用修正重标极差法对上证指数长期记忆性的研究

本文以上证指数周收益率为研究对象,分别采用重标极差分析法和修正重标极差分析法,通过计算V统计量的值对其进行长期记忆性的检验。由于不能排除V统计量的值存在超出上侧分位点的可能性,本文进行了双侧检验,并分析了R/S分析法产生偏差的原因。得出上证指数周收益率时间序列并未表现出显著的长期记忆性的结论。     

基于R/S分析的我国股票市场标度特性研究

应用重标度极差分析法(R/S),对我国股票市场不同时间间隔的收盘指数进行实证分析,研究我国股票市场的标度特性.结果表明我国股票市场具有长期记忆性和标度不变性,分别存在244天(上海)和190天(深圳)的非周期循环,并呈现多重分形特征.     

基于Hurst指数的风速时间序列研究

为研究风速时间序列的长程相关性和自相似性,采用重标度极差分析和去趋势波动分析对风速时间序列进行相关性分析,计算风速时间序列的Hurst指数,并对其进行了功率谱密度分析,计算其谱指数.结果表明,两种方法计算所得Hurst指数都较为接近1,说明风速时间序列具有显著的自相似性和长程正相关性;但R/S分析及DFA所得Hurst指数有所差异,这一差异说明DFA可体现出非平稳风速时间序列的幂率特征.此外,对风速时间序列Hurst指数及谱指数的分析还表明了风速波动具有"1/f噪声"特征.为风速分形混沌特性研究及风速短时预测等提供了理论依据.     

核密度估计在预测风险价值中的应用

通过研究核密度估计理论,提出了一种适应估计金融时间序列分布的L ap lace核密度函数.在单变量核密度估计的基础上建立了风险价值(V a lua at R isk,简记为VaR)预测的预测模型.通过对核密度估计变异系数的加权处理建立了两种加权VaR预测模型.最后,通过上证指数收益率对建立的VaR预测模型进行了实证分析,结果显示两种加权方法对上证指数收益率的VaR预测具有较高的效率.     

基于遗传算法和半参数回归的神经网络集成股市预测研究

股票时间序列预测在经济和管理领域具有重要的应用前景,也是很多商业和金融机构成功的基础.首先利用奇异谱分析对股市时间序列重构,降低噪声并提取趋势序列.再利用C-C算法确定股市时间序列的嵌入维数和延迟阶数,对股市时间序列进行相空间重构,生成神经网络的学习矩阵.进一步利用Boosting技术和不同的神经网络模型,生成神经网络集成个体.最后采用带有惩罚项的半参数回归模型进行集成,并利用遗传算法选择最优的光滑参数,以此建立遗传算法和半参数回归的神经网络集成股市预测模型.通过上证指数开盘价进行实例分析,与传统的时间序列分析和其他集成方法对比,发现该方法能获得更准确的预测结果.计算结果表明该方法能充分反映股票价格时间序列趋势,为金融时间序列预测提供一个有效方法.     

基于R/S分析的专利申请量年增长率的相关性研究

Hurst指数是描述分数布朗运动的重要指标.利用R/S分析方法计算出我国专利申请量年增长率的Hurst指数稳定在0.62附近,分形维数稳定在1.38附近.表明我国专利申请量年增长率时间序列,服从分数布朗运动,专利申请量年增长率具有长期相关性.历史数据的影响力随时间间隔的长度增长而缩小,当间隔长度达到10年以上时,历史数据的影响力趋于稳定.     

独立自主发展地震数字处理(续完)

<正> 6.镶边滤波 地震记录x(t)是t的连续函数,当我们以时间△为采样间隔时就得一个时间序列x(n△).x(n△)的频谱是以1/△为周期的对称函数.为了对x(n△)进行滤波,经常采用的滤波器频谱为图6.1所示的带通滤波.这种带通滤波的频谱由于不连续,所以相应的时间序列衰减很慢,这使滤波效果受到影响.改进的办法就是把带通滤波变成镶边带通滤波,见图6.2.     

股票收益率的次指数分布拟合

股票收益率等金融时间序列具有重尾特征,因而不适于用正态分布来描述,次指数分布族S是一类重尾分布族,能够很好的处理具有偏态、重尾特征的金融时间序列,本文对上证指数的收益率进行了次指数分布拟合,并给出了在险价值(VaR)的估计。     

恒生指数和上证指数相似性分析

本文通过对恒生指数和上证指数历史数据的处理,给出HURST维数的R/S估计,进而研究两个股票指数的相似性.结果显示97～98香港证券市场和2001年后中国内地证券市场有着很强的统计相似性.     

不等长周期时间序列的周期划分方法

针对时间序列周期不等长的情况,提出了一种基于周期划分的时间序列周期分析方法.首先将时间序列变换到频域中获取序列的周期特征,其次根据周期特征计算移动平均的项数来对时间序列做移动平均处理,然后计算移动平均处理后序列中的极值点,最后对极值点按条件进行剔除后得到周期划分点.以划分点为界划分得到时间序列的多个周期段,经过分析采用周期段的中位数线来表示时间序列的周期性变化特征.这种周期划分方法更适用于存在随机波动的长序列,实验表明该方法能较好地对序列做出划分,得到的周期段中位数线的变化特点也与原时间序列基本相符.     

The asymptotic behavior of the R/S statistic for fractional Brownian motion

This paper provides a proof of the fact that asymptotically the R/S statistic and the self-similarity index of fractional Brownian motion agree in the expectation sense. In particular for fractional Gaussian noise time series, the R/S statistic is an estimator of the self-similarity index H. We also show that two other methods for estimating H yield consistent estimators.     

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。     

Introducing <Emphasis FontCategory="NonProportional" Type="Bold">libeemd</Emphasis>: a program package for performing the ensemble empirical mode decomposition

The ensemble empirical mode decomposition (EEMD) and its complete variant (CEEMDAN) are adaptive, noise-assisted data analysis methods that improve on the ordinary empirical mode decomposition (EMD). All these methods decompose possibly nonlinear and/or nonstationary time series data into a finite amount of components separated by instantaneous frequencies. This decomposition provides a powerful method to look into the different processes behind a given time series data, and provides a way to separate short time-scale events from a general trend. We present a free software implementation of EMD, EEMD and CEEMDAN and give an overview of the EMD methodology and the algorithms used in the decomposition. We release our implementation, libeemd, with the aim of providing a user-friendly, fast, stable, well-documented and easily extensible EEMD library for anyone interested in using (E)EMD in the analysis of time series data. While written in C for numerical efficiency, our implementation includes interfaces to the Python and R languages, and interfaces to other languages are straightforward.     

中国股票市场的分形结构——股票收益长期记忆特征的实证研究

股票市场收益的长期记忆特征对于系统非线性结构的确定以及市场有效性的研究具有重要的意义.针对上海和深圳A股算术加权和流通市值加权市场指数的周收益序列以及上证180指数和深圳成份指数中选取的12只代表性股票的周收益序列,采用重标级差分析(R/S分析)和ARF IM A模型对其进行了实证研究.从统计结果来看,样本序列呈现出尖峰和肥尾等有偏特征,明显不满足正态分布的假设,表明收益序列可能具有长程相关或记忆性.进一步的研究发现,沪深两市A股市场指数收益序列和大多数个股(10只股票)存在明显的长期记忆特征,收益分布表现出持久性.从划分不同时段的分析结果来看,中国股票市场渐进趋于弱势有效.     

State-space modeling for seismic signal analysis

The time series utilized for geodetic signal analysis, such as strain and groundwater level data, usually is largely affected by barometric pressure, earth tide and precipitation, and also suffer from missing observations due to instrument maintenance or breakdown. To detect informative geodetic signal from heavily noise-affected data, one must build a time series model for decomposition of the data taking into account the characteristics of effects from these covariates. This paper proposes a new modeling method for detecting geodetic signal from earthquake-related time series data by introducing pole-restricted precipitation model, jump component and pre-processing with AR model for interpolating missing observations. Using the proposed method, a geodetic sample data can be decomposed stably into several components including geodetic trend signal, barometric pressure response, earth tidal response, precipitation response and data level shift due to mechanical maintenance or breakdown. The decomposition of the time series and the interpolation of the missing observations are performed very efficiently by using the state-space representation and the Kalman filter/smoother. Finally, case studies of real geodetic sample data demonstrate the effectiveness of the proposed modeling method that lead to some important findings in seismology.     

基于Box-Jenkins方法的青南高原降水量时间序列分析建模与预测

应用基于Box-Jenkins方法的时间序列分析技术,对青南高原的四个典型地区1961-2005年降水量序列进行ARMA建模分析:验证了四地区年降水量序列的时间序列特性,研究并选择了这些序列的最佳ARMA模型,本文也通过模型对未来降水量进行了预测.模型实证分析的结果表明:在青藏高原降水量时间序列分析建模与预测方面,Box-Jenkins方法及其模型是一种精度较高且切实有效的方法模型.     

基于标度理论的股指时间序列相似性分析

股指时间序列的相似性分析是当前金融学研究的热点之一。为了提高股指时间序列相似性分析的准确度,从标度不变性、多重分形及波动聚集性三个层面定义了标度理论的度量指标,并基于此对股指序列进行表示。将分割后的每一序列子区间看作时间点,则分割、表示后的不同股指序列构成一个多指标的面板数据。基于面板数据特征及指标相对重要性,提出了一种新型的多指标面板数据相似性度量函数——复合距离函数,用以度量股指时间序列的相似性。聚类结果表明,相较于其他两种方法,基于标度理论和复合距离函数的相似性度量方法能够显著提高相似性度量的准确度,同时具有较强的稳健性。     

Average case analysis of DJ graphs

Sreedhar et al. [V.C. Sreedhar, G.R. Gao, Y.-F. Lee, A new framework for elimination-based data flow analysis using DJ graphs, ACM Trans. Program. Lang. Syst. 20 (2) (1998) 388–435; V.C. Sreedhar, Efficient program analysis using DJ graphs, PhD thesis, School of Computer Science, McGill University, Montréal, Québec, Canada, 1995] have presented an elimination-based algorithm to solve data flow problems. A thorough analysis of the algorithm shows that the worst-case performance is at least quadratic in the number of nodes of the underlying graph. In contrast, Sreedhar reports a linear time behavior based on some practical applications.

In this paper we prove that for goto-free programs, the average case behavior is indeed linear. As a byproduct our result also applies to the average size of the so-called dominance frontier.

A thorough average case analysis based on a graph grammar is performed by studying properties of the j-edges in DJ graphs. It appears that this is the first time that a graph grammar is used in order to analyze an algorithm. The average linear time of the algorithm is obtained by classic techniques in the analysis of algorithms and data structures such as singularity analysis of generating functions and transfer lemmas.     

存款序列的长记忆性的实证研究

存款是银行评价业绩的一项重要指标,建立高精度的存款模型有利于银行的日常资金管理,能提高银行的资金利用率,降低成本等。本文以国内某国有商业银行储蓄存款和对公存款的月度数据为背景,讨论了存款序列的长记忆性问题,从而对于加深存款性质的认识,及此类时间序列建模具有借鉴意义。