违约预测的小波结构模型研究

本文针对上市公司违约预测问题,按照行业类型对我国2009年的上市企业进行分层抽样,构建了小波结构模型.小波结构模型通过应用小波变换来分解上市公司日收益序列,进而对低频序列和高频序列分别构建预测模型,再依据预测模型对未来收益进行预测,最后使用小波逆变换重构预测收益序列.通过小波结构模型可以避免时间序列模型进行收益波动预测的累加计算过程.在结合我国上市公司的实际数据对这两种模型的校验中,可以发现小波结构模型比时序结构模型在违约预测上有更好的识别力和准确度.     

基于小波网络的经济时间序列预测模型

本文在小波网络的基础上,利用经济类时间序列的特点,建立通用的经济预测小波网络模型.该网络的权值由广义递推最小二乘法来学习,尺度参数和平移参数通过稳定的Davidon最小二乘法获得.并利用此模型对我国工业发电量加以预测.实际预测结果表明了该模型的先进性和可行性.     

莆田市年雷暴日时间序列的小波分析

利用莆田市气象局1960—2012年的年雷暴日数作为观测资料,采用Morlet函数作为小波函数,分析了莆田市年雷暴日数的多时间尺度变化特征。结果表明:莆田市区的年雷暴日数存在着18~32年、8~17年以及4~7年的周期变化;30a的时间尺度震荡最强,为莆田市雷暴日变化的第一主周期;22a时间尺度次之,为第二主周期。莆田市年雷暴日总趋势在局部轻微下降的前提下,在未来3~5年内将处于一个偏多期。     

基于LSTM神经网络的金融时间序列预测

本文提出将小波分析与纳入时间序列依赖特征的长短期记忆(LSTM)神经网络相结合,构建金融时间序列数据预测模型,以克服现有模型对金融时间序列数据非平稳、非线性、序列相关等复杂特征以及数据间非线性交互关系无法反映的缺陷。同时,以道琼斯工业指数日收盘价为例,探究LSTM神经网络对实际金融时间序列数据的预测能力,比较其与多层感知机、支持向量机、K近邻、GARCH四种模型的预测效果。实证结果表明LSTM神经网络具有更高的预测精度,能够有效预测金融时间序列数据的长短期动态变化趋势,说明了其对金融时间序列数据预测的适用性与有效性。此外,对金融时间序列数据进行小波分解与重构,可有效提高LSTM预测模型的泛化能力,以及对长短期动态趋势的预测精度。     

贵金属期货价格预测方法及实证研究

本文融合了二次分解与极限学习机的优势,提出了VMD-Res.-EEMD-ELM贵金属期货价格预测模型,选择变分模态分解(VMD)作为主要的分解技术,生成模态分量序列(VMFi)和残差序列(Res.),采用集合经验模态分解(EEMD)对残差序列进行二次分解,并使用具有良好泛化能力的极限学习机(ELM)对各分量进行预测,最后叠加各模态分量和残差的预测值形成收益率的最终预测结果。所提出的模型不仅充分发挥了二次分解技术的优势,而且解决了传统变分模态分解组合预测模型未考虑残差影响因素的问题。实证研究表明,本文所提出的组合模型能够全面捕捉黄金、白银期货价格日收益率序列的特征,方向性预测准确率分别为83.33%和93.33%,误差指标MAE分别为0.15和0.11,经比较本文所提出的模型具有良好的预测性能。     

基于符号时间序列方法的金融收益分析与预测

引入符号时间序列分析方法从大尺度的角度分析收益变化的特征,提出了确定收益变化的主要模式并预测收益水平的方法。首先将收益序列转化为符号序列,由符号序列中不同的字代表不同的收益变化模式,根据符号序列直方图,可以确定收益变化的主要模式。然后,根据各收益变化模式的概率分布,在前几个时点收益水平确定的情况下,可以推知下一个或几个时点处于不同收益水平的概率,从而实现对收益水平的预测。对上证综指、深证成指以及上证工业股指数、上证商业股指数、上证地产股指数、上证公用事业股指数共六个股票指数的收益序列进行了实证分析,确定了各指数收益的主要变化模式,并基于主要变化模式进行了收益水平的预测,从而说明了该方法的有效性和可行性。     

股市预测中的小波神经网络方法的研究

本文首先论述了股市时间序列中的明显随机性,可能是由于非线性确定性系统中混沌行为的缘故,利用混沌的确定性可以进行短期预测.混沌时间序列预测首先要重构相空间,接着充分利用小波变换时频分析的局部化特性,提出了一种改进的小波网络结构,探讨了股市预测模型问题.经实例验证,该方法能有效地提高预测精度,避免了人工神经网络模型和指数自回归的固有缺陷.     

基于小波分析的多期夏普比率及实证研究

用风险价值代替标准差作为夏普比率中投资组合风险的度量,并应用修正的VaR计算方法解决收益率序列非正态分布时的风险度量问题.进一步地将小波分析引入夏普比率,利用小波函数的尺度变化与不同的投资期限相时应,建立了基于小波分析的多期夏普比率评价模型,并以我国经济背景为依托,选择上证八只封闭式基金进行研究.结果表明,把小波分析引入夏普比率可以解决投资组合业绩的多期评价问题.     

基于PMRS的期货加权油价多步预测方法

在模式识别系统(PMRS)的基础上,采用石油期货价格加权,提出了能够有效的预测短期石油现货价格的新方法.以自然预测模型(naive forecast moclel)和PMRS作为评价基准,对美国西德克萨斯轻质原油(WTI)、普通汽油(regular gasoline)和燃料油(heating oil)的现货价格和期货价格进行了实证研究.结果表明,提出的基于PMRS的期货加权油价多步预测方法具有更为优越的短期预报性能.     

实物资金流量表的预测方法研究

资金流量表是国民经济核算体系中的重要组成部分。然而,由于在编制过程中需要采集大量的数据,通常情况下,很多国家的资金流量表都会有较长时间的滞后。在编制实物资金流量表的延长表时,已有方法通常是基于基期与预测期交易收支结构保持不变的假定条件。然而,经济结构发生显著变化时,该类方法就会失效。基于上述问题,研究弱化模型的假设条件,并提出了新的实物资金流量表预测方法( 简称 FPTF方法)。根据表中元素必须满足的约束条件,该方法通过建立数学模型解除约束,其次基于历史数据的动态趋势,采用适当的时间序列分析方法来预测目标年份的实物资金流量表。通过仿真分析,验证了所提方法的有效性和稳定性。此外,基于中国1992年～2014 年的实物资金流量表数据进行实例分析,取得了满意的分析结果。     

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。     

基于经验模态分解的房价周期波动实证分析

房地产市场是一个复杂的系统,房价是多种因素共同作用下最终的表现形式。经验模态分解方法是处理非平稳、非线性序列的有效工具,将其运用于房价分析,可以从房价时间序列自身出发揭示内在特征。以杭州市过去四年新建商品住宅交易的周度价格数据为例,对其分解,再根据本征模态函数的特征进行重组。研究表明:房价时间序列由经济基本面决定的长期趋势、金融危机等重大事件带来的低频振动和短期市场不均衡导致的随机波动三方面构成,为短期房价预测提供了思路。杭州市商品住宅市场存在3年的大周期,14个月和7个月的小周期。     

基于近邻互信息的SVM-GARCH股票价格预测模型研究

为了克服传统线性模型分析处理收益率数据非线性因素的不足,本文提出一种新的基于近邻互信息特征选择的SVM-GARCH预测模型。该模型利用SVM处理高维非线性数据的优势,不仅包含了股指序列自身的历史数据信息,而且通过近邻互信息的方式融合了与目标股指数据关系密切的周边证券市场的相关变化信息。仿真实验结果表明,该模型在时序数据除噪、趋势判别以及预测的精确度等方面均优于传统的ARMA-GARCH模型。     

石油价格冲击与经济波动风险最小化的货币供应机制分析

本文通过构建一个包含石油价格冲击的DSGE模型,基于经济波动风险的最小化,研究了石油价格冲击对中国货币供应机制的影响。在模型结构参数贝叶斯估计的基础上,通过货币政策前沿的比较分析,回答了中国货币供应机制是否应该对石油价格冲击做出反应以及应该如何反应的政策问题。研究结果表明,中国当前的货币供应机制并没有对石油价格冲击做出显著的反应,但为了减小经济波动的风险,中国的货币供应机制在对产出增长和通货膨胀反应的同时,对石油价格冲击做出反应具有必要性。     

基于混合估计与预测方法的股市交易量预报

本文通过将目标状态的小波变换系数向量描述为卡尔曼滤波方法的状态变量,进而将卡尔曼滤波和小波分析相结合,提出了既具有实时性和递归性又具有多尺度分析能力的小波-卡尔曼滤波混合估计与预测方法(wavelet-Kalman filtering hybrid estimating and forecasting algorithm,WKHEFA).运用此方法,本文较好地预测了上证指数的交易量.     

考虑生物燃料因素对美国玉米价格走势的预测

近年世界粮食价格上涨对经济巨大影响,其中主要原因是生物燃料消耗了大量的粮食。本文介绍近来生物燃料发展的一些背景情况,再估计粮食对乙醇转化率发展的发展趋势,由此估计出粮食价格与原油价格间的长期均衡关系及短期修正关系。实证显示原油与玉米价格存在着协整关系,当前原油与玉米价格都偏高,存在回调动力。从长期看,玉米价格在未来一段时期内仍将维持在高位,而后逐渐下降。     

Spatial Price Competition: A Semiparametric Approach

We investigate the nature of price competition among firms that produce differentiated products and compete in markets that are limited in extent. We propose an instrumental variables series estimator for the matrix of cross price response coefficients, demonstrate that our estimator is consistent, and derive its asymptotic distribution. Our semiparametric approach allows us to discriminate among models of global competition, in which all products compete with all others, and local competition, in which products compete only with their neighbors. We apply our semiparametric estimator to data from U.S. wholesale gasoline markets and find that, in this market, competition is highly localized.     

基于非参多元Expectile模型的原油价格风险测度研究—宏观不确定性视角

当下政治经济环境存在诸多不确定性,原油价格随着不确定性的增加而大幅波动,因此在当前不确定性环境中建立一个有效的风险预测模型具有重要的实际意义。本文基于非参多元Expectile模型,选取2010年1月5日至2020年1月6日的美国西德克萨斯原油价格的日度数据,构建同时包含地缘政治风险、经济政策不确定性等六个宏观不确定性变量的原油价格风险预测模型。此外,引入APARCH模型和基于蒙特卡罗方法的GARCH模型,比较以上三个模型预测能力。最后,基于预测的VaR值计算调整的Sharpe比率。结论表明,整体上,非参多元Expectile模型能较好处理多个宏观变量包含的信息,具有更高的预测能力。在不确定性事件叠加发生的时期预测表现依然优于其他模型,减少了不确定性增加导致原油市场波动幅度增加带来的风险,具有更强的稳定性。因此,在经济转型的关键时期,本研究可为政策制定者和监管当局面临不确定性上升环境下建立有效的原油价格风险预测模型提供参考,制定应对政策防范化解风险,同时也为投资者在当前复杂的国际形势下提供预测参考,尽量规避损失同时获取收益。     

一类结合Outlier分析的单变量ARIMA模型在股票市场中的应用

本文通过对当前广泛使用的经济时间序列预测方法的分析比较,针对如股票价格这一类易受到大量外部因素影响且难以通过多变量建模分析的经济现象,采用了单变量ARIMA模型并结合Outlier分析的方法。实证分析表明了此方法具有良好的效果。