银行业如何影响房地产业?Copula分位数回归及预测方法

众所周知,房地产业与银行业是高度相关的,如何确定银行业股票收益率对房地产业股票收益率的影响以及如何根据银行业股票收益率预测房地产业股票收益率的波动是非常重要的问题。本文首先使用Copula分位数回归建立了银行业股票收益率对房地产业股票收益率的回归模型,并且给出了Copula分位数回归基础上的CopuIa选择新标准,即分位数损失函数距离意义下的Copula函数选择准则,依据该准则我们选取Clayton Copula分位数回归模型刻画了低迷时期银行业股票收益率如何影响房地产业股票收益率,并据此对房地产业股票收益率的波动进行了预测     

关于GI/G/1系统虚等待时间的收敛速度

排队论中极限定理的收敛速度是人们比较关心的问题,Kennedy用 Skorokhod嵌入法得出了一些量的收敛速度,但比较慢。本文利用对分布函数两边逼近的方法,在ρ=EV/EU≥1,EU~3<∞,EV~3<∞的假定下,得到了GI/G/1系统虚等待时间的收敛速度,改进了文[1]之相应结果。     

非线性回归模型参数估计量的随机展开及偏和方差的讨论

§1.引言 对于非线性回归模型y_t=f(x_t,θ)+ε_t, t=1,2,… (1.1) 若记 S(θ)=sum from t=1 to n([y_t-f(x_t,θ)]~2) (1.2) 则维数假定为p的参数向量θ的一个最小二乘估计量(简记为LSE)定义为满足下式的统计量(y):     

基于贝叶斯滤波的股指动态结构特征研究

针对股指波动所具有的动态结构信息特征,在状态空间建模理论的框架下,将服从Markov过程的潜在波动状态变量引入状态方程,同时在观测方程中考虑极值点的影响,构造出一类非高斯Markov随机波动状态空间模型。针对传统的MCMC方法对该类模型估计时效率低下的缺陷,设计了基于序贯Monte Carlo方法的贝叶斯滤波算法进行仿真分析,并且从算法效率和准确性方面对两种方法进行了比较。通过对沪深300股指波动的实证研究表明:对于一类非线性非高斯状态空间模型,贝叶斯滤波算法在保证估计精度的同时较MCMC方法更加有效率,能够有效刻画股指波动的动态结构特征。     

约束线性模型异常值检验

本文讨论了带约束线性模型的数据删除模型和均值漂移模型，得到了带约束情况下上述两个模型的统计量之间的关系，建立了相应的异常值检验统计量及性质。     

方差估计的随机加权逼近及随机加权法在抽样调查中的初步应用

设X_1,X_2,…是一组独立同分布的随机变量序列,其方差μ_2是待估参数,当x_4,i=1,2,…,n,给定下,用D_n=sum from i=1 to n(V_(ni)(X_i-sum from i=1 to n(V_(ni)X_i)~2)-1/n sum from i=1 to n(X_i-X)~2的条件分布来渐近T_n=(1/n)sum from i=1 to n(X_i-X)~2-μ_2的分布。这里D_n中的V_(ni),i=1,2,…,n,是服从 Dirichlet分布D(4,4,…,4)的随机变量。若记 F_n和F_n~*分别是T_n/(VarT_n)~(1/2)的分布和D_n/(Var~*D_n)~(1/2)的条件分布,其中Var~*D_n是关于X_1,X_2,…的条件方差。则在一定条件下,对几乎所有的样本序列X_1,X_2,…, (i)n~(1/2)D_n→N(0,μ_4-μ_2~2) 其中μ_4=E(X_1-μ)~4,μ=EX_1 ii)n(1/2)sup|F_n~*(y)-F_n(y)|=0(1) iii) lim sup |F_n~*(y)-F_n(y)|=0 最后,本文对随机加权法如何应用于抽样调查之中,进行了一个初步的尝试。     

基于M-H抽样的贝叶斯非对称厚尾GARCH模型研究

针对非对称厚尾GARCH模型参数的预选分布很难确定的问题。对模型参数空间进行数据扩张,把模型中的厚尾残差分布表示成正态分布和逆伽玛分布的混合分布,然后通过对参数的后验条件分布进行变换获得参数的预选分布,从而利用M-H抽样实现了非对称厚尾GARCH模型的贝叶斯分析。中国原油收益率波动的实证研究发现中国原油收益率的波动具有高峰厚尾性但不存在"杠杆效应",样本内的预测评价发现基于M-H抽样的贝叶斯方法优于极大似然方法,说明了M-H抽样方案设计的有效性。