联动结构。数据分析表明：国际大宗商品价格指数对上证指数具有长期的影响力,美元流动性对上证指数具有间接的影响力。因此,对上证指数的预测应从国内流动性和经济增长周期二维分析框架推广到广义的全球性框架中。     

上海证券市场GARCH效应检验和模型选择

文章利用1999年10月8日至2003年11月7日上证综合指数每日的收盘价数据对其进行了GARCH效应的检验,结果表明上海证券市场股价的波动存在着显著的GARCH效应,并且存在非对称的情况。在具体的模型选择上以EGARCH(1,1)较好,并且在研究中发现GARCH-M模型不适合模拟我国上海证券市场股价的波动情况。     

我国股指期货价格发现功能研究

本文基于沪深300股指期货5分钟高频数据,利用协整检验、误差修正模型和脉冲响应函数研究了我国股指期货长短期的价格发现机制,并用信息共享模型、共因子模型研究了我国股指期货市场的价格发现贡献程度,在此基础上,引入分位数回归,探讨不同涨跌幅度的期现关系。实证结果表明：我国指数期货和现货价格存在相互引导关系,而现阶段现货市场能更快反应全部市场的冲击,且现货市场在价格发现功能中的作用相对较大;随着涨跌幅度的变化,现货对期货的影响呈U型走势,而期货对现货的影响呈单边上升走势。     

基于超效率DEA的中国区域能源利用效率研究

在全要素能源效率的框架下,综合考虑能源消费结构和非期望产出,构建一种新的投入、产出指标体系的超效率DEA能效评价模型。利用1998—2007年中国29个省份面板数据进行的实证研究表明：中国区域能源利用效率差异显著,大部分的省份能源效率呈现先上升再下降的趋势;在节能方面,各省份还有很大的提升空间。