汇改后中国外汇市场与资本市场联动效应——基于集合经验模态分解法

以投资者预期收益变动逻辑起点,构建在不同预期收益下外汇市场与资本市场的联动机制理论模型,进而将2005-2014年按金融市场改革历程划分为4个阶段,通过集合经验模态分解法对中国外汇市场与资本市场的数据进行分解,过滤掉代表资本价格随机波动的短周期分量,提取最具代表联动性的长周期趋势分量。采用VAR-GARCH-BEKK模型对4个阶段两个市场的均值溢出效应和波动溢出效应进行分析,结果显示:受中国经济增长的方式以及外汇管制制度影响,不同阶段两个市场间的溢出效应呈现出不同的特点,虽然总体来看联动强度有一定程度的加强,但是两个市场间"资金价格"传导机制的脆弱性并未获得实质性的改变。因此,只有推进汇率市场化,循序渐进的加快资本项目可兑换,完善人民币汇率形成机制,才能够不断提高货币政策调控的主动性和有效性性,维护国家利益。     

基于可变区间权重的中期用电量半参数预测模型

由于数据变化规律的多样性,中期电力负荷的波动有着不同于短期、长期负荷的特点。基于电力系统复杂性的研究视角,重点讨论了中期负荷预测过程中模型的不确定性、参数的时变特性以及负荷波动的周期性规律。根据中期负荷的数据特性,建立了基于非参数修匀的半参数模型,定义了函数区间的划分粒度以及模型权重的求解方法,提出了基于可变区间权重的动态预测方法,给出了基于经验模态分解和波动能量分析的噪声序列提取、检验方法。试验研究结果表明,气候因素对用电消耗的影响最大,经济因素次之;从选取的指标来看,不同时期的影响因素对于模型的解释能力是时变的;所提方法能够对电力负荷进行精确的多粒度、多维度分析,进而掌握其局部变化规律,可有效用于电力系统中期负荷预测。     

基于多尺度分析的小麦价格预测研究

本文基于分解-重构-集成的思想,构建了一个多尺度组合预测模型,选取小麦作为粮食的代表,预测其价格走势。首先,运用集合经验模态分解方法(EEMD)分解价格序列,然后,用灰色关联分析方法对分量序列进行重构,重构为高频、中频、低频和趋势项四个部分,并从不规则因素、季节因素、重大事件和世界经济水平等方面对这四个部分波动特点进行解释,针对不同特点的分量选择不同的方法进行预测,最后对各预测结果用支持向量机集成,并与其他预测模型的预测结果进行比较。实证结果表明,本文构建的多尺度组合模型的预测效果优于灰色预测GM(1,1)、BP神经网络、SVM方法、ARIMA模型等单模型方法和ARIMA-SVM组合模型以及基于EMD和EEMD分解的其他多尺度组合模型。     

沪深股市结构特征及作用关系研究——基于EEMD和状态空间模型

运用实证方法, 从结构和动态两个视角考察了沪深股市之间的异同及作用关系。通过总体经验模式分解(EEMD)发现:沪深股指是由高频、低频和趋势项三类分量组成, 且各结构分量在总量水平中的贡献不同。其中, 深市趋势项对总量的贡献率高于沪市, 反映出深市的走势较沪市更加平稳;沪市高低频分量对总量的贡献率高于深市, 表明沪市的波动性大于深市。同时状态空间模型显示, 沪深股市趋势项分量之间的作用关系体现了沪深股市收益率双向传导, 沪强深弱的股票市场格局。低频分量之间的作用关系则表明我国股市的调控能力需进一步提高。     

利率市场化进程中资本市场与货币市场联动效应分析--基于集合经验模态分解法的实证研究

将利率市场化进程划分为三个阶段,通过集合经验模态分解法对中国货币市场与资本市场的数据进行了分解,提取了最具代表联动性的短周期分量。采用VAR‐GARCH‐BEKK模型对三个阶段两个市场的溢出效应进行了分析,结果显示,货币市场与资本市场单向和双向溢出效应均不显著,在利率市场化推进的过程中,联动的脆弱性未得到实质性改善,DCC‐MV GARCH模型证明了研究结论的稳健性。因此,推进利率市场化必须加快完善利率传导机制,构建多层次的金融市场系统,培育以价格型货币政策工具为主导的调控机制,循序渐进地牵引经济的稳定可持续发展。     

基于EEMD穿墙雷达人的运动模式识别

根据穿墙雷达动目标探测中人的运动多普勒信号属于非线性、非平稳信号的特点,分别采用经验模式分解(EMD)和整体平均经验模式分解(EEMD)将人5种运动的多普勒信号分解为一系列本征模式函数(IMF)。采用支持向量机(SVM)学习算法,将两种方法分解后的各IMF能量占总能量的百分比作为支持向量机分类器的特征向量进行模式识别,分析了特征向量维数对识别率的影响,比较了EMD和EEMD的识别率。EEMD能够消除EMD存在的模式混合问题,识别率更高,达到94%以上。     

基于低频分量EEMD-SVR预测建模的指数择时策略

以机器学习为基础设计高效的股票择时策略是量化投资领域的研究热点。文章结合集成经验模态分解(EEMD)和ε-不敏感支持向量回归(SVR)的优势,提出基于EEMD-SVR的指数低频分量预测模型,进而构建基于低频分量趋势预测的沪深300指数择时策略。首先,对沪深300指数进行EEMD分解,剔除高频IMFs后利用低频IMFs和趋势项重构指数低频分量;其次,运用ε-不敏感SVR构建低频分量预测模型;然后,根据低频分量预测结果制定交易信号生成规则,构建沪深300指数择时策略;最后,对构建的策略和MACD等多种择时策略进行对比评估,结果表明:构建的策略能更高效地把握指数的中长期主要趋势,在收益获取与风险控制等方面的表现显著超越了对照策略。     

宏雅与新变：张说颂文管窥

总体经验模式分解 (Ensemble Empirical Mode Decomposition, EEMD) 方法由于其自适应性和抗混叠的特性,在轴承故障诊断领域得到广泛应用。针对总体经验模式分解 (Ensemble Empirical Mode Decomposition, EEMD) 方法中参数难以准确获取的问题,提出了基于改进的EEMD分解和Teager能量算子的滚动轴承故障诊断方法。首先对故障信号进行预处理,自动获取EEMD方法中的加入白噪声大小和总体平均次数两个重要参数。之后对信号进行EEMD分解,得到若干个本征模态分量 (Intrinsic Mode Function, IMF),利用峭度准则选取其中峭度最大的分量并进行Teager能量算子解调,最后通过能量谱识别出滚动轴承的工作状态和故障类型。将该方法应用到滚动轴承仿真故障数据和实际数据中,实验结果表明,该方法可有效提取滚动轴承故障特征频率信息,验证了所提方法的可行性。