GARCH类模型和状态空间模型波动率预测评价

GARCH类模型和状态空间模型已经广泛运用于波动率的预测,但对模型的预测表现进行评价却受到了忽视,其主要原因是缺乏合适的衡量标准.文章首先运用GARCH类模型和状态空间模型对上证指数收益率进行了全面的估计及预测,然后以已实现波动率作为波动率预测的评价标准,通过M-Z回归评价GARCH类模型和状态空间模型的波动率预测表现.     

基于极差的条件自回归极差模型

本文介绍了一种在固定时间区间上资产价格极差的动态模型:条件自回归极差(CARR)模型。CARR模型的条件极差十分类似GARCH模型中的条件方差,而且CARR模型也相似于ACD(Autoregressive Conditional Duration)模型。极端值理论(Extreme value theory)暗示极差是波动的一种有效估计,因此CARR模型可以看作是波动模型,并通过实证分析发现CARR模型的样本期外波动的预测效果比标准的GARCH波动模型要好。     

灰色多元线性回归模型及其应用

基于灰色关联法和灰色聚类法诊断、解决多重共线问题;利用GM(1,1)模型对原始数据序列进行修正,降低随机波动的干扰;据修正变量数据建立灰色多元线性回归模型,并将其运用于具体实例取得满意的预测效果。该模型对处理数据贫乏、波动较大的样本效果显著。     

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.     

TGARCH模型在利率波动建模中的应用

波动率是利率期限结构模型的重要因素。本文从对利率的波动进行建模,进而对利率的波动进行预测的角度出发,在考虑利率波动的异方差性质,以及利率对正的信息和负的信息的不同的波动模式的基础上,用门限广义自回归条件异方差模型(TGARCH)对CKLS模型中的波动部分进行建模。     

基于GARCH模型的沪深地产股波动性分析及预测

近年来GARCH类模型在预测波动率方面得到了广泛应用,鉴于股票和房地产两个市场对我国经济发展的重要性,所以选择沪深两市地产指数的收益率做波动性研究.丈章运用GARCH类模型对沪深地产指数收益率的波动进行了枯计和预测,结果表明沪深地产指数收益率的波动不存在杠杆效应,投资者投机目的较强,M-Z回归和损失函数评价结果显示,GARCH(1,1)-M模型的样本外预测刚效果是最好的,但不能准确预测非常大的波动.     

基于Logistic回归和BP神经网络的财务预警模型比较

国内对Logistic回归模型和BP神经网络模型在财务预警方面已有不少实证研究,这些研究大多从预测准确度较高的角度出发,认为两个模型可以借鉴使用,但没有具体讨论模型犯第一类错误(将财务危机误判为财务正常)和第二类错误(将财务正常误判为财务危机)的概率.文章结合Logistic回归模型及BP神经网络模型的原理,选取上市公司财务数据进行实证,研究结果表明BP神经网络模型总体预测准确性较高,犯第一类错误的概率较低,对财务预警分析有一定借鉴作用;Logistic回归模型预测准确度低于BP神经网络模型,且犯第一类错误的概率远高于BP神经网络模型,因此运用该模型进行财务预警时应十分谨慎.     

电子商务信用风险评估模型

准确评估电子商务信用风险,有助于企业提高风险监控预警能力,促进健康持续发展.文章构建了基于灰色关联分析和最小二乘支持向量回归(LSSVR)的电子商务信用风评估模型.首先,引入灰色关联分析提取电子商务信用风险重要影响指标;其次,应用LSSVR建立电子商务信用风险评估模型,并利用粒子群优化算法选择LSSVR模型参数;最后,利用实际样本数据进行实证分析,并根据评估结果提出相应的应对策略.     

基于分位点回归模型的条件VaR估计以及杠杆效应分析

 在文献中,分析杠杆效应时大多数都是基于ARCH类模型,本文应用分位点回归模型及其变点检测模型分析了“已实现”波动率条件下的CVaR,并尝试从CVaR的角度对杠杆效应进行分析。最后,对中国股票市场进行了实证研究,得到了“已实现”波动率条件下的CVaR估计,并对中国股市的杠杆效应进行了分析。     

众数回归森林模型及其在收入分配研究中的应用

为解决传统非参数众数回归模型没有考虑解释变量间复杂交互影响的局限，文章将众数回归与机器学习方法相结合，提出了一个新的非参数众数回归模型：众数回归森林模型。该模型一方面充分考虑了各个解释变量之间的交互影响；另一方面采用Bagging技术汇总多个众数回归树的结果，提高了预测性能。数值模拟结果表明：第一，与线性众数回归模型和众数回归树模型相比，众数回归森林模型极大地提高了估计和预测精度；第二，当数据为偏态分布时，众数回归森林模型的估计和预测精度显著优于中位数回归森林和均值回归森林模型。此外，将众数回归森林模型应用于收入分配研究中，得到了与中位数回归森林和均值回归森林模型不同的结果。     

交易间隔、超高频波动率与VaR ——利用日内信息预测金融市场风险

 金融市场风险价值研究一般采用日收益数据,并基于GARCH类模型进行估计和预测,这必然会损失部分日内信息。本文尝试使用中国股市日内分笔超高频数据,在分析日内波动特性的基础上,通过UHF-GARCH模型对交易间隔等日内信息建模,得到超高频波动率UHFV。本文用ARFIMA模型对超高频波动率UHFV建模,应用到风险价值VaR的预测中,并同基于日数据的GARCH类模型的VaR预测能力进行比较。VaR似然比和动态分位数等回测检验的结果显示,超高频数据波动率UHFV模型的预测能力强于采用日数据的GARCH类模型。     

基于SIR的非参数加法模型及其应用

非参数加法模型的估计困难限制了其应用范围。对此,本文提出首先采用分片逆回归(SIR)方法提取高维数据中的有效成分,进而根据回退拟合算法对模型进行迭代估计。在实证中,将这一模型应用于我国外贸货物吞吐量的预测建模中,取得了较好效果。     

基于小波分析的AR-GREY预测模型及其应用

文章介绍了小渡分析、自回归模型和灰色预测模型,建立了基于Maliat小波分析的AR-GREY预测模型.将非平稳时间序列用小波分解到不同尺度上以减少原始序列的随机性.然后再利用灰色模型对低频信息(趋势)进行预测,对于高频信息(短期波动)则建立自回归模型,从而在充分拟合趋势的同时,避免了短期波动的过拟合:通过BDI预测算例验证了预测模型的实用性和精度.因利用了MATLAB软件和Eviews软件,模型构建、修改方便,可在实际中应用.     

非参数回归估计与人工神经网络方法的预测效果比较

文章研究了非参数回归方法在中石油和浦发银行等六支股票的价格预测中的应用.讨论了核估计、k阶最近邻估计、样条估计和惩罚样条估计4种常用的非参数回归方法,其中,核估计和k阶近邻估计共选取5种不同的权函数.最后,以MAPE为判断指标,将非参数回归方法的预测结果与RBF(多变量插值的径向基函数)人工神经网络方法的预测结果进行了比较.     

汇率预测方法及比较:基于贝叶斯平均分类回归模型的检验

分类回归模型是回归模型家族的一个重要组成部分.文章针对现有的分类回归模型均采用选择性回归计算所存在的问题,建立了贝叶斯平均分类回归模型,并将其用于人民币汇率预测的实证研究.在实证研究时选取人民币对主要货币的汇率序列,对使用时间序列模型的预测结果与贝叶斯平均分类回归模型的预测结果进行对比分析,证明贝叶斯平均分类回归模型确实能够提高预测准确度.还使用贝叶斯平均分类回归模型对比分析了现有研究文献的预测效果,结果表明分类回归模型具有一定程度的优越性.     

股票市场价格全矩序列的统计特征

在早期关于波动率估计的研究中,除了依据收盘价的信息之外,人们还提出过一些利用其他公开的价格信息来估计波动率的方法。比如,利用每天的最高价和最低价取对数后之差形成的全矩序列(或称极差序列)原则上可以获得更加精确的波动率估计[1]。我们用Ht和Lt分别表示t期的最高价和最     

基于平均移动自回归理论的中国进出口贸易实证研究

文章通过对中国国际贸易进口和出口的数据分析,应用自回归滑动平均模型和条件异方差理论,对国际贸易进口的差分数据构建了6月份及8月份的自回归平均移动模型和,并应用进口增长率自回归平均移动-条件异方差模型对国际贸易出口增长率进行了波动率和变化率的拟合估计.根据所拟合的模型,发现在8月份拟合的自回归平均移动-条件异方差模型下的国际贸易进口差分数据更接近实际的国际贸易差分数据,并且国际贸易进口增长率差分对出口增长率差分的波动率具有正向的作用.中国国际贸易进口具有滞后的时间效应,并且中国国际贸易进口差分波动率对出口差分有正向的溢出效应.     

基于GMDH的小样本数据预测模型

对于样本数据少的情况,文章中利用SPSS曲线估计的方法选取三次曲线和二次曲线两种模型进行预测,同时用GMDH自回归模型进行分步预测,最后利用GMDH组合模型将三种模型进行组合预测。预测结果表明:GMDH自回归模型对于小样本数据的预测结果优于其他模型,效果更好、更稳定。     

KMV模型的修正及其应用

传统的KMV模型使用公司价值的历史波动率来近似估计波动率,然而通过本文的实证分析,说明这一近似方法在目前的中国市场环境下不适用。文章使用GARCH(1,1)模型来预测公司价值的波动性,以此计算违约距离,并与使用历史波动率计算的违约距离进行比较,认为使用GARCH(1,1)模型计算的结果与实际状况更加相符。     

基于Tompkins方法的KMV模型研究

传统的KMV模型使用公司价值历史波动率来近似替代波动率.针对我国股市波动不稳定,尤其是重大经济事件或政治事件的信息披露,以及金融市场上可能存在的影响金融资产价格波动率的季节性或周期性等因素对标的资产市场产生影响较大这一特性,文章把基于历史数据的估计和对波动率变化规律的认识结合起来,综合运用各种定量与定性分析的工具,即运用预测波动率估计的基本思想替代了传统的历史波动率求解方法.实证分析表明,该方法能使模型对信用风险的预测更具准确性和前瞻性.