基于一类长记忆过程的经济时间序列建模研究

本文介绍了长记忆的概念 ,首次提出了一种与 ADF检验相结合的长记忆性判断方法。给出了将参数 d的初估计与近似极大似然估计相结合 ,将时间序列长记忆分析与短记忆分析相结合的建立ARFIMA模型的方法。论文进行了实证研究 ,并证明了该模型与其它模型相比的优效性     

基于高频数据的时间序列长记忆系数比较研究

在高频数据中,交易持续时间序列,交易量序列和收益率平方序列都存在长记忆现象。本文采用半参数方法,对同一只股票的上述三种序列的长记忆参数进分析比较,结果显示,三种序列都存在长记忆现象,而且同一只股票的上述三种序列具有相同的长记忆参数。这些结果为微观市场的相关理论提供了实证。     

基于贝叶斯ARFIMA-WRV模型高频数据长记忆性研究

考虑到高频时间序列波动率的长记忆性问题,构建了赋权已实现波动分数整合自回归移动平均(ARFIMA-WRV)模型对其进行了研究.利用贝叶斯统计方法对模型做了相应的贝叶斯分析,并对我国中小板股市收益波动率的长记忆性特征进行了实证分析.实证结果表明我国中小板股市收益波动率存在长记忆性特征;采用消除日历效应影响的赋权已实现波动作为波动度量和贝叶斯参数估计方法,很大程度上提高了模型的参数精度.     

基于两步法带宽选择的金融时间序列长记忆参数估计

金融时间序列长记忆参数的半参数估计方法以频域分析为主,带宽选择是其中必不可少的关键环节。不同的带宽可能给出差异明显的长记忆参数估计值,甚至产生矛盾的结论,进而影响时间序列平稳性的判断。本文提出一种两步法,用于金融时间序列长记忆估计的半参数方法的带宽选择,并进一步对长记忆参数进行估计:首先,为了克服半参数方法忽略短期结构的不足,通过信息准则判断ARFIMA(p,d,q)过程的短记忆结构;其次,用短记忆模型拟合差分后的序列,根据拟合效果确定选择带宽及长记忆参数估计值。数值模拟显示以长记忆参数估计值均方根误差最小为标准,两步法优于其他方法。经上证50指数已实现波动率日数据的实证检验,两步法在长记忆模型中的预测误差最小;与短记忆模型相比,两步法在中期提前预测步长上具有优势。     

基于分形分析的国际金价波动长记忆性识别与预测研究

本文对国际金价波动的长记忆性进行研究,通过R/S,MRS,V/S等方法计算Hurst指数,证实了金价波动存在着显著的长记忆性。以此为基础借助分数差分,构建ARFIMA、FIGARCH、ARFIMA-GARCH等基于分形分析的长记忆性预测模型,实证结果表明该类模型很好地刻画了国际金价的内在波动规律,具有较强的预测功能。     

中国证券市场价格及波动率长记忆性实证研究

证券市场股价运动是否存在长记性,近年来的实证研究结论不一.其中重要原因是数据选择的局限和检验方法的不统一.通过自相关函数、修正的R/S和GPH方法对中国证券市场的日和五分钟数据进行了递进检验,得出了一些与众不同的结论.     

存款保险费率的敏感性分析及实证检验

资本充足率、存款保险费率是发达国家普遍采用的维持银行稳定的基本措施,一般来说资本充足率越高,则所需的存款保险费率越低,银行为减小成本,都希望在合理控制风险的前提下减少所缴纳的存款保险.本文使用根据期权思想建立的存款保险定价模型,推导了存款保险费率对资本充足率的敏感性系数;其次根据中国上市银行的数据进行测算,分别计算了14家银行每增加一个单位的资本充足率可降低存款保险费率的数额,并对实证的结果进行比较;最后给出相关结论.     

中国股票市场的长记忆性与市场发展状态

对于中国股市的长记忆性问题,许多的学者得到了不同的结论,这主要是由于不同方法自身存在着缺陷,针对这一问题,分别运用经典R/S分析,修正R/S分析,DFA及广义Hurst指数等统计分析方法对其进行实证研究,以期使结果更加稳健.结果发现沪深两市均具有长记忆性特征.此外,研究了广义Hurst指数值与市场发展状态之间的依赖性,并根据该性质得到结论认为沪深两市属于新兴的、非有效的市场.     

长记忆模型的Bayes估计及其在汇率波动中的应用

本文介绍了长记忆模型及其检验方法,根据Bayes原理,提出了记忆参数的一种新的估计方法.在运用Teverovsky/Taqqu(1997)年提出的一种基于样本方差的直观方法的初步检验基础上,运用新的检验方法,以美元对人民币汇率为研究对象,说明了我国汇率波动的长记忆性.然后,将经典的GPH-估计与新方法所得出的Bayes-估计相比较,可以看出这种新的估计方法较之经典的GPH-估计要稳定.     

短期噪声下两种长记忆性判别方法的小样本比较

本文以长记忆性的两种对数周期图方法为研究对象,在小样本下,从长记忆性的估计均值,估计精度和检验效果等方面比较分析了短期噪声对Geweke,Portert和Hidak(1983,GPH)和Andrews,Guggenberger(2003,AG)两种方法的影响及作用机理.结果发现当存在短期噪声时,尽管AG方法的大样本性质优于GPH方法,但其小样本性质并不十分稳健.主要而言,AG方法仅在较小负根情形下对GPH方法的修正效果明显;当噪声中含有较大负根时,存在过度修正问题;而当噪声中含有正根时,存在修正不足问题.此外,还研究了短期噪声下的带宽选择问题.通过对不同带宽下两种方法小样本性质的比较研究,发现在带宽极小处,两种方法的统计特征非常敏感;而带宽较大时,两种方法的统计特征不再收敛.笔者认为按照误差均方根最小选择带宽是一个相对可以接受的方案.     

上证指数收益率的长期记忆性

本文介绍了利用谱回归对分数积分移动平均自回归 (ARFIMA)模型的分数差分参数进行估计的方法,并据此方法对上证指数收益率的长期记忆性进行了检验,根据分段检验的结果,得出一些有关我国证券市场有效性的结论。     

中国股市长记忆的修正R/S分析

本文在比较各种长记忆检验方法优缺点的基础上,采用修正的R/S分析检验我国沪深两股市日收益和日绝对收益序列的长记忆性。结果表明在0.05的显著水平下,两股市的日收益序列均无长记忆,但深圳成指日收益序列的记忆长度比上证综指日收益序列的记忆长度长;以日绝对收益序列为代表的波动序列具有较强的长记忆性。     

LLN for Quadratic Forms of Long Memory Time Series and Its Applications in Random Matrix Theory

We obtain a weak law of large numbers for quadratic forms of a stationary regular time series, imposing no rate of convergence to zero of its covariance function. We show how this law can be applied in proving universality properties of limiting spectral distributions of sample covariance matrices. In particular, we give another derivation of a recent result of Merlevède and Peligrad, who studied sample covariance matrices generated by IID samples of long memory time series.     

Forecasting for Stationary Binary Time Series

The forecasting problem for a stationary and ergodic binary time series {X _n } _n=0 is to estimate the probability that X _n+1=1 based on the observations X _i , 0in without prior knowledge of the distribution of the process {X _n }. It is known that this is not possible if one estimates at all values of n. We present a simple procedure which will attempt to make such a prediction infinitely often at carefully selected stopping times chosen by the algorithm. We show that the proposed procedure is consistent under certain conditions, and we estimate the growth rate of the stopping times.     

Long Memory with Seasonal Effects

This review is devoted to stationary discrete time second order processes whose covariance asymptotically behaves like an hyperbolically damped oscillating sequence. We present the two main ways of generating parametric models of this type. Then we gather some results concerning the influence of seasonality on the classical limit theorems. Finally, we present a simulation method which we use to try a semi parametric estimation procedure adapted from the non seasonal situation.     

Dynamic Detection of Change Points in Long Time Series

We consider the problem of detecting change points (structural changes) in long sequences of data, whether in a sequential fashion or not, and without assuming prior knowledge of the number of these change points. We reformulate this problem as the Bayesian filtering and smoothing of a non standard state space model. Towards this goal, we build a hybrid algorithm that relies on particle filtering and Markov chain Monte Carlo ideas. The approach is illustrated by a GARCH change point model.