基于机器学习的基金收益预测

文章基于已有文献构建了30个具有预测能力的基金异象因子，以2005—2021年的普通股票型与偏股混合型基金为样本，分别使用线性多因子模型以及机器学习模型来尝试对基金未来业绩进行预测，并通过分组排序以及Fama-Macbeth回归来检验模型的有效性。实证结果表明，机器学习模型具备对基金未来业绩进行预测的能力，通过构建投资组合，可以获得20.256%的年化收益率，并且其表现要优于传统的线性模型。     

基于机器学习的车险索赔频率预测

近年来,广义线性模型已被广泛用于车险定价,而一些研究结果显示机器学习在某些方面优于广义线性模型,但这些结果都只是基于某个单一数据集。为了更全面地比较广义线性模型与机器学习方法在车险索赔频率预测问题上的效果,对7个车险数据集进行了比较测试,包括深度学习、随机森林、支持向量机、XGboost等机器学习方法;基于相同的训练集,建立不同的广义线性模型预测索赔频率,根据最小信息准则(AIC)选取最优的广义线性模型;通过交叉验证调参获得机器学习最佳参数和模型。研究结果显示:在所有的数据集上XGboost的预测效果一致地优于广义线性模型;对于某些自变量较多、变量间相关性强的数据集,神经网络、深度学习和随机森林的预测效果比广义线性模型更好。     

消费需求分析中的模型选择——以农村居民商品与服务消费需求为例

文章基于2000—2021年我国31个省份农村居民商品与服务消费支出的面板数据,对施加了理论约束进而能够反映消费者选择公理的双对数（Double-Log）模型、线性支出系统（LES）模型、鹿特丹（Rotterdam）模型、近乎完美需求系统（AIDS）模型和二次近乎完美需求系统（QUAIDS）五个完整需求系统模型进行了样本内和样本外的商品与服务消费需求预测评估研究。结果显示,QUAIDS模型的预测表现最好,AIDS模型和Double-Log模型次之,LES模型和Rotterdam模型相对较差;模型函数式方法的预测误差明显大于弹性均值方法的预测误差,弹性均值预测方法优于模型函数式预测方法。根据经济变量和非经济变量弹性绝对值大小、显著性以及正负符号是否符合经济学理论和现实观察,有助于判断模型选择的恰当性,但不能据此确定模型的优劣,需要通过样本内和样本外的预测评估,特别是样本外的预测评估选取适用的需求分析模型。     

金融市场波动对宏观经济的预测信息研究

文章分析了金融市场波动性中隐含的关于未来宏观经济走势的信息。通过构建线性模型进行样本内回归分析和样本外预测精度的比较,实证研究结果表明,我国股票市场波动性蕴含着对未来两年的经济增长和价格水平波动的预测信息;外汇市场对一年内的经济变动的解释能力较强,而债券市场波动和同业拆借市场波动暂未发现关于未来经济的走势明朗的前瞻性信息。     

基于数据挖掘的上市公司信用评级变动预测

文章研究如何利用机器学习算法来预测中国上市公司的信用评级变动.选取了中国2003-2015年可得信用评级的记录,得到330条信用评级变动的记录.随后利用包含传统的线性分类器和最近提出的AdaBoost及随机森林分类模型等五类模型进行了实证.实证结果显示,随机森林分类模型对信用评级变动的预测能力最强.     

基于滑动窗口的区间值部分可加线性模型的宏观经济预测

针对区间型数据,文章在部分线性模型的基础上结合可加模型并引入滑动窗口模型,提出了基于滑动窗口的中点、极差部分可加线性模型,融合了半参数回归和滑动窗口模型的优点,同时又避免了维数灾难。依据交叉熵准则确定了滑动窗口的期数,并基于最小二乘法及核估计方法给出了模型参数和未知函数估计的迭代算法。在实证分析中,通过引入若干金融指标,对宏观经济进行预测。结果表明,改进模型优于传统回归模型。     

2005年中国税收收入预测模型比较

为探索一种较为有效的工具来提高税收收入预测精度，利用1985-2004年的样本数据，建立了五个模型来预测中国2005年的税收收入。结果表明：ARMA（1，1）模型中，以GDP为外生变量的自回归模型、以政策因素为虚拟外生变量的自回归模型以及对数线性移动平均模型都是预测税收收入的有效模型，但以GDP为外生变量的自回归模型在预测2005年税收收入时，预测值与实际值的预测偏差仅有1．23％，此模型在预测税收收入时预测精度最高，是预测税收收入的一种较为有效的工具。     

企业财务风险预测模型实证比较分析

企业财务风险一直是风险管理理论和实务界关心的热点话题。运用判别分析和计量经济方法对重庆市某商业银行的461个样本企业2002-2005年的违约特征进行实证检验和预测。结果发现最重要的决定变量是资产负责率、酸性试验比率、资产净利率等7个财务比率以及企业所处的产业部门,考虑了异方差性的probit模型有更好的预测能力。     

回归系数稳定性的检验及实证分析

一、问题的提出 对于一般的线性回归模型 yi=b0+blxli+b2x2i+…+bkxki+εii=1,2…n 而言,通常的做法是根据实际问题收集资料,使用最小二乘法回归得出系数的估计值,然后进行系数显著性的t检验和回归方程整体显著性的F检验,在通过检验之后就用模型进行预测等应用.然而一个值得重视的问题却经常被忽略,即回归系数在样本期内和样本期外是否稳定.如果系数无论在样本期内还是样本期外都不稳定,那么进行系数估计和预测所得到的结论就值得怀疑,因为前者使用整个样本期的数据进行回归就掩盖了系数突变的特征,而后者使用系数突变的模型进行样本外推断,结果的合理性当然有待证实.     

利率结构、市场摩擦与跨期套利——基于机器学习的预测

传统套利模型大多仅采用价差自身滞后项建模预测,并利用预测值与阈值的差异来决定是否套利,该方法遗漏了较多有用信息。文章通过将利率结构及市场摩擦因素引入预测模型,并利用8种机器学习模型对沪深300股指期货的跨期价差进行预测及构造套利策略,研究结果表明：机器学习模型能够对跨期价差实现非常精准的拟合,Elman网络、随机森林以及平均集成模型表现最好;利用机器学习模型预测值构造的套利模型能够取得非常优异的费后绩效,绝大部分套利模型的夏普比率均在30以上;将利率结构和市场摩擦因素从机器学习模型中剔除,模型预测能力及套利绩效会发生明显下降。     

LS-SVM的一种参数优选方法及混沌时间序列预测

支持向量机是一种新型的学习方法,该方法以结构风险最小化原则取代传统机器学习中的经验风险最小化原则,在小样本的机器学习中显示出了优异的性能.文章提出适当的验证性能指标用遗传算法优化最小二乘支持向量机的有关参数,并进行时间序列预测.通过对混沌时间序列的预测及和神经网络预测的比较证明,该模型的预测精确度是令人满意的,文中提出的方法是可行的.     

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。     

波动率模型在中国股市中的应用研究

文章对上证综合指数收益率和深证成分指数收益率进行统计分析,运用GARCH,EGARCH,TARCH模型对其进行建模,发现股票收益率序列所存在的尖峰厚尾现象、波动聚类特性以及杠杆效应,通过比较不同的模型发现非对称模型的拟合效果最为理想;另外通过采用三种不同的损失函数评价各类模型的预测效果,结果表明,非对称模型样本外预测的能力也是最强的.     

金融资产投资组合的风险度量研究

文章在运用TGARCH模型过滤金融资产的波动时变性和杠杆效应之后,利用半参数GPD模型刻画了每一个资产标准残差的边际分布函数,并用Copula函数连接各个边际分布函数建立了联合分布函数。样本内、样本外检验结果表明:该模型能够较好地度量市场风险,可达到理想的风险管理效果。     

金融资产收益率的模糊双线性回归

 已有文献中对金融市场的区间观测数据利用模糊线性规划方法讨论动态模型结构（FAR（p））,这里引入模糊双线性回归模型（FDR（p,q））,利用模糊最小二乘法来估计未知参数。基于平均平方误差（MSE）与平方绝对误差（MAE）考察了两个模型的拟合效果,并在样本期内和样本期外分别评价了两个模型的实际拟合与预测能力。     

双参数Tweedie机器学习模型及其精算应用

Tweedie回归是保险损失预测和风险定价的主要工具之一。为充分利用大数据、物联网、机器学习等技术促进保险业的数字化转型,实现更加精准的风险识别和风险定价,本文将传统的Tweedie广义线性模型推广到双参数形式,并结合机器学习算法,提出双参数Tweedie梯度提升树模型和双参数Tweedie组合神经网络模型。基于我国一家保险公司的车联网大数据,提取了新的驾驶行为风险因子。通过实证研究检验了双参数Tweedie梯度提升树和双参数Tweedie组合神经网络在风险识别以及风险定价中的有效性,为促进我国保险业数字化转型提供了一种新的模型和方法。     

“CNN+TCN”模型在高频国债期货市场走势预测中的应用

深度学习(Deep Learning)算法的发展和成熟为高频、量化交易提供了全新的技术手段。文章将卷积神经网络(CNN)和时序卷积网络(TCN)相结合,利用CNN卷积核学习限价指令簿(LOB)空间结构上的预测信息,用TCN学习LOB时间维度上的价格相关性。同时,利用2019年5年期国债期货所有合约的level 2行情数据对"CNN+TCN"模型进行检验,发现该模型能够提供非常稳定的样本外精度,而且模型表现得稳定地、显著地优于随机森林、支持向量机等已经在业界大量应用的成熟机器学习模型,并且训练速度大为提高。     

上市公司财务状况非线性评价模型及应用

文章应用判别函数建立了上市公司财务状况非线性评价模型,论证了线性补偿的存在,与线性模型相比提高了模型的解释和预测能力。     

我国通货膨胀结构突变及不确定性检验

 我们利用GARCH (1, 1) 模型对我国通货膨胀率动态过程中的结构转变点进行了样本内及样本外检验,进而对通货膨胀不确定性进行测度。研究发现,我国通货膨胀率序列在1983年1月至2008年5月之间存在一个显著的结构转变,结构转变点发生在1996年1月,这与我国在1996年成功实现经济“软着陆”的事实相一致。基于两个基准模型和五个比较模型在不同预测水平下对样本外数据进行预测所得结果表明,五个比较模型在大多数情况下能够获得小于两个基准模型的均值损失。此外,我们使用多个模型进行联合预测,发现联合预测的结果具有一定的代表性。     

宏观经济指标、技术指标与国债期货价格预测——基于随机森林机器学习的实证检验

分别以筛选的4种技术指标和6个宏观经济指标作为国债期货指数预测变量,利用随机森林算法构建4种机器学习预测模型;依据价格波动集聚性设计跟踪交易规则,通过比较4种模型的预测精度和跟踪交易收益率,检验宏观经济指标、技术指标和随机森林算法对国债期货指数的预测能力。研究结果发现:用主成分精选技术指标构建的预测模型,对国债期货指数的跟踪交易收益率虽然明显优于市场收益率,但不如遵循单个技术指标经验交易规则的跟踪交易收益率;用主成分精选技术指标和宏观经济指标构建的模型能够取得很好的预测精度和跟踪交易收益率,这表明宏观经济指标与技术指标都对国债期货价格具有预测意义,可以利用随机森林机器学习算法构建有效的国债期货量化投资模型。