股票市场历史信息的长记忆性特征研究

回顾历史是为了预测未来,历史能够蕴含事物发展的脉络和内在规律。那么投资者能否通过对股市历史的分析来制定投资决策以及预测未来走势?文章选择中国沪深两市指数、亚洲有代表性的日经225指数以及在世界金融市场有重要影响的标准普尔500指数为研究对象,运用动态估计方法,对股市长记忆性的时变特征进行分析,探讨股票市场历史信息的可鉴性;除采用修正R/S方法、LW估计外,又加入较为新颖的ELW和FLW两种方法作为对比。实证结果表明,虽然几种方法得出的时变长记忆参数并非完全相同,但是有关股市长记忆性的结论基本一致;股市收益序列在整个样本区间并未表现出显著的长记忆性,但在极端事件发生时,收益序列会表现出显著的相关性,体现了股市长记忆性的时变特征,此时可以通过对历史数据信息的分析,达到规避极端风险的目的。     

多元长记忆SV模型及其在沪深股市的应用

对多元长记忆随机波动进行建模,并给出了相应的谱似然估计方法以及在多元随机波动模 型框架下分数维协整的检验步骤. 最后用上海和深圳的数据对所给的模型与方法进行了实证检验.     

股市波动长记忆性聚合效应的半参数检验

本文基于半参数估计方法,从两个方面研究了股市波动长记忆性的聚合问题:一方面,首先将股指收益序列转换为波动序列,再考虑波动序列聚合后的长记忆性;另一方面,首先对股指收益序列进行聚合,再考虑聚合序列波动的长记忆性。前者考察的是波动序列中长记忆参数的聚合性,后者考察的是数据频率对波动长记忆参数的影响。从我国股市实际出发,并综合两个方面考虑,实证了股市波动长记忆性聚合不变效应的存在,同时也说明了半参数方法的良好效果。     

基于非对称结构与长记忆的股票市场风险测度研究

针对金融市场条件收益存在的有偏胖尾分布与非对称波动性特征以及长记忆特征等典型事实特征,运用ARFIMA-FIGARCH-SKST模型等来测度股市动态风险,并通过规范的返回测试检验中的LRT和DQR方法实证考察了测度模型的可靠性。得到了一些非常有价值的实证结果:有无长记忆约束的非对称结构风险模型在中国大陆沪深股市动态风险测度能力上并无实质性差异;ARFIMA-FIAPARCH-SKST模型能够准确测度股市的动态风险;股票市场极端风险的测度尤其不能放弃非对称结构的这一约束条件。     

中国股市超高频持续期序列长记忆性研究

针对股市超高频持续期序列,提出了长记忆随机条件持续期模型(LMSCD),并设计了一类基于混沌禁忌遗传算法的谱似然函数模型参数估计方法,通过Monte Carlo模拟实验,验证了方法的可行性.然后,利用沪市浦发银行股票的超高频数据,分别建立了交易持续期、价格持续期和交易量持续期的长记忆随机条件持续期模型,验证了中国股票市场超高频持续期序列长记忆性的存在.     

基于小波变换的长记忆随机波动模型估计方法研究

根据ARFIMA过程的小波分析结果,将小波引入到长记忆随机波动(Long Memory Stochastic Volatility)LMSV模型的估计中,提出了基于小波变换的LMSV模型的参数估计和潜在波动过程的估计方法.用不同参数值和样本容量的数据进行了模拟实验,又用该方法对上海和深圳证券交易所综合指数的收益序列拟合了LMSV模型,结果表明该方法是有效且可行的.     

双长记忆GARCH族模型的预测能力比较研究——基于沪深股市数据的实证分析

GARCH族模型在金融风险的度量中有着广泛的应用。在考虑股市收益率和波动率序列双长记忆性的基础上,基于上证综合指数和深圳成份指数的日收盘价序列,从证券投资风险量化的角度,引入受险值VaR和相对正确符号指标PCS作为模型预测误差衡量指标,比较分析了双长记忆GARCH族模型在不同分布假设情况下的的拟合与预测精度。结果显示:偏t分布能较好描述沪深股市的厚尾特征;在较小的VaR水平下ARFIMA(2,d₁,0)-FIAPARCH(1,d₂,1)-skt模型对股市波动风险具有较强的预测能力,而ARFIMA(2,d₁,0)-HYGARCH(1,d₂,1)-skt对股市的涨跌趋势具有较强的预测能力。     

胖尾分布及长记忆下的动态EVT-VaR测度研究

针对金融收益胖尾分布特征及条件波动率长记忆性特征,运用FIGARCH对条件波动率建模、极值理论(extreme value theory,EVT)对标准收益序列的尾部建模,测度出金融市场动态极值风险,进而运用返回测试(back-testing)技术,对模型在样本内的测度准确性与样本外的推广能力进行稳健性检验.实证研究结...     

胖尾分布及长记忆下的动态 EVT-VaR 测度研究

针对金融收益胖尾分布特征及条件波动率长记忆性特征,运用 FIGARCH 对条件波动率建模、极值理论( extreme value theory,EVT) 对标准收益序列的尾部建模,测度出金融市场动态极值风险,进而运用返回测试( back-testing) 技术,对模型在样本内的测度准确性与样本外的推广能力进行稳健性检验． 实证研究结果表明,无论是中国新兴市场,还是西方成熟发达市场,金融收益与标准收益均呈现出明显的有偏胖尾分布特征; 金融收益条件波动率均展现出长记忆性特征; EVT 与 FIGARCH 模型相结合的动态极值风险测度模型不仅在样本内表现出优越的风险测度能力,而且在样本外同样具有可靠的预测推广能力．     

Lévy过程驱动的非高斯OU随机波动模型及其贝叶斯参数统计推断方法研究

本文采用CGMY和GIG过程对非高斯OU随机波动率模型进行扩展,建立连续叠加Lévy过程驱动的非高斯OU随机波动率模型,并给出模型的散粒噪声(Shot-Noise)表现方式与近似。在此基础上,为了反映的波动率相关性,本文把回顾抽样(Retrospective Sampling)方法扩展到连续叠加的Lévy过程驱动的非高斯OU随机波动模型中,设计了Lévy过程驱动的非高斯OU随机波动模型的贝叶斯参数统计推断方法。最后,采用金融市场实际数据对不同模型和参数估计方法进行验证和比较研究。本文理论和实证研究均表明采用CGMY和GIG过程对非高斯OU随机波动率模型进行扩展之后,模型的绩效得到明显提高,更能反映金融资产收益率波动率变化特征,本文设计的Lévy过程驱动的非高斯OU随机波动模型的贝叶斯参数统计推断方法效率也较高,克服了已有研究的不足。同时,实证研究发现上证指数收益率和波动率跳跃的特征以及波动率序列具有明显的长记忆特性。     

Adapting to Unknown Disturbance Autocorrelation in Regression with Long Memory

We show that it is possible to adapt to nonparametric disturbance autocorrelation in time series regression in the presence of long memory in both regressors and disturbances by using a smoothed nonparametric spectrum estimate in frequency–domain generalized least squares. When the collective memory in regressors and disturbances is sufficiently strong, ordinary least squares is not only asymptotically inefficient but asymptotically non–normal and has a slow rate of convergence, whereas generalized least squares is asymptotically normal and Gauss–Markov efficient with standard convergence rate. Despite the anomalous behavior of nonparametric spectrum estimates near a spectral pole, we are able to justify a standard construction of frequency–domain generalized least squares, earlier considered in case of short memory disturbances. A small Monte Carlo study of finite sample performance is included.     

Lower Risk Bounds and Properties of Confidence Sets for Ill‐Posed Estimation Problems with Applications to Spectral Density and Persistence Estimation,Unit Roots,and Estimation of Long Memory Parameters

Important estimation problems in econometrics like estimating the value of a spectral density at frequency zero, which appears in the econometrics literature in the guises of heteroskedasticity and autocorrelation consistent variance estimation and long run variance estimation, are shown to be “ill‐posed” estimation problems. A prototypical result obtained in the paper is that the minimax risk for estimating the value of the spectral density at frequency zero is infinite regardless of sample size, and that confidence sets are close to being uninformative. In this result the maximum risk is over commonly used specifications for the set of feasible data generating processes. The consequences for inference on unit roots and cointegration are discussed. Similar results for persistence estimation and estimation of the long memory parameter are given. All these results are obtained as special cases of a more general theory developed for abstract estimation problems, which readily also allows for the treatment of other ill‐posed estimation problems such as, e.g., nonparametric regression or density estimation.     

基于OWG算子的不同形式偏好信息 的群决策方法

具有不同形式偏好信息的群决策是决策分析及群决策支持系统研究的一个新课题,它对 于进一步提高群决策支持系统的实用性和灵活性方面具有重要意义. 针对这类群决策分析,提 出了一种具有效用值、序关系值、模糊互补判断矩阵、互反判断矩阵等4 种形式偏好信息的群 决策方法. 在该方法中,首先给出了将不同形式的偏好信息均转化为互反判断矩阵形式的计算 公式;然后基于OWG算子将各决策者的偏好信息集结为群的偏好并进行方案的优选;最后给 出了一个算例.     

基于广义模糊数的软件成本加权CBR估算研究

在软件项目开发过程中,准确估算出软件成本在提高软件质量和保障软件成功开发方面起到重要支撑作用。针对软件项目历史数据库中部分属性在项目开发初期难以给予精确数值(仅仅能给出模糊数),而已有软件成本估算模型不能很好地处理模糊信息的问题,本文在基于案例推理模型(CBR)基础上集成广义模糊数,提出了基于广义模糊数的CBR模型。使用基于广义模糊数的相似度度量方法代替传统CBR模型中采用的欧式距离等相似度度量方法,采用模糊C均值聚类(FCM)方法将已有软件项目历史数据库中的精确数值进行模糊化处理,以匹配新项目中的模糊数。进一步采用粒子群算法(PSO)来优化属性的权重,构建基于广义模糊数的加权CBR模型。最终在实验中采用Desharnais数据来检验构建模型的有效性。实证结果表明,在与常用的欧式距离CBR模型相比,构建的基于广义模糊数的加权CBR模型能有效提高估算精度,采用PSO优化属性权重能提高模型的估算精度。     

基于加权案例推理模型族的软件成本SVR组合估算

精确地估算软件成本是软件项目成功开发的一个重要保证,直接影响着软件的风险控制和质量保证.为了更好地解决单一估算模型的不足,提出了集成多案例推理(CBR)模型的软件成本组合估算模型.首先,采用六种距离计算公式刻画新旧项目相似度,构建了六种CBR模型,并运用粒子群算法(PSO)来优化CBR模型族中的属性权重.其次,在CBR模型族的基础上,运用支持向量回归机(SVR)模型将不同CBR模型的估算结果进行集成,提高软件成本估算结果的精度.利用Deshamais数据库对模型有效性进行检验,实证结果表明,在六种CBR模型中Euc-CBR、Min-CBR、Gau-CBR和Mah-CBR模型估算结果没有明显差异,Gre-CBR和Man-CBR模型略优;提出的SVR组合估算模型估算精度明显优于单CBR模型和其他线性组合估算模型,能有效提高软件成本的估算精度.     

Real‐Time Delay Estimation Based on Delay History in Many‐Server Service Systems with Time‐Varying Arrivals

Motivated by interest in making delay announcements in service systems, we study real‐time delay estimators in many‐server service systems, both with and without customer abandonment. Our main contribution here is to consider the realistic feature of time‐varying arrival rates. We focus especially on delay estimators exploiting recent customer delay history. We show that time‐varying arrival rates can introduce significant estimation bias in delay‐history‐based delay estimators when the system experiences alternating periods of overload and underload. We then introduce refined delay‐history estimators that effectively cope with time‐varying arrival rates together with non‐exponential service‐time and abandonment‐time distributions, which are often observed in practice. We use computer simulation to verify that our proposed estimators outperform several natural alternatives.