高频金融数据“日历效应”的小波神经网络模型分析

高频金融数据的分析与建模是金融计量学的一个全新的研究领域.高频数据"日历效应"是金融市场微观结构研究领域的重要发现,但是金融市场微观结构理论主要是从定性的角度研究"日历效应".如何定量地刻画高频数据"日历效应"是进一步深入理解金融市场的关键.论文提出用小波神经网络(WNN)来定量研究高频金融数据"日历效应",实证研究表明小波神经网络(WNN)很好地刻画了"日历效应".     

基于模糊GM(1,1)模型的时间序列预测

提出了一种模糊GM(1,1)预测模型,即FGM(1,1)模型,该方法是在GM(1,1)模型中引入模糊成员函数,通过模糊成员函数对时间序列数据进行模糊化,达到数据优化选择,实现历史数据"重近轻远"的预测效果.仿真结果表明所提出的预测方法有效可靠,为提高预测精度提供了新的途径.     

时间序列与时空序列的建模

本文介绍了作者和他的博士研究生于近五年内,在时间序列与时空序列的统计建模方面所完成的研究工作。文章包含两个部分:第一部分将给出平稳与非平稳的ARMA模型(包括平稳ARMA,ARUMA与一般ARMA模型)的阶与参数估计的新结果,我们假设模型的噪声项满足鞅差条件,这比要求它们是i.i.d要弱,而且合理。第二部分给出了二维ARMA模型的谱鉴别,对于一类特殊的二维AR模型(即所谓的象限马氏模型,它们恰好就是熟知的一维马氏AR模型在二维情形的相配模型。)给出了它的阶与参数的强相合估计与重对数收敛速度。     

青岛港货运吞吐量的时间序列模型

运用时间序列分析方法对时间序列建立ARMA,ARIMA模型.搜集了青岛港1999年1月～2003年5月的货运吞吐量数据,对进行分析,建立了青岛港货运吞吐量的模型.通过预留的部分数据对模型进行检验,并对模型的残差进行检验,得出模型比较合理.     

股票指数的时间序列模型分析

借助于SA S软件将工程中的K a lm an滤波方法与时间序列的状态空间模型结合对上海A股指数进行了拟合与预测分析,通过对拟合与预测误差的计算可以发现这种模型是可行的;然后还把与滤波结合的状态空间模型的分析结果和常见的时间序列模型如:AR IM A模型、逐步自回归模型以及指数平滑模型的分析结果进行比较,比较的结果说明结合滤波的状态空间模型分析的结果比后三种的结果更加精确.结果为时间序列数据分析提供了一个较好的分析工具.     

时间序列模型Back算子多项式的可逆性

定义零算子和单位算子,并定义Back算子多项式的加法运算和乘法运算规则,加法类似于普通的加法运算,乘法为算子的复合运算,于是Back算子多项式构成一个环.回答了时间序列分析中Back算子多项式作除法运算的含义,Back算子多项式和它作用的时间序列Xt之间并非乘积关系,除法运算实质是等式两边同时用算子的逆作用.AR(1)模型、AR(2)模型等的Back算子多项式具有可逆性.     

厚尾金融时间序列的贝叶斯单位根检验

在金融时间序列分析中,单位根检验是一个相当重要的研究问题。对于数据生成过程为自回归的厚尾金融时序数据,古典的ADF单位根检验统计量应用非常困难。本文则在贝叶斯框架下,发展了检验带有未知自由度厚尾t分布的自回归金融时间序列单位根的贝叶斯方法。蒙特卡罗模拟结果显示本文发展的方法能够取得好的检验功效。最后,用万科地产月度历史收益数据来演示了本文发展的方法。     

时间序列价格模型及其应用

1 预备知识 设A=（aij）m×m表示m个行业的投入产出消耗系数矩阵;P（0）=（p1（0）,p2（0）,…pm（0））是基年的初始价格向量;pj（0）（j=1,2,…,m）是基年的第j个行业的产出价格,P（n-1）=     

时间序列预测模型研究综述

介绍了时间序列预测模型的产生和发展,呈现了时间序列模型研究方向的理论、方法和应用,并就未来的发展势态进行了初步的探讨.     

上次对角双线性时间序列模型的广义传递函数系统及平稳性条件

本文讨论了一类特殊的双线性时间序列模型,即上次对角欢线性时间序列模型,在输入为严格白噪声的假定下,利用多元Wiener-Ito积分,得到了该模型的广义传递函数及平稳性的充分必要条件。     

时间序列系统建模预测的一种新方法

利用微分方程数值解法对时间序列系统建模作了新的探讨 ,给出了单调型和起伏型时间序列的建模预测方法 .本文给出的方法适用范围广泛 ,尤其对间隔较小的时间序列能获得满意的精度 ,文中最后给以建模实例 .     

SEM Modeling with Singular Moment Matrices Part I: ML-Estimation of Time Series

A structural equation model (SEM) with deterministic intercepts is introduced. The Gaussian likelihood function does not contain determinants of sample moment matrices and is thus well-defined for only one statistical unit. The SEM is applied to the dynamic state space model and compared with the Kalman filter (KF) approach. The likelihood of both methods are shown to be equivalent, but for long time series numerical problems occur in the SEM approach, which are traced to the inversion of the latent state covariance matrix. Both approaches are compared on several aspects. The SEM approach is now open for idiographic (N = 1) analysis and estimation of panel data with correlated units.     

时间序列的经验模态频率分解EMFD

在经验模态分解的基础上,提出了经验模态频率分解.经验模态频率分解是正交分解,有很好的性质和频率意义.     

基于动力学视角的经济时间序列分析

基于1978~2014年中国教育发展水平、就业人数与实际资本存量的数据,应用动力学原理建立模型,讨论了模型均衡解的稳定性,同时分析了该经济系统受到外部扰动时的动力学行为.研究结果表明,外部扰动产生的系统混沌效应会影响经济系统的正常运行,从而管理者有必要对经济系统提出有效的应对策略.因此,基于动力学原理,本文为时间序列动力学特征的微观刻画提供了一个视角.     

最终需求为时序变量的投入产出决策模型

针对最终需求为正态随机变量的投入产出模型,建立了一个时序模型来估计最终需求的期望与方差,并由此给出了总产出在一定置信度下的取值空间.这样就使得随机投入产出模型在决策时可具体操作.     

非平稳时间序列分析的WAVELET—改进GM(1,1)组合方法及其应用

提出非平稳时间序列分析的WAVELET—改进GM(1,1)组合方法.首先利用Mallat算法对非平稳时间序列进行小波分解;然后采用能量阈值选择策略对高频系数进行处理,并将其与低频系数进行小波重构;最后运用改进的GM(1,1)方法预测.该方法不仅能充分拟合低频信息,而且可避免对高频信息的过拟合.实验结果证明,该方法比传统的非平稳时间序列预测方法具有更高的预测精度.     

增长型经济变量的趋势时间序列预测模型

针对增长型外汇储备时间序列变化复杂性的特点,可以建立确定性趋势的时间序列模型及包含单位根的随机趋势模型.实际计算显示,确定性趋势的时间序列模型具有较高的预测精度.     

多元时间序列模型协方差矩阵的递归算法

本文推导了多元时序模型的协方差矩阵与模型参数的关系式，并给出了计算多维时序过程自协方差矩阵的递归算法     

小波变换在期货价格序贯相关分析中的应用

针对金融时间序列普遍具有非平稳、自相关等特点,通常建立ARIMA模型进行识别.但模型的构建中,常受到一些随机扰动的影响,使模型拟合的误差增大.文章试将小波分析良好的局部性与ARIMA模型的简捷实用相结合,采用基于小波分析的累积式自回归滑动平均方法(WARIMA)拟合模型中的序贯相关,实证分析得出,WARIMA模型显著降低了拟合误差.     

产出时间序列的遍历性

主要研究产出时间序列的遍历性质,得出了市场经济条件下产出时间序列是马氏过程的结论,并讨论了它的遍历态;证明了市场经济发展的周期状形态.