股指时间序列的分形插值模型与R/S分析

运用分形插值模型和R/S分析法研究股指时间序列的变化规律和结构特征,通过建立分形插值模型刻画上证综合指数在一定时间内的变化规律,并预测其在短期内的指数走势。使用R/S分析法和Hurst指数,分析了上证综指的结构特征,指出市场具有状态持续性和分形分布等统计特征。     

股指时问序列的分形插值模型与R／S分析

运用分形插值模型和R／s分析法研究股指时间序列的变化规律和结构特征,通过建立分形插值模型刻画上证综合指数在一定时间内的变化规律,并预测其在短期内的指数走势。使用R／S分析法和Hurst指数,分析了上证综指的结构特征,指出市场具有状态持续性和分形分布等统计特征。     

基于分形理论的LSTAR模型检验

针对非线性时间序列的单位根检验和非线性检验中存在的问题,引入分形理论中的Hurst指数进行研究,以LSTAR模型为代表,讨论了相关样本性质。通过蒙特卡洛模拟实验证实,只有当非平稳特征十分明显时,DF检验才能检测出单位根。Hurst指数改善了单位根检验功效,且作为一种非参数检验方法,具有较好的稳健性。     

基于分形插值模型的股价时间序列分析及预测

文章运用分形插值的理论与方法建立了能够分析及预测股票价格波动的分形插值数学模型;以上市公司青岛海尔为例,使用该模型分析了股价的变化规律,预测了股价的未来走势,并使用时间序列曲线的分形维数与Hurst指数,描述了股价的波动性及长期相关性等特征.     

重标极差法及其应用

一、重标极差法(R/S)的基本原理 实际上早在20世纪初,水文学家赫斯特(H.E.Hurst 1900-1978)就研究了公元622-1469年埃及人保留的尼罗河泛滥的847年的记录,并提出重标极差法(R/S).这一方法定量分析时间序列的特征,用一个后人(Benoit B.Mandelbrot)称之为赫斯特指数H(Hurst exponent)的概念刻画给定时间序列.它是一个非常有力的工具,有着广泛的应用,能够将一个随机序列与一个非随机序列区分开来,即使非随机序列并非正态分布.赫斯特发现大多数不论什么形态的自然系统都不遵循随机走动.     

中国入境旅游人数发展趋势的分形分析

一、分形理论与模型1.分形理论的R/S分析及赫斯特指数R/S分析(Resealed Range Analysis)即标度(尺度)重整分析,是一种用于自然及社会经济现象时间序列研究的非线性的科学数量分析预测方法。R/S分析方法是由英国物理学家赫斯特(Hurst)最先提出,他发现尼罗河流域的干旱情况并非传统水文统计所设想的那样是一种随机现象,而是干旱越持久,就越可能持续干旱,该现象被Mandelbrot等(1968,1969a,1969b)从时间序列具有自相似性出发在理论上进行了证明,并加以补充和完善,将之称为赫斯特现象,认为H指数(Hurst现象的标度参数)大于1/2,而Mandelbrot…     

分数布朗运动序列近似熵的估计

文章以分数布朗运动数学模型为对象,通过改变Hurst指数值、数据长度和容限大小,分析随机序列近似熵的稳定特征.结果显示:随着Hurst指数的增加近似熵呈递减趋势,并且Hurst指数值在两端的近似熵减少速率比中间值要小；数据长度和容限值对不同Hurst指数的分数布朗运动序列近似熵的影响存在差异,序列随机性越强其稳定性越差.     

中国股票市场波动率的多重分形分析与实证

我国股票市场波动表现出随时间变化的动态特征。文章采用多重消除趋势波动分析法(MFDFA),对沪深股市四个主要指数的日波动率时间序列进行了分析。结果表明,沪深股市四个主要指数的日波动率时间序列均表现出多重分形特征,且上证指数和中证500指数日波动率序列相对于其他两个指数日波动率序列表现出更强的多重分形特征。各指数日波动率时间序列的多重分形特征均是自身的长程相关性和波动的厚尾分布共同作用的结果,且波动的厚尾分布对原始序列的多重分形特征的影响比长程相关性大。     

基于R／S分析的股指期货套利策略

文章应用K／S分析模型研究了高频基差数据（股指期货和标的指数之差）的记忆性特征,实证发现每个当月合约的基差序列的Hurst指数都大于0．9,具有明显的记忆性。然后根据统计量VN的变化,得出基差序列的记忆时间长度大约为2至3个交易日。最后,根据实证结果提出了相应的套利策略：设定合理目标利润,当套利持仓周期和基差记性周期长度基本吻合时,套利收益明显超过传统的建仓并持有策略。     

突发事件对国际石油期货价格波动的时间记忆性分析——基于PPM模型和Hurst指数分析

以国际原油期货价格波动日度数据为样本,通过PPM突变点识别模型,从高频时间序列中出现的众多"跳跃点"中甄别出能够改变时间序列波动趋势的突变点,对相邻两突变点之间样本进行Hurst指数分析,研究突发事件对国际原油期货价格波动的时间记忆性。研究表明,时间序列数据中存在多个"跳跃点",大多数跳跃点并未改变数据波动趋势,少数突变点不但改变数据波动趋势,国际原油期货价格波动受突发事件的影响改变其原有的运动轨迹。此项研究为后续学者提供了一种研究"事件冲击"和"数据时间记忆"的新方法。     

R/S和修正R/S方法的实证分析

R/S分析(Rescaled Range Analysis,重新标度极差分析)方法由水文专家Hurst提出,他发现大多数自然现象的统计确实能由有偏随机游走来刻划,Man-delbort称之为分形布朗运动,即分维时间序列.     

基于EMD的VaR估计方法及实证研究

文章提出了一种基于经验模式分解(EMD)的市场风险价值(VaR)估计方法。通过EMD将市场价格序列分解成不同波动特征的本征模态函数(IMF),以Hurst指数为判据将其重新组合为具有长期记忆性的主体部分和高斯噪声部分。利用神经网络预测主体部分的未来走势并对噪声部分进行方差分析,以此估计出市场的风险价值(VaR)。     

上海股票市场分形特征的动态研究——基于R／S分析

本文通过R/S分析方法计算出上海股票市场不同发展时期的Hurst指数,进而对市场的分形结构进行了实证研究。研究结果表明,上海股票市场在不同时期其分形结构存在一定程度的差异。     

在非高斯状态空间模型下对SCD模型的估计

高频超高频时间序列的分析与建模成已为计量经济的一个全新研究领域,而研究金融市场中交易事件到达时间的随机条件持续期SCD模型,因为加入了随机变量,可以更好地拟合高频超高频金融时间序列特有的统计特征,但随机变量的引入给模型估计带来了估计困难。考虑到非高斯状态空间模型与随机条件持续期SCD模型各自的优势,文章将SCD模型转换成非高斯状态空间模型,从而利用非高斯状态空间框架下的Kalman滤波解决了SCD模型的估计难题。     

我国股市风格资产收益的双长记忆性研究

文章以中信标普公司推出的6种风格资产日收益序列为实证样本,运用4个信息准则来选择skt-ARFIMA-HYGARCH模型以研究其序列的分形特征,刻画其双长记忆性,研究结果显示:6种股市风格资产收益序列具有显著的双长记忆性特征;基于skt分布下的ARFIMA(1,d1,1)-HYGARCH(1,d2,0)模型能够较好地刻画股市风格资产日收益序列的实际分布特征,最后运用修正Pearson吻合度检验也证实了选择skt分布是合理的。     

多重分形模型及其在金融风险管理中的应用述评

金融市场的实证研究显示,金融数据除了尖峰厚尾、波动率集聚等特点,还具有多重分形特征。目前风险建模中普遍采用的GARCH族模型不能反映这一特征,容易导致估计偏差。多重分形模型能够更好地拟合金融时间序列,但在中国金融问题研究中的应用较少。首先回顾了应用较广的资产收益多重分形模型、马尔科夫转换多重分形模型和多重分形随机游走模型,从理论和实证角度讨论模型在金融风险管理方面的研究优势以及建模过程中存在的不足之处,然后分别介绍其在金融风险研究领域的应用进展,最后指出三种模型可能的拓展方法和未来在金融风险管理中的应用方向。     

行业指数相关关系的多重分形时变性及实证分析

行业指数相关性对行业配置非常重要,是分散资产组合风险的核心,故以上证综合指数和三个行业指数为研究样本,运用多重分形去趋势相关分析法(MF-DXA)分析其指数日收益率序列的相关性特征。实证结果显示:各指数自身表现出多重分形特征,指数间相关性也呈现出多重分形时变性。此结论不仅从行业层面上验证了分形市场理论,而且也为构建有效的行业资产配置策略提供了理论指导。     

基于小波变换的时间序列奇异性问题探析

文章讨论了基于小波变换模极大值的时间序列奇异性问题探测,突破了傅立叶分析在时域和频域方面的局部化能力。时间序列的局部奇异性可由其小波变换模随尺度参数的衰减特性来刻画,文章通过小波变换在小尺度下的局部模极大值来检测信号奇异性;并通过建立目标函数计算Lipschitz指数,简化了计算过程。     

时间序列的分频与建模

文章采用分频方式分析时间序列并为时间序列建模,首先对时间序列做离散余弦变换,用低频变换系数重构出时间序列的低频分量,而剩余的高频部分则采用时滞自相关分析方法确定模型结构。针对股票多年日收盘价所作仿真试验证明,该时间序列建模方法是有效的,模型比较好地刻画了时间序列的变化规律。     

基于Twin-SVM的多分形金融市场风险的智能预警研究

本文以沪深300指数（CSI300）长达11年时间的5分钟高频交易数据为研究样本,首先提出一种基于多分形特征的金融市场正常与关注状态的界定方法,并引入新型的支持向量机（SVM）人工智能模型,即孪生SVM（Twin-SVM）模型对多分形特征下的金融市场风险展开预警研究。实证结果表明：（1）中国新兴金融市场的价格波动具有显著的多分形特征;（2）基于多分形特征参数界定的正常与关注状态不仅准确,而且也具有明显的统计检验意义和明确的现实意义;（3）与传统SVM和BP神经网络（NN）相比,Twin-SVM在预测精度上不仅显著更高,而且在预测稳定性上也明显更优,即Twin-SVM能够有效地解决其它预警模型存在的非对称样本问题。