基于Hurst指数的风速时间序列研究

为研究风速时间序列的长程相关性和自相似性,采用重标度极差分析和去趋势波动分析对风速时间序列进行相关性分析,计算风速时间序列的Hurst指数,并对其进行了功率谱密度分析,计算其谱指数.结果表明,两种方法计算所得Hurst指数都较为接近1,说明风速时间序列具有显著的自相似性和长程正相关性;但R/S分析及DFA所得Hurst指数有所差异,这一差异说明DFA可体现出非平稳风速时间序列的幂率特征.此外,对风速时间序列Hurst指数及谱指数的分析还表明了风速波动具有"1/f噪声"特征.为风速分形混沌特性研究及风速短时预测等提供了理论依据.     

不等长周期时间序列的周期划分方法

针对时间序列周期不等长的情况,提出了一种基于周期划分的时间序列周期分析方法.首先将时间序列变换到频域中获取序列的周期特征,其次根据周期特征计算移动平均的项数来对时间序列做移动平均处理,然后计算移动平均处理后序列中的极值点,最后对极值点按条件进行剔除后得到周期划分点.以划分点为界划分得到时间序列的多个周期段,经过分析采用周期段的中位数线来表示时间序列的周期性变化特征.这种周期划分方法更适用于存在随机波动的长序列,实验表明该方法能较好地对序列做出划分,得到的周期段中位数线的变化特点也与原时间序列基本相符.     

北京交通流序列的重分形扩散熵分析

运用重分形扩散熵分析方法来分析北京交通拥堵指数的长程相关性和重分形特征.方法综合使用了扩散技术和Renyi熵来研究北京交通拥堵指数的标度行为.由于交通拥堵指数序列具有明显的周期性,故先选用傅里叶滤波去除序列的周期性,再进行重分形扩散熵分析.实验结果表明北京交通拥堵指数序列的极端波动显示出反相关性,同时拥堵指数序列具有较弱的重分形特征.     

基于标度理论的股指时间序列相似性分析

股指时间序列的相似性分析是当前金融学研究的热点之一。为了提高股指时间序列相似性分析的准确度,从标度不变性、多重分形及波动聚集性三个层面定义了标度理论的度量指标,并基于此对股指序列进行表示。将分割后的每一序列子区间看作时间点,则分割、表示后的不同股指序列构成一个多指标的面板数据。基于面板数据特征及指标相对重要性,提出了一种新型的多指标面板数据相似性度量函数——复合距离函数,用以度量股指时间序列的相似性。聚类结果表明,相较于其他两种方法,基于标度理论和复合距离函数的相似性度量方法能够显著提高相似性度量的准确度,同时具有较强的稳健性。     

中国股票市场的分形结构——股票收益长期记忆特征的实证研究

股票市场收益的长期记忆特征对于系统非线性结构的确定以及市场有效性的研究具有重要的意义.针对上海和深圳A股算术加权和流通市值加权市场指数的周收益序列以及上证180指数和深圳成份指数中选取的12只代表性股票的周收益序列,采用重标级差分析(R/S分析)和ARF IM A模型对其进行了实证研究.从统计结果来看,样本序列呈现出尖峰和肥尾等有偏特征,明显不满足正态分布的假设,表明收益序列可能具有长程相关或记忆性.进一步的研究发现,沪深两市A股市场指数收益序列和大多数个股(10只股票)存在明显的长期记忆特征,收益分布表现出持久性.从划分不同时段的分析结果来看,中国股票市场渐进趋于弱势有效.     

中国股市价格和波动性的非线性行为实证研究

深沪综合指数的收益率不服从正态分布,收益率是负斜的,呈现胖尾和峰态;其收益率序列均服从有着分形概率分布的持久性时间序列,它们遵循有偏随机游动,市场表现出较强的趋势行为和非周期循环特征,深市非周期循环为4个月,而沪市为6个月,深沪股市月收益率序列则为确定性的混沌序列;而沪深股市的波动性也呈现出一定程度的不对称特征,沪深股市之间还存在着波动性的溢出效应,深市还存在着一定的杠杆效应,而且,沪深股市之间还存在着明显的波动性的溢出效应.     

基于ARIMA与信息粒化SVR组合的股指预测研究

对于证券市场投资者而言,基于合理假设准确预测资产价格未来发展方向与趋势关乎投资成败。本文通过构建一个基于ARIMA与信息粒化SVR的组合预测模型,对股票市场指数价格和收益变化的趋势进行预测。实证研究结果表明:基于ARIMA与信息粒化SVR组合的股指预测模型相较于传统时间序列模型而言,在预测精度和效度方面有较大提升,能够在一定时间周期内对股票等风险资产的价格波动区间进行较为可靠地预测,但目前还只能大致确定时间序列波动的区间范围而不能精确地预测具体点位。未来仍需结合其他预测模型和预判技术进一步深入研究,以有效提升股指趋势预测的准确性和实际指导性。     

基于谱分析的非平稳时间序列中的潜周期研究

时间序列的频域分析并不如时域分析应用广泛,但其弥补了时域分析的不足:能够把时间序列分解为具有不同振幅,相位和频率的周期分量的叠加,找出原序列中隐含的主要周期分量,并从周期波动的角度对序列进行解释.针对非平稳时间序列进行研究,利用B样条函数为基底并引入惩罚项,提取序列中的趋势项之后,再根据样本谱密度理论得到时序数据中的潜周期,最终将原始时间序列分解为趋势项,周期项和随机扰动项.数据模拟部分验证了通过B样条估计并提取的趋势项具有较高的精确度,并会对周期项的提取产生积极的影响.实际数据部分使用了黄金价格的月度数据,得到了长,中,短三个波动周期这一有意义的结论,验证了本方法的可行性和有效性.     

ARIMA模型在医院季节性时序资料预测中的应用

通过分析医院时间序列资料的变动规律，本文找出了其共同的特点（如趋势增长或下降季节变化）和共性中的特点（高峰值的不同周期）。由于时间序列是由： Ｘ（ｔ） ＝Ｔ（ｔ）＋Ｓ（ｔ） ＋ｅ（ｔ）的成分构成，具有较明显的周期变化、增减趋势和季节波动，故医院季节性时间序列资料大都为非平稳时间序列，本文给出平稳化的步骤。预测具体方法和结果。     

基于数据分解集成和高频数据建模的汇率波动率预测

汇率波动率是刻画外汇金融资产收益变化程度的指标，也是度量外汇风险的方法之一，汇率波动对经济与金融系统都有重要的影响。由于非平稳和非线性的特征，准确预测汇率波动率一直是金融研究的重点和难点。为了提高预测汇率波动率的准确性，本文采用基于人民币汇率高频数据计算的已实现波动率和机器学习方法，对数据进行分解集成和建模，提出了一种有效的多尺度EEMD-PSR-SVR-ARIMA预测模型。具体过程如下：首先，采用集合经验模态分解(EEMD)的方法将复杂的时间序列分解成不同尺度的本征模态函数和趋势项；然后采用支持向量回归(SVR)的方法对本征模态函数进行预测，并利用相空间重构和粒子群优化的方法来确定SVR模型的输入维数与参数。同时，使用差分自回归移动平均模型(ARIMA)预测趋势项；最后集成得到模型预测的结果。实证结果表明EEMD-PSR-SVR-ARIMA模型可以有效地提高汇率波动率预测的精度。     

季节性数据的横断面建模方法

本文提出了一种对季节性数据建立数学模型的新方法──横断面方法．其思想是，把一个季节性时间序列划分成为数相当于一个季节周期长度的若干个子序列，在这些子序列中已完全消除了季节性因素，然后对这些子序列分别建立形式各异的数学模型，最后再把这些子序列的数学模型综合起来就得到了对原始序列的数学模型．     

基于M-LSTM的股票指数日内交易量分布预测研究

针对现有预测建模方法难以高效提取日内交易量分布复杂变化规律,影响VWAP策略执行效果的问题,本文提出一种MEMD分解下基于LSTM-Attention的股市指数日内交易量分布预测方法M-LSTM。首先,运用MEMD方法将区间多维交易量时序同步分解为若干个独立的本征模态函数(IMF);其次,对各维度分解中高频IMF进行去噪与重构,构建基于LSTM-Attention神经网络的日内交易量分布预测模型,并深入分析股票指数不同走势阶段下模型预测的有效性;最后,分别采用M-LSTM、ARIMA以及SVR等主流方法,对上证指数等四个代表性指数的日内交易量分布进行预测。实验结果表明:M-LSTM预测误差更小,是一种更有效的股票指数日内交易量分布预测方法。     

中国证券市场股指波动的条件异方差特性分析

股指的波动具有持续性、集聚性 ,如何进行判别 ?本文用 Garch模型理论探讨沪深股指的这种条件异方差特征 ,进一步分析波动是否影响股指未来变化 ,以及股市对利好、利空的消息是否存在不对称的反映。同时 ,比较不同类型的股指的共性及差异 ,并对上述现象作了解释和说明。     

Stock market forecasting by using a hybrid model of exponential fuzzy time series

The initial aim of this study is to propose a hybrid method based on exponential fuzzy time series and learning automata based optimization for stock market forecasting. For doing so, a two-phase approach is introduced. In the first phase, the optimal lengths of intervals are obtained by applying a conventional fuzzy time series together with learning automata swarm intelligence algorithm to tune the length of intervals properly. Subsequently, the obtained optimal lengths are applied to generate a new fuzzy time series, proposed in this study, named exponential fuzzy time series. In this final phase, due to the nature of exponential fuzzy time series, another round of optimization is required to estimate certain method parameters. Finally, this model is used for future forecasts. In order to validate the proposed hybrid method, forty-six case studies from five stock index databases are employed and the findings are compared with well-known fuzzy time series models and classic methods for time series. The proposed model has outperformed its counterparts in terms of accuracy.     

沪深港股市相关性的小波分析

主要使用离散小波变换(DW T)对沪深港股市的相关性进行研究.小波可以把方差和相关系数在不同尺度上进行分解,以便更仔细地研究时间序列的波动性在不同尺度上的相关程度.研究发现:三地股票市场的波动性都随着小波尺度的变化而变化;沪深股市与香港股市相关性非常低,而且在不同尺度上相关程度有较大差别.     

基于修正的已实现阈值幂变差的股市跳跃波动行为研究

基于非参数统计方法,利用考虑金融资产价格跳跃和杠杆效应的时点波动估计方法修正已实现阈值幂变差,构造甄别跳跃的检验统计量,对金融资产价格中的随机波动、有限活跃跳跃和无限活跃跳跃等问题进行综合研究。为同时吸收波动率的异方差集聚效应和收益率的非对称效应,对原有的已实现波动率异质自回归预测模型进行拓展,将非对称的异质性自回归模型的误差项设定为GARCH模型,以考察跳跃波动序列与连续波动序列之间的复杂关系。利用沪深股指高频数据进行实证研究,包括进行跳跃识别,跳跃活动程度检验和波动率预测效果对比。研究结果表明,沪深股市同时存在布朗运动成分、有限活跃跳跃和无限活跃跳跃成分,其中连续路径方差占主体。同时,收益和波动间的杠杆效应显著,无论短期还是长期,连续波动和跳跃波动对波动率的预测均具有显著影响,同时考虑股价的跳跃、波动和杠杆效应因素有助于更准确地刻画资产价格动态过程。     

上海股市收益率序列簇生特征局部线性平滑分析

本文从分析上海股票市场收益率序列的基本特征入手,重点利用非参数方法分析收益率序列波动性的簇生特征.首先通过一系列描述指标说明股市收益率序列具有的基本特点,利用非参数方法估计收益率序列的密度函数.进一步利用非参数回归分析的方法,分析股票市场的波动性,说明股市收益率序列的簇生特征是一个一般规律,在防范股市风险的时候应该注意到这一特点.     

基于遗传算法和半参数回归的神经网络集成股市预测研究

股票时间序列预测在经济和管理领域具有重要的应用前景,也是很多商业和金融机构成功的基础.首先利用奇异谱分析对股市时间序列重构,降低噪声并提取趋势序列.再利用C-C算法确定股市时间序列的嵌入维数和延迟阶数,对股市时间序列进行相空间重构,生成神经网络的学习矩阵.进一步利用Boosting技术和不同的神经网络模型,生成神经网络集成个体.最后采用带有惩罚项的半参数回归模型进行集成,并利用遗传算法选择最优的光滑参数,以此建立遗传算法和半参数回归的神经网络集成股市预测模型.通过上证指数开盘价进行实例分析,与传统的时间序列分析和其他集成方法对比,发现该方法能获得更准确的预测结果.计算结果表明该方法能充分反映股票价格时间序列趋势,为金融时间序列预测提供一个有效方法.     

基于参数模型的EVaR风险度量计算方法及实证研究

针对EVaR(Expectile-based Value at Risk)风险度量提出了基于GARCH类和SV波动率模型的EVaR风险度量计算方法,即EVaR计算的参数模型方法.并基于模拟学生t分布时间序列数据,给出EVaR样本外预测的失败率检验方法:Kupiec失败率检验和动态分位数(DQ)检验法.与采用CARE(Conditional Autoregressive Expectile)模型的EVaR计算方法进行了对比研究,结果表明基于GARCH类模型和SV模型相对于基于CARE模型有更优的EVaR预测效果.选取2004年1月5日到2009年12月30日的国内外五个股票市场指数数据,针对日对数收益率进行了EVaR风险度量的实证研究,得出在金融危机期间,基于参数模型的EVaR预测要比基于CARE模型的EVaR预测更接近市场实际风险.