基于两步法带宽选择的金融时间序列长记忆参数估计

金融时间序列长记忆参数的半参数估计方法以频域分析为主,带宽选择是其中必不可少的关键环节。不同的带宽可能给出差异明显的长记忆参数估计值,甚至产生矛盾的结论,进而影响时间序列平稳性的判断。本文提出一种两步法,用于金融时间序列长记忆估计的半参数方法的带宽选择,并进一步对长记忆参数进行估计:首先,为了克服半参数方法忽略短期结构的不足,通过信息准则判断ARFIMA(p,d,q)过程的短记忆结构;其次,用短记忆模型拟合差分后的序列,根据拟合效果确定选择带宽及长记忆参数估计值。数值模拟显示以长记忆参数估计值均方根误差最小为标准,两步法优于其他方法。经上证50指数已实现波动率日数据的实证检验,两步法在长记忆模型中的预测误差最小;与短记忆模型相比,两步法在中期提前预测步长上具有优势。     

基于一类长记忆过程的经济时间序列建模研究

本文介绍了长记忆的概念 ,首次提出了一种与 ADF检验相结合的长记忆性判断方法。给出了将参数 d的初估计与近似极大似然估计相结合 ,将时间序列长记忆分析与短记忆分析相结合的建立ARFIMA模型的方法。论文进行了实证研究 ,并证明了该模型与其它模型相比的优效性     

基于贝叶斯ARFIMA-WRV模型高频数据长记忆性研究

考虑到高频时间序列波动率的长记忆性问题,构建了赋权已实现波动分数整合自回归移动平均(ARFIMA-WRV)模型对其进行了研究.利用贝叶斯统计方法对模型做了相应的贝叶斯分析,并对我国中小板股市收益波动率的长记忆性特征进行了实证分析.实证结果表明我国中小板股市收益波动率存在长记忆性特征;采用消除日历效应影响的赋权已实现波动作为波动度量和贝叶斯参数估计方法,很大程度上提高了模型的参数精度.     

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。     

基于高频数据的IPO首日量价关系研究

本文基于高频数据对IPO首日的量价关系进行了实证研究,采用了分组研究以及回归分析的方法。研究发现,IPO首日的价格变化(绝对值)以及价格变化都与归一化交易量有着正相关关系,且价格变化(绝对值)更加敏感。同时,本文还对时刻、板块、流通市值以及中签率与IPO首日的价格变化(绝对值)及价格变化的影响进行了研究,并给出了相应的解释。     

高斯和非高斯平稳时间序列记忆参数的经验似然检验

本文将经验似然方法运用于高斯的和非高斯的平稳时间序列的长记忆性检验.我们从常用的长记忆模型(ARFIMA)出发,建立了记忆参数的经验似然比检验统计量.从理论上证明了所给的经验似然比渐近服从卡方分布,通过数值模拟和实例分析验证了所给的检验方法对于平稳的ARFIMA模型的长记忆参数检验的有效性.     

基于股市高频数据的半参数估计方法

针对非参数方法研究国内股市长记忆性时结论参差不齐的现状,本文研究了更为稳健的半参数估计方法,即局部W h ittle(LW)估计和对数周期图(LP)回归。通过对不同频率高频数据的分析,证实了LW估计方法尽管需要数值最优化,但仍然要优于LP回归。进而将LW估计首次应用于中国股市,结果表明不同频率绝对收益序列的长记忆强度基本一致;同时发现,重大突发事件发生时的长记忆性表现得最为强烈,且事件后比事件前表现的要强烈,这说明股票市场的溢出效应在事件后增强,此项结论对我国证券市场有一定的借鉴意义。     

长记忆模型的Bayes估计及其在汇率波动中的应用

本文介绍了长记忆模型及其检验方法,根据Bayes原理,提出了记忆参数的一种新的估计方法.在运用Teverovsky/Taqqu(1997)年提出的一种基于样本方差的直观方法的初步检验基础上,运用新的检验方法,以美元对人民币汇率为研究对象,说明了我国汇率波动的长记忆性.然后,将经典的GPH-估计与新方法所得出的Bayes-估计相比较,可以看出这种新的估计方法较之经典的GPH-估计要稳定.     

高频金融数据的标度分析

高频金融数据通常具有尖峰厚尾的非正态特征，常用稳定分布来拟合。本文采用稳定分布的性质对高频上证指数收益率的分布作了标度分析，求得特征指数为1．48，说明我们在分析证券指数分布时可以用稳定分布，而非正态分布。     

高频数据交易量久期与价格变化的动态行为研究

本文基于Log-ACD模型和一类非参数模型,研究了股票价格持续上升时期和价格持续下降时期,交易量久期与价格变化的动态关系。研究表明在不同的市场格局下,价格变化对交易量的影响会有显著区别。另一方面我们发现阈值的选取会影响交易量久期的统计性质,阈值变大时交易量久期的长记忆性会变弱。本文在理论上也有所创新,采用了本文前两位作者提出的新的方法估计Log-ACD模型的参数,该方法在误差服从厚尾分布时具有良好的统计性质。利用新的估计构造了Wald检验统计量,检验价格变化的方向对预期交易量久期是否有显著影响。     

Time-Varying Long Memory Parameter Estimation Based on Wavelets

Stationary long memory process has beenwidely studied in the literature. In this article, we considered thelocally stationary long memory process with time-varying memoryparameter. A new wavelet-based algorithm was developed usinglog-linear relationship between the wavelet coefficient variance andthe scaling parameter. The consistency and the finite samplebehavior of the estimator have also been studied, which provide agood reference for the practitioner and researchers. The newalgorithm has also been applied to the YEN/USD exchange rate series,which leads to some interesting results.     

高频金融时间序列的模型化研究进展回顾

从高频和超高频金融数据的基本统计特征出发,回顾了(超)高频金融时间序列模型化研究的发展历程及相关特征,并详细介绍了高频数据模型研究中针对久期序列建立ACD模型族的研究与进展.对ACD模型族,介绍了两种主要类型:强ACD模型和弱ACD模型.最后展望了高频金融时间序列中ACD模型的研究.     

高频金融时序的密度函数肥尾度量

本文在分析高频金融时序的基本特征的基础上,应用极值理论和相关性质估计和检验了肥尾指数。     

LLN for Quadratic Forms of Long Memory Time Series and Its Applications in Random Matrix Theory

We obtain a weak law of large numbers for quadratic forms of a stationary regular time series, imposing no rate of convergence to zero of its covariance function. We show how this law can be applied in proving universality properties of limiting spectral distributions of sample covariance matrices. In particular, we give another derivation of a recent result of Merlevède and Peligrad, who studied sample covariance matrices generated by IID samples of long memory time series.     

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.     

时间序列中参数变点的检测(英文)

The paper considers the problem of testing for a change point in the parameters of AR（p） models.It is shown that the asymptotically limiting distribution of the residual CUSUM of squares test（RCUSQ） is still the sup of a standard Brownian bridge under null hypothesis.We also show via simulations that our asymptotic results provide good approximations in finite samples.     

The Application of Kernel Smoothing to Time Series Data

There are already a lot of models to fit a set of stationary time series, such as AR, MA, and ARMA models. For the non-stationary data, an ARIMA or seasonal ARIMA models can be used to fit the given data. Moreover, there are also many statistical softwares that can be used to build a stationary or non-stationary time series model for a given set of time series data, such as SAS, SPLUS, etc. However, some statistical softwares wouldn＇t work well for small samples with or without missing data, especially for small time series data with seasonal trend. A nonparametric smoothing technique to build a forecasting model for a given small seasonal time series data is carried out in this paper. And then, both the method provided in this paper and that in SAS package are applied to the modeling of international airline passengers data respectively, the comparisons between the two methods are done afterwards. The results of the comparison show us the method provided in this paper has superiority over SAS＇s method.