多变量随机波动率模型及在中国股市的应用

文章在一维随机渡动率(SV)模型基础上,通过扩展,建立了多个多变量随机波动率(MSV)模型.首次将MSV模型大规模应用于中国沪深两市指数周收益率数据,利用MCMC方法进行模型估计,选用DIC准则进行模型比较,得出拟合程度最好的MSV模型.结果显示,加入波动率单边Granger因果关系的MSVGt-AR(1)模型对沪深两市的拟合能力最好.     

非对称随机波动模型在中国股市的应用

为了探测随机波动模型的非对称特征,修改传统的随机波动模型建立非对称的随机波动模型,采用基于马尔可夫链蒙特卡洛(MCMC)模拟的贝叶斯分析对模型进行参数估计。对中国深圳、上海股市波动进行实证研究发现,非对称随机波动模型能较好地探测波动存在的非对称波动。与GJR-GARCH模型相比,非对称随机波动模型预测效果更好。     

随机微分方程的参数估计在证券模型中的应用

文章通过建立的金融指数的随机微分方程模型,采用极大似然估计方法对模型中未知参数进行估计,并给出了相应的参数估计表达式,实证表明参数的估计值能较好的刻画金融指数的许多特征,估计方法切实有效,模拟效果好.     

SETAR模型在GDP预测中的应用

本文分别使用了非线性自我激励门限模型SETAR和线性ARIMA模型对我国1952-2000年的GDP进行了研究,并且还运用一步预测和多步预测两种方法对未来5年的GDP进行了预测,最后运用RAPE、RMSE方法比较两种方法的预测效果,得出结论。     

层次Bayes模型在抽样调查中的应用

在抽样调查中,经常需要估计总体中具有某一特征的个体单位的比例p,当我们所关心的这个比例很小,或者是样本量n很小时,通过样本得到的估计就不是很好。文章构造了层次Bayes模型,利用参数和超参数的先验分布推导出总体的后验分布,通过随机模拟了解比例p的大致分布情况。这种随机模拟的方法计算速度很快,而且准确性也较高。     

多重分形模型及其在金融风险管理中的应用述评

金融市场的实证研究显示,金融数据除了尖峰厚尾、波动率集聚等特点,还具有多重分形特征。目前风险建模中普遍采用的GARCH族模型不能反映这一特征,容易导致估计偏差。多重分形模型能够更好地拟合金融时间序列,但在中国金融问题研究中的应用较少。首先回顾了应用较广的资产收益多重分形模型、马尔科夫转换多重分形模型和多重分形随机游走模型,从理论和实证角度讨论模型在金融风险管理方面的研究优势以及建模过程中存在的不足之处,然后分别介绍其在金融风险研究领域的应用进展,最后指出三种模型可能的拓展方法和未来在金融风险管理中的应用方向。     

ARIMA模型在广东省GDP预测中的应用

文章对广东省1978～2008年国内生产总值进行了分析.运用Box-Jenkins方法建立了ARIMA模型.通过对数据的平稳性检验、模型参数识别与检验、模型检验等综合分析,确立了ARIMA(1,1,O)模型.     

Logit模型在上海股市预测中的应用

本文采用了基于概率理论的二值选择模型——logit模型来检验我国上海证交所上证综合指数的运动方向。二值选择模型的特点是通过检验价格运动的上涨(或下跌)的概率,达到对价格运动方向的判定。本文介绍的Logit模型都要优于作为参照物的ARMA模型。     

价格波动的研究方法及其模型

在价格理论与实践中,经济学家们试图建立严密的数学模型来研究和分析时间序列经济周期和误差修正等价格波动问题。文章参考有关时间序列分析方面的研究成果,系统阐释了应用于价格波动相关的计算方法及其模型。     

基于跳扩散模型的二叉树方法中的鞅测度讨论

文章假定标的资产服从跳-扩散过程,讨论了欧式期权定价模型的数值近似方法——二叉树结构的鞅测度的确定和选择;证明了在二叉树的指数效用鞅测度下计算的欧式期权价格将逼近于跳扩散模型在最小熵鞅测度下计算的期权价格。     

SARIMA模型在预测中国CPI中的应用

文章考虑中国通货膨胀率月度频率数据本身所表现出来的波动特征,分别对CPI同比序列和环比序列建立时间序列SARIMA模型进行了分析和预测,可为政策制定者相机抉择调控经济运行的宏观政策提供可靠工具。结果表明:相对于单一的对同比序列和环比序列建模预测而言,结合两种模型构造的合成预测值的预测精度更高。     

ARIMA模型在基本建设投资预测中的应用

基本建设投资对经济发展的影响有其滞后的特征。本文利用ARIMA模型对其滞后影响进行模拟 ,为正确把握基本建设投资对经济发展的影响作用提供实证基础     

ARMA模型在期货价格预测中的应用

一、模型的数理基础 (一)ARMA模型概述 ARMA(Auto Regressive Moving Average)模型是一类常用的时间序列模型，由博克斯(Box)和詹金斯(Jenkins)创立，亦称B—J方法。它是一种精确度较高的时序短期预测方法，其基本思想是：某些时间序列是依赖于时间t的一族随机变量，构成该时序的单个时序值虽然具有不确定性，但整个时序的变化却有一定的规律性，可以用相应的数需模型近似描述。通过对该数学模型的分析研究，能够更本质地认识时间序列的结构与特征，达到最小方差意义下的最优预测。     

灰色马尔柯夫模型在保险预测中的应用

灰色马尔柯夫模型、在保险预测中的应用中南财经大学陈赣洪一、引论目前，保险业中定量预测分析最常见的方法之一是回归分析法。我们知道，随着社会经济的发展，居民生活水平不断提高，同时，由于现代经济生活的多样性和多变性，使得人们的风险意识日益加强。因此，人们的...     

时序模型分析在经济预测中的应用

时间序列分析方法主要就是建立模型,目的是为了描述时间序列中产生数据的随机机制与趋势,以此模型来判断在某一时间或随机机制下会发生的数据达到预测和控制的目的。时间序列可分为平稳的时间序列和非平稳的时间序列,大部分经济时间序列为平稳的时间序列。对于平稳的时间序列进     

Intervention-ARIMA模型在我国第三产业就业人数预测中的应用

本文利用Intervention—ARIMA模型对我国第三产业就业人数（1952—2006年）时间序列进行了动态拟合,重点考虑了“大跃进”对我国第三产业就业人数的干预影响,取得了很好的拟合效果,并预测了我国未来几年第三产业就业人数的发展趋势。证明了第三产业发展对缓解我国当前就业压力的积极效应。     

ARIMA模型在我国教育投资预测中的应用

试图突破传统的研究教育投资的角度,利用国家财政性教育经费及其他经费占总教育经费的比重序列,通过构建ARIMA模型来拟和中国教育投资趋势,并得到了国家财政性教育投资持续增长的结论。     

ARMA模型在我国体育股票价格预测中的应用

中体产业股票作为我国唯一的体育类股票,为了准确把握其波动状况,科学预测未来发展趋势,收集了2002年1月1日至2010年6月30日中体产业股份有限公司股票的1510个日收盘价格指数为研究样本,进行了时间序列分析,建立了中体产业股票的自回归移动平均模型(即ARMA模型)。结果显示:模型ARMA(3,1)能较为准确地预测中体产业股票每日数据,模型的预测值与实际观测值非常接近,说明时间序列模型在中体产业股票状况预测中具有较好的应用价值。     

模型平均方法及其在预测中的应用

 内容提要：模型平均方法是当代统计学和计量经济学界研究的国际前沿问题,在经济、金融、生物、医学等领域有着广泛的应用前景。本文着重介绍几种常用的和最新的模型平均方法,并把它们应用于我国的粮食产量预测,取得了比较好的预测效果,表明模型平均方法为准确的预测分析提供了有力的工具,将对规避管理中可能出现的风险和偏差提供重要的技术支持。     

波动与增长:基于随机增长模型的认识

在经济周期福利成本研究中,波动对增长的影响是人们争论的焦点之一。虽然大量实证研究表明许多国家的人均GDP增长率的均值与标准差之间存在统计显著的负相关关系,但缺乏理论上的说明。文章通过构建随机增长模型发现,随机冲击的增大不仅会使产出增长率的标准差增大,同时也使增长率均值减小。在数量上这就表现为增长率标准差与均值之间出现反向变化关系,从而为实证研究结论提供了一种说明。