基于支持向量机的银行系统重要性评估研究

系统重要性银行是构成全球业务链的连接点,对各国各项业务的顺利进行起到不可或缺的作用,所以当其发生危机时,会直接对全球范围内的金融机构造成负面影响.学术界对如何识别中国系统重要性银行进行了很多有益尝试,由于研究方法或样本不同,得出的结论存在一定差异.有效识别此类银行是当前的热点议题.文章从系统重要性银行的度量数据出发,首先以各银行的财务报表数据和股票价格数据为研究样本.其次,在SVM-Copula集成系统基础上,利用粒子群优化算法对SVM寻找最优参数组合,进而提出了优于GARCH模型和核密度估计法的PSO-SVM边缘分布估计法.最后将PSO-SVM-Copula集成系统运用到CoVaR领域中.研究结果表明:PSO-SVM-Copula-CoVaR(PSCC)模型在系统重要性银行的评估上比仅使用单方面的数据更加合理.     

基于上证指数高频数据的中国资本市场微观特性研究

以上证指数高频数据为研究对象,基于上涨、平缓和下跌三个市场状态分析我国金融市场的微观特性.通过分析上证指数在不同时间间隔下的概率分布、自相关性和多分形三个特性,发现上证指数对数增量序列存在厚尾、列维非高斯分布特征,且随着时间间隔的增大,收益序列愈收敛于正态分布,其中,下降趋势收敛于正态分布的速度更快,拟合于列维分布的效果更好.最为突出的是,在自相关函数分析中,上证指数的收益率无长期记忆性,而波动率则具有较强的记忆性.同时,波动率的自相关性存在明显的周期性特征,即T=240 min,且在下降趋势时其相关性最高.在以时间增量刻画的多重分形结构中,对于不同的时间序列、时间间隔,由于受投资期限和流动性的影响,三种股市状态的收益率波动存在着短期和长期性的差异.上证指数的总体宏观行为与国际成熟股市较为一致,但在微观特性上仍存在显著差异,其所特有的周期性是投资者的惯性反冲所致,而自相关性函数较之成熟股市衰减较慢,则表明投资者的投资行为更多地受历史信息的影响.     

基于改进的对数周期幂律模型研究中国股市崩盘预警

基于金融物理学中著名的对数周期幂律模型(log-periodic power law model, LPPL)来预警2015年6月份中国上证综合指数、创业板指数的崩盘.鉴于已有采用LPPL模型预警市场崩盘的研究均只考虑市场历史交易数据.本文将投资者情绪因素纳入到LPPL模型建模过程,以改进LPPL模型的预警效果.采用文本挖掘技术结合语义分析方法对抓取的财经媒体的股评报道进行词频统计,以构建媒体情绪指数.进一步修改LPPL模型中的崩溃概率函数表达式,将其表示为关于历史交易数据及媒体情绪的函数,构建LPPL-MS组合模型预警股市崩盘.实证结果表明,本文所构建的LPPL-MS组合模型相比LPPL模型具有更高的预警精度,其预测的大盘见顶的临界时点与上证指数、创业板指数真实的见顶时点更为接近,并且其拟合结果通过了相关检验.