基于特征提取的金融时间序列形态挖掘

以金融时间序列的上升三角形形态为例给出了金融时间序列挖掘与特征提取的方法，在挖掘过程中充分利用挖掘者的经验背景知识，提出了一种基于特征提取的金融时间序列形态挖掘算法。该算法首先对金融时间序列进行趋势化预处理，将曲线转化为折线表示，形成形态的趋势片断，然后再从这些趋势片断中提取出相关形态的属性特征。它提高了序列形态特征提取的有效性，使搜索空间大为减小。     

SARS疫情对深证成指影响的时间序列模型

时间序列是一组按时间顺序排列数据序列,经常用x1,x2,……,xm,……表示.在经济分析中,许多历史统计数据都可建立时间序列模型,并可借助相应模型进行外推以预测未来,亦即时间序列预测.本文利用SAS系统下时间序列(ETS)模块建立带有自相关校正的回归模型和带有干预序列的ARIMA模型,计算、分析SARS疫情对我国深证成指走势的影响.     

金融运行异常情况统计监测方法的选择

正从统计学的角度看,金融运行中的异常情况是可以进行界定的。因为在金融运行中我们关心的指标数据一般为时间序列数据,所以金融运行的异常情况在数据上就体现为时间序列数据集中的异常。按照异常的表现形式不同,时间序列的异常主要可以分为点异常和模式异常。这两种异常都可以用于发现一条时间序列或多维时间序列数据集上的     

金融时间序列混合智能预测模型及实证研究

文章针对金融时间序列变化复杂、难以用单一智能方法进行有效预测的问题,提出了一种新的基于经验模式分解、支持向量回归和粒子群优化的混合智能预测模型.经验模式分解能将非平稳时间序列按其内在的时间特征尺度自适应地分解为多个基本模式分量,根据这些分量各自趋势变化的剧烈程度选择不同的核函数进行支持向量回归预测,最后通过粒子群优化算法对各预测分量进行加权组合,得到原始序列的准确预测值.证券市场实证研究表明该模型可以准确预测金融时间序列.     

自回归条件持续期(ACD)模型研究

本文介绍了关于在高频金融计量经济学中时间序列的自回归条件持续期模型,并综合目前的几种研究方法,对其应用现状作了简要的概述.     

金融区间数据的动态回归模型比较与实证检验

传统金融时间序列中,对于股价研究多以当日收盘价为基础。这样不可避免地会产生观测信息的损失,从而导致模型解释能力的降低。文章讨论了模糊自回归(FAR(p))模型和模糊双线性回归(FDLR(p,q))模型结构,并在金融动态数据不同趋势条件下,直接讨论针对区间序列的金融时间序列模型的变化;基于不同特点的金融区间波段,对这两个模型作了比较研究,进一步讨论了模型的拟合评价与解释能力。     

时间序列数据流直方图构造方法研究

文章文针对金融等领域的时间序列数据流,提出了一种直方图的构造方法,该方法具有联机处理高频时间序列数据流的能力,并具有与最优化直方图构造方法接近的精度.     

上证指数收益特征实证分析

在资本市场上,许多金融时间序列在一个时间段波动较大,在另一个时间段波动又较小,波动随时间变化.这种"波动群集"等非古典现象,表明序列不仅存在自相关,也违背传统的经济计量方法所要求的同方差条件,因此利用传统的回归模型对这类时间序列进行分析往往会产生严重的不良后果.     

中国金融结构对自主创新能力影响研究

文章通过对金融结构影响自主创新能力微观机制的分析,运用中国1980～2004年的时间序列数据,对理论假设进行实证检验.理论分析和实证检验都说明金融结构和自主创新之间存在长期稳定的关系.但是金融结构对自主创新能力的影响作用并不显著.文章提出:应该把金融发展目标集中于改善金融体系的运行效率以及加强对金融体系法律保护制度的建设方面.才能够更加有利于金融对自主创新的促进作用.     

人民币实际有效汇率波动的特征

在过去的20年里,非线性时间序列模型发展迅速,正日益广泛的被应用于各种经济时间序列特别是金融时间序列变量的研究.其中,STAR(Smooth Transition AR)模型,即平滑转换自回归模型就是非常重要的非线性领域转换模型.STAR模型首先是由Terasvirta& Anderson(1992)提出,后经Granger& Terasvirta(1993)和Terasvirta(1994)对模型的估计及统计特征进行了考察.尽管如此,在模型的应用方面,国内外都很少有将STAR模型应用于实际汇率特别是实际有效汇率的研究,而Michael(1997),N.Sarantis(1999)在这方面的研究也主要是针对发达国家.     

金融时间序列预测模型——基于离散小波分解与支持向量回归的研究

建本研究结合小波转换与支持向量回归,提出一个二阶段时间序列预测模型。先以离散小波分解与重组对金融时间序列数据进行预处理,再以SVR建立预测模型。     

ARCH族模型在深沪A股中的应用

经典的最小二乘回归假定随机残差序列无自相关,误差的方差为一常数.然而研究金融市场时却发现,大多数时间序列往往具有变方差的特征,即在某些时期的波动十分剧烈,而另一些时期的波动又相对平稳,为了模拟这种波动,提高预测精度,1982年Engle提出了方差随时间变化的自回归条件异方差ARCH模型,Bollerslev又于1986年进一步提出了广义自回归条件异方差GARCH模型,此后,ARCH模型的一些扩展模型也被相继提出,如ARCH-M模型,GARCH-M模型,EGARCH模型等,形成ARCH族模型,并在解释货币和金融时间序列的行为中得到广泛应用.     

上证综指非对称的成份ARCH效应分析

一、引言在时间序列特别是金融时间序列的建模分析中,传统线性范式下的高斯分布假设已经受到越来越多的质疑,非高斯分布已经是客观存在的事实。针对这些特征的各种非线性模型分析     

修正DFA方法在中国股票市场的实证研究

作为对金融时间序列进行长期相关性检验的分形 分析方法,DFA以其良好的特性而得到广泛的应用。因 为,DFA方法与小波分析方法相比,它大大降低了计算 的复杂性;与R／S分析法相比,DFA对于检测非平稳时 间序列的长期相关性更为有效。由于具有这样的优点, DFA已经被成功应用到DNA序列、人类步法、天气记     

时间序列模型在海关税收预测方面的应用

为了对2008年江门海关税收总体形势进行把握,笔者利用SAS统计分析软件的时间序列预测模块对2008年江门海关税收总值进行预测.从预测结果来看,模型拟合度较高,预测值也较为准确.……     

中国收入差距与金融发展关系的实证分析

文章基于中国1981～2006的时间序列数据,应用最小二乘估计以及Granger因果分析研究了中国城乡收入差距与金融发展之间的关系.实证结果表明金融发展可以导致城乡收入差距扩大,但城乡收入差距对金融发展各指标没有反作用.这意味着虽然中国的金融发展水平最近二十几年来的确取得了长足的进步,但是现阶段我国金融发展导致了城乡收入差距的扩大,库兹涅茨的"倒U"效应并不成立.     

国内外中小统计分析软件概览

除了大型的统计分析软件如SAS、SPSS外,目前还有许多中小型统计分析软件在实际工作和统计教学中得到广泛的应用。国外软件有Stata、S-plus、MiniTab、Eviews等,国产软件有Splm、Nosa等。它们各有特色,是进行统计分析的重要工具。     

应用不等权重支持向量机预测人民币汇率的变动

基于金融时间序列的近期数据对未来的影响会大于早期数据,对应用于金融时间序列预测的支持向量机方法进行改进,给出了不等权重支持向量机方法（USVM）及其多项式光滑化处理。将不等权重支持向量机方法应用于训练样本集的子集确定预测模型,实证分析表明USVM算法预测是有效的。     

我国金融发展与技术进步的动态演进

本文建立了金融发展与技术进步相互作用机制的内生模型,探讨了金融发展与技术进步的内在关联机制.并从实证角度利用我国1980-2002年相关时间序列数据,通过多变量VAR系统全面考察了我国金融发展与技术进步的协整关系、因果关系,以及金融中介机构的资源配置效率和运行效率.     

中国国家财政支农支出的时间序列分析

一、模型与数据的选择时间序列模型可以分为平稳的时间序列模型和非平稳时间序列。一个平稳的时间序列要求其数字特征如均值、方差和协方差等不随时间的变化而变化。而且在各个时间点上的时间序列服从一定的概率分布。相反,非平稳时间序列的数字特征随时间的变化而变化,各个点上的随机规律也是变化的,可见非平稳时间序列较平稳时间序列更没有规律,用于预测更困难,而在现实中遇到的经济和金融数据大多数是非平稳的时间