考虑高频数据影响的BEKK模型的估计及其应用

多维资产的协方差阵在投资组合中扮演着重要角色,如何估计和预测资产的协方差阵是统计领域的一大热点问题.将基于高频数据的已实现协方差阵(RCOV)和双频已实现协方差阵(TSCOV)应用到BEKK模型的估计过程中,提出了考虑高频数据影响的BEKK-RCOV和BEKK-TSCOV模型,这两类模型将高频数据引入到协方差阵估计过程中的同时,还可以对协方差阵直接进行预测,避免了预测模型的选择困难问题,并且提高了协方差阵的估计效率.通过实证研究发现:BEKK-RCOV和BEKK-TSCOV模型估计和预测效果明显优于BEKK模型,将其应用在投资组合时,使投资者获得了更高的收益.     

多维金融高频协方差阵预测模型的比较分析

现代投资组合理论大部分是从组合风险控制的角度展开,协方差矩阵扮演着非常重要的角色.将高频协方差阵应用在投资组合或风险管理时,就需要考虑采用何种预测模型来对高频协方差阵进行预测,较好的预测模型能够更加准确的对资产的波动性进行预测.高频协方差阵预测模型的建立较为复杂,目前还没有一种广泛被认可的模型.采用MCS检验法来选择最优的预测模型,研究发现高频协方差阵预测模型LOG-HAR模型在所有的损失函数下预测能力最好,并且高频协方差阵预测模型的预测能力要优于低频协方差阵预测模型.     

大维协方差阵的估计及其应用

大维数据给传统的协方差阵估计方法带来了巨大的挑战,数据维度和噪声的影响不容忽视.首先以风险因子为自变量,对股票收益率建立线性回归模型;然后通过引入惩罚函数将取值非常接近的回归系数归为一组,近而来估计大维数据的协方差阵,提出了基于回归聚类算法的分块模型(BM-CAR),模型克服了传统的稀疏协方差阵估计的弊端.通过模拟和实证研究发现:较因子协方差阵估计方法而言,BM-CAR明显提高了大维协方差阵的估计效率;并且将其应用在投资组合时,投资者获得了更高的收益和经济福利.     

高维时变投资组合模型的构造及估计

在大数据背景下,高维资产组合的构造以及选择是金融领域研究的热点和难点问题.文章构造了基于SCGARCH模型的含有范数约束的高维时变最小方差投资组合模型,将其记为NC-MVP-SCGARCH.该组合的优势主要体现在两方面:首先采用SCGARCH模型来估计和预测组合的重要输入变量——资产间的协方差阵,该模型将改进的乔列斯基分解法和卡尔曼滤波估计方法相结合,在解决了高维数据所面临的维数诅咒的同时,考虑了过去市场信息对协方差阵估计的影响;其次,基于范数约束的最小方差投资组合(NC-MVP)将l₁和l₂范数有机结合,更加适用于高维资产.研究发现:文章构造的NC-MVP-SCGARCH组合效果更优.     

高维投资组合风险的估计

在大数据时代,如何估计高维投资组合的风险是金融机构面临的一大难题.针对这一难题,文章主要做了两方面研究:首先,将非线性收缩法和QuEST函数应用到BEKK模型中,提出BEKK-NS模型,以估计和预测在资产组合中扮演着重要角色的资产协方差阵.该模型同时适用于估计正态分布和厚尾分布数据的协方差阵,并且能够很好地解决维数诅咒问题,提高协方差阵的估计效率.其次,构造了基于循环分块bootstrap方法的极限误差U(α)来评价高维投资组合的风险.通过模拟和实证研究发现:BEKK-NS模型明显优于BEKK,将其应用在投资组合时,降低了组合风险,使得投资者获得了更高的收益;并且极限误差U(α)非常接近于真实的误差,由其构造的组合风险的置信区间较为精确.     

基于长期CVaR约束的高频投资组合优化

高频和低频数据的合理使用一直是投资组合领域的重要问题之一.文章将混频的思想引入投资组合策略中,首先利用包含长期信息的低频数据构建CVaR约束,并将其引入基于高频已实现协方差估计量的全局方差最小(GMV)策略中.在协波动率的估计量和预测方法上,文章将一种最优滚动窗宽选择方法与常用的HAR预测模型相结合,对具有降噪纠偏特性...     

多元协方差阵扰动模型岭估计的影响分析

本文研究了多元线性同归模型岭估计的影响分析问题.利用最小二乘估计方法,获得了多元协方差阵扰动模型与原模型参数阵之间的岭估计的一些关系式,给出了度量影响大小的基于岭估计的广义Cook距离.     

纵向数据边际模型非参数光滑方法的比较

对于纵向数据边际模型的均值函数, 有很多非参数估计方法, 其中回归样条, 光滑样条, 似乎不相关(SUR)核估计等方法在工作协方差阵正确指定时具有最小的渐近方差. 回归样条的渐近偏差与工作协方差阵无关, 而SUR核估计和光滑样条估计的渐近偏差却依赖于工作协方差阵. 本文主要研究了回归样条, 光滑样条和SUR核估计的效率问题. 通过模拟比较发现回归样条估计的表现比较稳定, 在大多数情况下比光滑样条估计和SUR核估计的效率高.     

高维稀疏对角GARCH模型的估计及应用

高维数据背景下,数据维度和噪声的影响使得传统的GARCH模型不再适用.针对对角GARCH(goGARCH)模型的不足,将高维稀疏建模法应用到其估计过程中,提出了高维稀疏对角GARCH(HDS-goGARCH)模型.HDS-goGARCH模型通过引入惩罚函数,将一些不重要变量的回归系数压缩为零,来精简模型,达到降维的目的.通过模拟和实证研究发现:较传统的goGARCH模型而言,HDS-goGARCH模型明显提高了高维协方差阵的估计和预测效率;并且将其应用在投资组合时:在收益一定的情况下,由HDS-goGARCH模型所构造的投资组合的风险更小.     

平衡数据结构下ANOVA 估计和SD 估计的比较

在线性混合效应模型下, 方差分析(ANOVA) 估计和谱分解(SD) 估计对构造精确检验和广义P-值枢轴量起着非常重要的作用. 尽管这两估计分别基于不同的方法, 但它们共享许多类似的优点, 如无偏性和有精确的表达式等. 本文借助于已得到的协方差阵的谱分解结果, 揭示了平衡数据一般线性混合效应模型下ANOVA 估计与SD 估计的关系, 并分别针对协方差阵两种结构: 套结构和多项分类随机效应结构, 给出了ANOVA 估计与SD 估计等价的充分必要条件.     

基于小波分析的滑动GA-BP-GRACH模型对股票的预测研究

以“平安银行” 00001号股票收盘价为实证背景,基于小波分析下的滑动GA-BP-GRACH模型对该股票变化趋势进行预测研究,即:通过小波分解得到两类股票变化数据(低频、高频),并建立滑动窗口下的GA-BP神经网络对其低频数据进行预测,鉴于高频数据表现出的波动性特点,采用GRACH模型进行预测.结果显示,两类模型的预测效果均为良好.最后,再基于小波重构得到股票的最终预测数值.实验表明,所述模型在股票预测方面比传统神经网络模型更加优越,对股票变化规律刻画也有着一定的参考价值.     

高频视角下中国股市动态VaR预测模型研究

如何充分挖掘交易数据中有价值的信息对金融风险管理极其重要,现有研究中基于低频波动模型的风险测度方法几乎已经做到了极致,而能达到的预测效果却并不稳健,对高频波动模型的研究相对比较匮乏。那么高频模型能否从高频数据中挖掘出更有价值的信息以便用于风险管理之中呢？本研究通过建立12个低频和9个高频波动模型对上证综指进行样本外动态VaR的滚动预测发现,高频模型相对于低频模型具有更好的稳定性,并且在多数情况下高频模型优于低频模型;多头与空头的风险预测效果具有显著差异,多头风险在高风险情况下高频模型表现出色,低风险情况下并不理想,空头风险则在所有情况下都表现较好。     

基于因子分析法的金融高频已实现波动的预测

金融高频数据的已实现波动(RV)在风险管理中扮演着非常重要的角色,已有大量文献对如何预测资产的已实现波动进行了研究.采用因子分析法来预测RV,探讨了不可观测的金融序列的公共因子在预测已实现波动时所起的作用,并考虑了资产价格中跳跃的影响,建立了基于因子分析法的波动预测模型(F-RV-J).从损失函数、MCS检验和在险价值VaR的预测能力三个方面,将F-RV-J模型与其它常用的预测模型进行了比较,发现F-RV-J模型明显要优于其它波动预测模型.     

有缺失数据的条件独立正态母体中参数的最优同变估计

在缺失数据机制是可忽略的假设下,导出了有单调缺失数据的条件独立正态模型中协方差阵和精度阵的Cholesky分解的最大似然估计和无偏估计.通过引入一类特殊的变换群并在更广义的损失下,获得了其最优同变估计.这表明最大似然估计和无偏估计是非容许的.最后,通过数值模拟验证了相关结果的有效性.     

广义线性模型参数的自适应拟似然估计

对广义线性模型参数的一种拟似然估计的理论给予了彻底的处理. 在该估计中,响应变量的未知的协方差阵是通过样本去估计的.证明了所定义的估计量具有下述意义上的渐近有效性：当样本量n→∞时, 该估计有渐近正态性,且其极限分布的协方差阵重合于当响应变量的协方差阵完全已知时,拟似然估计的极限分布的协方差阵.     

两级抽样回归模型中估计与检验的稳健性

对于两级抽样(two-stage sampling)回归模型,协方差阵含有未知的类内相关系数(intraclustercorrelation)ρ本文研究在设计阵满足何种条件时,回归系数的估计与F-检验不受ρ的影响。即估计与F-检验关于协方差阵具有稳健性。本文对最小二乘估计与似然比F-检验统计量的稳健性分别给出了充要条件、充分条件和必要条件。     

约束条件下线性模型协方差阵扰动的影响分析

该文研究了协方差阵扰动和数据删除对最佳线性无偏估计(BLUE)的影响问题, 给出了在约束条件下一般线性模型与在约束条件下Gauss-Markov模型及在约束条件下数据删除模型中回归参数β的BLUE之间的关系式. 作者还定义了度量影响大小的广义Cook距离D_V并给出了D_V的两个计算公式.     

基于分解—集成的铁路货运需求预测研究

铁路货运量受到多种因素影响,准确的预测可以为铁路行业未来规划的编制提供重要的参考依据,也可以使铁路部门制定符合当前货运市场的运输政策。货运量数据具有非线性、不平稳的特点,利用传统的单一预测模型进行预测,很难描述整体特征,预测精度有待提高。本文基于分解—集成的原则,利用变分模态分解算法将货运量分解为高频和低频模态,针对各模态特点,分别建立预测模型,将得到的预测结果加总起来作为最终货运量的预测值。实证表明,分解—集成预测方法与传统的单一预测模型相比,提高了预测的准确率,可以很好地应用在铁路货运量需求预测的研究中。     

协方差矩阵扰动生长曲线模型岭估计的影响分析

本文研究了协方差矩阵发生扰动时，生长曲线模型岭估计的影响分析，建立了生长曲线模型、协方差矩阵扰动生长曲线模型岭估计之间的关系式。讨论了协方差扰动和数据删除对岭估计的影响，导出了度量影响大小的基于岭估计的广义Cook距离Di^*（k）最后，用实例说明了用Di^*(k）度量生长曲线模型的影响点是有效的。     

多元失效时间删失数据边际风险模型加权估计的渐近正态性

对于多元失效时间数据,可以根据工作独立的假定来估计边际风险模型中的未知参数,但工作独立方法通常会失去估计的效率.为了充分利用不同失效类型之间的潜在相关性,提高估计的效率,可以通过加权的方法给出参数的加权部分似然估计.然而由于多元失效数据是高维数的数据,选择最优权是困难的.因此,Fan,Zhou,Cai和Chen曾基于参数估计向量中每个元的方差提出了一些次优加权方法,然后从参数向量所有分量估计的角度出发,构造了未知参数的复合加权部分似然估计,但他们没有给出这些复合加权估计的渐近性质.本文将对复合加权部分似然估计进一步的研究,推导了这个估计的渐近正态性,并给出了该估计的协方差阵以及协方差估计.同时,将该方法应用于艾滋病临床试验的实际数据,给出了有意义的解释和说明.最后进行了相关估计的一些数值模拟计算.