稳健残差控制图的构建及在金融时序中的应用

对于呈现自相关和波动族聚性并存的受控过程,通常采用残差控制图对其进行监控。但异常点的存在会对自相关或波动族聚性模型的拟合产生重要影响,使得基于该模型的残差并非独立同分布导致常规残差控制图监控失效。为解决这类问题,本文提出稳健残差控制图。即建立稳健的ARMA模型解决自相关问题从而得到无自相关的残差序列,用稳健的GARCH模型来构建控制图的上下限。模拟和实证研究表明,本文提出的稳健残差控制图具有很好的抗异常点能力并能更好的对金融时间序列的异常现象进行监控。     

基于数据变换的GM(1,1)残差修正模型在交通量预测中的应用

首先提出了一种变换,该变换既可以提高序列的光滑度,而且逆变换后相对误差保持不变,然后针对模拟残差时正时负的现象,又给出了一种变换,该变换可以将任意摆动序列变换为单调递增序列,最后给出了基于残差修正的GM(1,1)模型.将模型应用于实际,预测效果比较满意.     

基于小波变换的小样本随机振荡序列灰色预测模型

针对GM(1,1)幂模型对于小样本振荡序列对含突变信息无能为力的问题,提出了基于小波变换的小样本振荡序列灰色预测模型.首先,针对原始数据序列建立GM(1,1)幂模型描述其总体趋势特征;然后,利用小波变换提取GM(1,1)幂模型残差序列所包含的有用信号和随机噪声,并结合GM(1,1)幂模型构成新的时间相应函数;最后,以与原始平均误差最小为原则确定小波变换的小波基和分解层次并对小波进行重构GM(1,1)幂模型残差序列,并结合原始GM(1,1)幂模型对随机振荡序列进行预测.算例中通过对城市用水量的拟合及预测结果表明:应用基于傅立叶变换的GM(1,1)幂振荡序列模型和基于分数阶离散GM(1,1)幂模型研究了振荡序列模型平均误差分别为3.22%和5.66%,而本文的方法平均误差为1.11%.算例研究表明,此方法能够快速高效的解决GM(1,1)幂模型对小样本有突变趋势振荡序列的预测问题.     

基于多元分析的人民币汇率波动率预测

对人民币汇率波动率建立了BEKK,CCC,O-GARCH,IC-GARCH模型。针对人民币汇率波动率的非对称性,改进了IC-GARCH模型,建立了IC-GJRGARCH,IC-IGARCH模型。给出了以上各模型的预测结果及评价,并分析IC情形下,残差类型及降维技术对预测效果的影响。人民币汇率波动率的预测实证表明,BEKK模型和IC-GJRGARCH模型比其他模型的预测效果要理想;残差类型为广义误差分布与t分布的预测效果都要优于高斯分布的预测效果;模型降维后预测效果与降维前的预测效果相差不大,甚至优于后者。     

基于小波变换的LMSV模型对人民币汇率波动的研究

将小波引入到LMSV模型波动长记忆性的估计与检验中,提出了基于小波变换的LMSV模型波动长记忆性的伪极大似然估计法和波动长记忆性的检验方法,并对各汇率波动序列长记忆效应的大小程度进行了验证．结果表明各汇率波动序列存在长记忆效应．人民币对美元的汇率波动序列受历史信息的影响程度最高．     

随机波动模型的局部影响分析

在期权定价问题中,有一类反映隐性不可观测波动的时间序列—随机波动(SV)模型.在一定条件下对其序列影响点进行识别:对SV模型的参数应用伪极大似然估计方法进行估计,并在此基础上应用Cook的局部影响分析方法,对其强影响点进行识别,并通过模拟实例,对其影响点识别的效果进行说明.     

跳扩散条件下波动率风险溢价及影响因素研究——基于上证50 ETF期权市场的实证

本文采用上证50 ETF及其期权交易数据,运用SVCJ模型、MCMC及傅里叶变换等方法,从P测度及Q测度中提取波动率风险溢价,并分析了其时变特征及影响因素。实证研究表明:SVCJ模型相较于SV模型及SVJ模型具有更好的市场拟合优度;傅里叶变换法能提高波动率风险溢价的估计效率;波动率风险溢价具有时变特征,在市场急剧动荡时期,波动率风险溢价基本为负,投资者厌恶波动风险,购买期权对冲波动风险的意愿较高;在市场非急剧动荡时期,波动率风险溢价基本为正,投资者偏好波动风险,购买期权对冲波动风险的意愿较低;市场收益率、波动率、换手率及投资者情绪对波动率风险溢价具有显著的影响。     

基于ARIMA-GM组合模型的邮电业务总量预测

对传统预测具有波动性及季节性双重趋势时间序列的模型—ARIMA乘积季节模型进行了改进,先用ARIMA乘积季节模型对邮电业务总量历史数据进行识别和拟合,然后用GM(1,1)模型对其带阀值的残差序列进行修正,最后结合二者得到ARIMA-GM这一组合预测模型.利用此模型对09年上半年中国邮电业务总量进行了预测,结果表明,组合预测方法比单项ARIMA乘积季节模型预测具有更高的精度.     

基于上凸序列的GM(1,1)模型及其优化

针对GM(1,1)模型对上凸序列建模时会出现误差较大的情况进行了研究.首先分析了GM(1,1)对上凸序列建模时的残差变化规律,然后通过分析得出了残差变化规律的精确描述,同时证明了残差序列的几个性质定理.基于残差序列的性质定理提出了基于上凸序列建模的残差修正GM(1,1)模型.将新模型与多种改进的GM(1,1)模型进行对比,实证结果表明新模型具有很高的模拟预测精度,并且适用于一切上凸序列的建模.     

并联混合回归模型参数的两步M估计及其渐近性质

本文在文献的基础上,给出残差为AR(P)序列并联混合回归模型参数的一种稳健估计——两步M估计,并证明了估计的相容性与渐近正态性.