基于MCMC的贝叶斯变结构金融时序GARCH模型研究

针对变结构GARCH模型没有解析形式的条件后验分布的问题。借助辅助变量把没有具体解析形式的后验分布转化为一系列完全条件分布,实现了变结构GARCH模型参数的贝叶斯估计。中国外汇市场波动性的实证研究,表明了辅助变量-Gibbs抽样有效的解决了贝叶斯变结构GARCH模型中的高维数值计算问题,并发现其波动持续性是由时间序列的状态转移引起的。     

基于MCMC算法的贝叶斯变结构分位自回归模型研究

为了更全面细致的刻画时间序列变结构性的特征及其相依性,提出了一类马尔可夫变结构分位自回归模型。利用非对称Laplace分布构建了模型的似然函数,证明了当回归系数的先验分布选择为扩散先验分布时,参数的各阶后验矩都是存在的,并给出了能确定变点位置和性质的隐含变量的后验完全条件分布。仿真分析结果发现马尔可夫变结构分位自回归模型可以全面有效地实现对时间序列数据变结构性的刻画。并应用贝叶斯Markov分位自回归方法分析了中国证券市场的变结构性,结果发现中国证券市场在不同阶段尾部表现出不同的相依性。     

单参数Pareto分布变点估计研究

研究单参数Pareto分布存在变点时的估计问题,分别利用极大似然估计法和贝叶斯方法对单参数Pareto分布的变点进行估计,并运用Matlab软件进行随机模拟,随机结果表明贝叶斯方法与极大似然估计相比,估计值更接近真值.     

带未知多个变点的均值突变模型的多阶段估计

本文基于局部比较法,提出了带未知多个变点的均值突变模型中变点个数与变点位置的多步估计.首先估计出可能变点位置的报警区间序列;然后根据这些报警区间初步估计出变点个数及变点位置;最后对虚假变点进行删除确定最终变点个数及变点位置.理论结果表明:几乎必然的,当n充分大时,变点个数估计将严格等于变点个数真值,所得最终报警区间将严格包含变点真值;变点估计量具有强相合性.随机模拟结果表明,多步估计在不同条件下均能准确估计变点个数和变点位置.     

艾拉姆咖分布参数变点的Bayes估计

研究了艾拉姆咖分布变点估计的非迭代抽样算法(IBF)和MCMC算法.在贝叶斯框架下,选取无信息先验分布,得到关于变点位置的后验分布和各参数的满条件分布,并且详细介绍了IBF算法和MCMC方法的实施步骤.最后进行随机模拟试验,结果表明两种算法都能够有效的估计变点位置,并且IBF算法的计算速度优于MCMC方法.     

基于Weibull分布的最大风速变点估计

利用三参数的Weibull分布分析安徽砀山气象站年最大风速数据,建立似然比变点模型和回归变点模型,并对年最大风速序列的变点进行检验和估计.考虑非气象因素对年最大风速序列的影响,选取A气象站附近数个气象站的年最大风速序列作为参考序列,通过比值法,消除气象因素的影响.计算结果表明,由似然比变点模型可以估计出A气象站最大风速变点出现在2003年,由回归变点模型估计出的变点出现在2009年和2003年.结合安徽砀山气象站实际迁移和海拔变化的历史沿革,可以发现,基于Weibull分布的变点模型成功检测出了2009年台站迁移和2003年前后台站迁移且海拔显著变化的情况.     

至多一个变点的Γ分布的统计推断及在金融中的应用

对至多一个变点的Γ分布,即X1,X2…,Xn为一列相互独立的随机变量序列,且X1,X2,…,X[n(τ)0]i.i.d～Γ(x;ν1,λ1),X[n(τ)τ0]+1,X[n(τ)0]+2,…,Xn i.i.d～Γ(x;ν2,λ2),其中(τ)0未知,称(τ)0为该序列的变点.在利用第一型极值分布逼近文中提出统计量的分布的基础上,给出了变点(τ)0估计(τ)的相合性及强弱收敛速度.最后给出了在金融序列上的应用.     

结构突变时间序列的贝叶斯单位根检验

在贝叶斯框架下检验含有多个均值与趋势双突变点的时间序列的平稳性。引入标号随机变量表示观测值所处的位置,运用贝叶斯因子模型选择的方法判断结构变点数目,对待检参数的先验设定为混合分布,采用可信区间检验序列是否存在单位根,并用蒙特卡罗模拟验证该方法的有效性,且以中国居民消费价格指数为对象进行实证研究,进一步印证了贝叶斯单位根检验在结构突变时间序列单位根检验中的优越性。研究发现:判断序列是否存在单位根时,不能忽视结构突变问题,否则会产生误判;先验设定对单位根检验影响较大,混合先验优于单一先验;中国居民价格消费指数序列在不考虑结构突变时是不平稳的,若考虑结构突变则该序列平稳;贝叶斯单位根检验克服了经典方法在有限样本单位根检验时存在有偏的问题,提高了单位根检验的功效。     

AR(p)模型中的变点分析

本文分别用极大似然法和Bayes方法研究了AR(p)模型中的变点问题.在数据矩阵不一定满秩的条件下,利用Moore-Penrose广义逆给出了模型参数的极大似然估计的统一表达式和变点位置的估计式.在假定自回归系数的先验分布服从多元正态,方差服从逆Γ分布的条件下,用Bayes方法给出了变点位置估计的显示表达式以及模型参数的Bayes估计.     

基于向前方程的平稳分布参数估计

该文研究利用随机微分方程的平稳分布满足的微分方程给出平均场随机微分方程的参数估计方法dX(t)=b(μ~N,θ)dt+σ(X(t))dB(t),其θ是待估计的参数.μ~N是N个个体的经验分布.b(μ,θ)关于μ在μ=p处附近(τ-拓扑)连续.其中p是该过程的唯一平稳分布.特别地,该文研究以下模型的参数估计问题dX(t)=(aθ(X(t))+b〈F,μ(t)〉)dt+σ(X(t))dB(t),其中a,b是有待估计的模型的参数.该文研究存在平稳分布时的参数估计问题.而数据则是若干(少量)时刻上数据点的经验分布,这些经验分布由很多个个体的数据构成.     

0-1序列中变点的贝叶斯分析

对于0-1(伯努利)序列中的变点问题,本文提出了一个确定变点的个数和位置的贝叶斯方法。首先借助于二分法把变点个数的确定问题转化为一系列对没有变点和仅有一个变点的模型进行比较的问题,然后通过贝叶斯因子进行模型比较。本文得到了贝叶斯因子和未知变点的后验分布的显式表达式。最后,通过对上证指数数据的实证分析阐释了所提方法的有效性。     

t分布的代表点及其在统计模拟中的应用

本文首先讨论了在均方误最小意义下学生氏tn分布代表点,利用方开泰、贺曙东的算法找出代表点,证明了当n≥3时,t_n分布总体下算法的收敛性,代表点的存在性及其唯一性,并从t_n分布角度研究了代表点在统计模拟方面的应用。传统的蒙特卡罗方法和自助法及重抽样方法对随机样本进行抽样,是统计模拟方法的基础.Fang,Zhou,Wang讨论了一元正态分布的代表点在统计模拟中的应用并且首次提出用代表点代替独立同分布的随机样本,构造一个离散的近似总体,通过对近似总体重复抽样来进行统计推断.这是—个新思想.本文继续探讨这个问题,文中统计推断主要有两部分:经典估计和稳健估计.经典估计主要集中考虑参数点估计(均值、方差、偏度和峰度);稳健估计主要考虑简单的位置参数(中位数和均值)和尺度参数(中位数绝对偏差和四分位距).我们的结果再次验证,代表点方法可以明显地提高统计估计量的精确度以及收敛速度.     

Z2e上本原序列最高权位序列的0, 1分布

研究了由 Z_2^e 上n次本原多项式生成的本原序列的最高权位序列的0, 1分布. 首先, 利用Galois环上的指数和估计, 得到了0, 1分布的一个界, 该界当e相对n较小时有效. 同时, 还得到了另一个估计, 该估计当e相对n较大时比较适用. 综合两者, 得到0, 1分布的一个只依赖于n的估计, 该估计说明, n越大, 1在最高权位序列中所占的比率越接近1/2.     

非参数回归模型均值与方差双重变点的估计

本文基于核估计和小波方法研究异方差非参数回归模型中均值函数和方差函数均存在变点的估计问题.首先,构造基于均值函数的核估计量,求出均值变点位置及跳跃度的估计.其次,利用小波方法构造方差变点的估计量,运用该估计量获得方差变点位置与跳跃度的估计,给出变点估计量的渐近性质.最后数值模拟并通过比较验证了方法的有效性.     

基于GAS模型的动态VaR预测效果分析

GAS模型是一种基于观测的动态模型,理论简单且应用灵活,可以直接估计VaR.将GAS模型和GARCH类模型应用于不同条件下生成的模拟数据和三个时间段的沪深300指数的日对数收益率数据,并比较模型关于VaR的预测效果。结果表明:在对称的条件分布下,GAS模型容易高估风险且不稳健,其表现不如GARCH类模型;但在条件分布为有偏的时,GAS模型与GARCH类模型的表现相当,部分情况下会优于GARCH类模型,尤其在实证分析中关于序列2和序列3的VaR的估计,GAS模型的预测效果较好。因此,实际应用中,对于具有较明显偏态分布或尖峰分布的数据可以考虑使用GAS模型预测动态VaR.     

动态异方差随机前沿模型的Bayesian推断

随机前沿模型中如果忽略单边干扰项的异质性(heterogeneity)往往导致错误的效率估计.从个体特征的影响和方差的时变性两方面对单边干扰项进行考虑,提出异方差动态随机前沿模型.利用Gibbs抽样方法对动态异方差随机前沿模型进行Bayesian分析.导出了模型参数的后验条件分布,对中小样本的模拟实验显示在最小后验均方误差准则下得到的参数估计值非常接近真值.对电力公司的实际数据进行分析显示对数无效率项的方差有一定的时变性.     

基于M-H抽样的贝叶斯非对称厚尾GARCH模型研究

针对非对称厚尾GARCH模型参数的预选分布很难确定的问题。对模型参数空间进行数据扩张,把模型中的厚尾残差分布表示成正态分布和逆伽玛分布的混合分布,然后通过对参数的后验条件分布进行变换获得参数的预选分布,从而利用M-H抽样实现了非对称厚尾GARCH模型的贝叶斯分析。中国原油收益率波动的实证研究发现中国原油收益率的波动具有高峰厚尾性但不存在"杠杆效应",样本内的预测评价发现基于M-H抽样的贝叶斯方法优于极大似然方法,说明了M-H抽样方案设计的有效性。     

面板数据下序贯模型变点的渐近检验法

本文研究了面板数据模型下变点是否存在的检验问题.对于面板序贯模型下的变点,利用构造的检验统计量及其极限分布的方法,获得了关于变点的一种渐近检验法.随后进行Monte-Carlo数值模拟,在模拟中对检验方法的经验检验水平、检验功效以及变点后的停时三个判断标准进行了考察.结果显示无论在理论还是数值模拟上,我们提出的渐近检验法均表现优良.推广了现有文献的关于单序列变点的序贯检验方法.     

误差项为指数白噪声的平稳AR(1)过程的贝叶斯分析

本文研究了一类误差项为指数白噪声的平稳自回归模型的参数估计问题.利用贝叶斯方法,获得了参数的后验分布及在平方损失下的贝叶斯估计结果,推广了Turkman的结果.     

基于模糊GJR-GARCH模型的波动率估计

基于模糊数学和模糊时间序列分析理论,在模糊GARCH与GJR-GARCH模型的基础上建立模糊GJR-GARCH模型,并用遗传算法估计了该模型的参数。实证发现沪深两市的收益波动率具有明显的非对称性,相对于普通的GARCH、GJR-GARCH和模糊GARCH模型,模糊GJR-GARCH模型能更好的处理收益率的波动群聚性、时变性和非对称性,具有更好的估计精度。