基于符号收益和跳跃变差的高频波动率模型

基于符号收益率的视角,对现有的HAR-RV类及其跳跃扩展模型进行相应分解,构建新型的HAR-RV类波动率模型.进一步,结合符号收益和不同的跳跃识别检验方法,提出了包含符号跳跃变差的HAR-RV类模型,并利用样本外滚动窗预测技术和"模型信度设定"(MCS)检验法评价了各种新旧HAR-RV模型对我国沪深300股价指数波动的预测能力.结果表明:基于C_TZ跳跃识别检验的符号跳跃变差能显著改善波动率模型的短期预测能力,但在中长期波动预测时,符号跳跃变差未能明显提升HAR-RV类模型的预测精度;新提出的HAR-S-RV-TJ-TSJV模型和HAR-S-RV-TJ模型分别在对短期(未来1天)和中长期(未来5天和20天)的波动预测检验中,展现出了最高的预测精度.     

高频视角下股市波动预测的新方法: HAＲFIMA 模型

异质自回归(heterogeneous autoregressive,HAＲ) 及其拓展模型(统称为 HAＲ-类模型) 能够刻画不同类型(期限) 交易者的异质性对金融市场未来价格波动的“贡献”程度,在实证研究中备受推崇,并在预测金融市场波动率中取得了较好的效果． 研究发现,HAＲ-类模型虽然能够在一定程度上刻画金融市场中非常重要的长记忆特征,但刻画能力明显比自回归分整移动平均(AＲFIMA) 模型差． HAＲ-类模型的主要优势在于对异质性的刻画,而 AＲFIMA 模型的主要优势在于对长记忆性的准确刻画． 因此,基于这两个模型各自的优势提出了新的模型: 异质自回归分整移动平均(HAＲFIMA) 模型,并对新模型进行了拓展建模,提出 HAＲFIMA-类模型． 将 HAＲFIMA-类模型运用于对标普 500 和上证综指的已实现波动率(ＲV) 的建模和预测发现, HAＲFIMA-类模型能够更加准确地刻画金融市场的长记忆性,更重要的是样本外的预测能力明显优于其他模型,并且预测结果相当稳健．     

信息不完全应急物资转运系统的随机Petri网建模

对信息不完全条件下的应急物资转运系统建立了一个随机Petri网模型。根据这一模型，找到了计算各个状态中驻留时间、卡车的平均利用率、物资分发点等待物资的平均等待概率、物资分发点等待物资的平均等待时间的方法。使用这个模型对某企业在汶川特大地震应急物资保障中的物资转运系统的性能进行了计算，性能计算的主要结果与实际统计数据吻合。     

中国沪深股市波动性和收益及联动性实证检验

文章利用ARMA-GJR-GARCH模型研究我国股市风险和收益的关系,并引入了沪、深两市收益率的时变性协方差,以及利用Granger因果关系检验,发现上海股市过去2期的收益是深圳股市的格兰杰因果关系,然而深圳股市过去股市的信息不能提高上海股市收益的预测能力。文章还利用每天的最高价格最低价之差的自然对数所得序列作为波动率的代理变量,以及Diebold mariano检验,发现引入协方差和将两市联合研究的模型比未加协方差和单个研究的预测能力要强。     

创新驱动战略下公共图书馆创客空间建设策略研究

本文分析了公共图书馆创客空间的功能定位和实践，提出应完善顶层设计，明确目标定位，加强跨界资源整合，支持公共图书馆创客空间建设，服务国家科技创新。