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。     

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LMSV模型的半参数方法对股市波动长记忆特征的识别

在金融时间序列波动具有显著的长记忆性这一背景之下,研究了LMSV模型长记忆参数的估计问题。首先,分析了LMSV模型的相关性质;接着,根据LMSV模型和ARFIMA模型的良好对应关系,提出了估计LMSV模型长记忆参数的半参数方法;最后,基于股市数据,验证了波动半参数方法的有效性。     

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     

广义指数比例风险模型下区间删失数据的贝叶斯估计

本文研究了失效时间服从广义指数分布,且风险率函数为比例风险模型时,II型区间删失数据的贝叶斯估计。假定参数的先验分布为无信息先验,建立贝叶斯层次模型从而得到后验密度函数。通过MH算法得到参数估计值,数值模拟结果验证了所提方法的有效性。最后将所提方法应用到乳腺癌患者和血友病患者这两个实际数据中进行分析。     

厚尾随机波动率模型的贝叶斯参数估计及实证研究

针对现有时间序列模型难以刻画参数渐变性的问题,对厚尾随机波动(SV)模型的参数估计方法进行了推广,采用基于贝叶斯的MCMC方法,选取2013年5月~2016年6月这一经历多轮震荡的上证指数作为实证分析对象,构造了基于Gibbs抽样的MCMC过程进行仿真分析.结果显示,以卡方分布作为厚尾参数的先验分布能够有效地描述数据波动的厚尾特征,并且能得到较高精度的参数估计结果.结果表明,厚尾SV模型能有效反映出我国股市尖峰厚尾和波动长期记忆性的特征.     

基于Gibbs抽样方法ARFIMA-GARCH模型的贝叶斯估计

近年来,ARMA、GARCH模型的研究一直是金融统计方向研究的热点。但是少有人研究ARFIMA-GARCH模型。因此本文提出ARFuNA(p,d,q)-GARcH(r,s)模型,该模型对r=O,s=O时退化为ARMA类模型,对p=O,q=O,d=O时就退化为GARCH模型,它囊括了时间序列的各种情形的。由于理论和实证表明对各种ARMA、GARCH类模型基于常用分布的似然函数得到的模型估计精度不高,故本文提出了基于贝叶斯方估计的MCMC方法来估计模型参数。这样就充分利用了样本信息和模型参数先验信息,因而具有更小的方差,能得到更精确的估计结果。最后本文以上证综合指数五分钟数据来进行仿真分析,建立了基于MCMC模拟方法的贝叶斯估计的ARFIMA(p,d,q)-GARCH(r,s)模型。数据分析中采用典型的Gibs抽样,基于MCMC模拟1500次,舍弃前100次,得到ARFIMA(1,d,1).GARCH(1,1)各参数的贝叶斯估计,并与传统EVIEWS估计得到的参数相比,发现贝叶斯估计更精确。     

具有稳定分布噪声的多重季节模型的贝叶斯分析

本文研究了具有稳定分布噪声的多重季节时间序列模型的建模及应用.稳定分布能够描述诸如方差无限、厚尾、有偏等非正态特征,但该类分布通常没有解析的密度函数,且参数的后验分布比较复杂.本文采用基于抽样的MCMC方法和切片抽样法估计模型参数,将多重季节模型的回归参数和稳定分布中的参数一起估计.通过模拟分析,说明了稳定分布的一些统计性质和文中建模方法的有效性.将模型应用于一个具有季节性和厚尾特征的实际数据集,演示了该类模型的应用价值.     

幂变换门限GARCH模型变点问题的贝叶斯分析

用贝叶斯方法对幂变换门限GARCH (PTTGARCH)模型变点问题进行统计分析.构造了变点模型参数的满条件分布并且采用MCMC的Griddy-Gibbs抽样算法对参数进行了估计.分别就不同的变点位置、模型不存在变点以及模型接近非平稳的情况进行数值模拟.结果表明:变点处于序列中间位置时,估计效果较好,当变点位置越靠近序列两端时,所得估计的误差越大;当模型不存在变点时,所设变点位置τ后验分布的峰度接近均匀分布的峰度;当模型存在变点时,τ后验分布的峰度大于2,且模型越平稳,τ的后验分布的峰度越大,因此可以通过判断τ的后验分布的峰度来判断模型是否存在变点.最后以GARCH模型对上证指数日收益率进行分析,得到变点发生时刻的概率分布,该结果与市场的变化背景符合.     

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。     

基于分数阶差分的ARFIMA模型及预测效果研究

采用MRS分析法对香港恒生指数周数据序列的长期记忆性进行研究,并建立ARFIMA模型,推导了分数阶差分的计算过程。对分数阶差分的ARFIMA模型与一阶差分的ARFIMA模型进行了比较,发现应进行分数阶差分的序列,简化成一阶差分后,就有可能丢失许多有价值的信息,导致建模误差增大。进一步使用ARFIMA模型预测公式进行预测,结果显示ARFIMA模型预测效果不理想。在对香港恒生指数周数据进行预测时,ARFIMA模型几乎是失效的,并从两个不同的角度论证了这一结果出现的必然性。     

我国股市收益的双长记忆性检验——基于VaR估计的ARFIMA-HYGARcH-skt模型

针对股市收益分布的"尖峰肥尾"特征,引入了偏t分布作为新息分布。基于VaR方法,从风险估计的角度,利用ARFIMA(2,d_1,0)-HYGARCH(1,d_2,1)-skt模型对1996年12月17日至2007年7月5日期间的沪深股市收益进行了实证分析.实证结果显示:沪深股市具有显著的双长记忆特征;上海股市的日收益率和波动率的长记忆性均比深圳股市强;ARFIMA(2,d_1,0)- HYGARCH(1,d_2,1)-skt模型对我国股市收益具有较强的风险估计和预测能力。     

上证指数收益率的长期记忆性

本文介绍了利用谱回归对分数积分移动平均自回归 (ARFIMA)模型的分数差分参数进行估计的方法,并据此方法对上证指数收益率的长期记忆性进行了检验,根据分段检验的结果,得出一些有关我国证券市场有效性的结论。     

Bootstrap techniques in semiparametric estimation methods for ARFIMA models: A comparison study

Summary  This paper considers different bootstrap procedures for investigating the estimation of the fractional parameter d in a particular case of long memory processes, i.e. for ARFIMA models withd in (0.0, 0.5). We propose two bootstrap techniques to deal with semiparametric estimation methods of d. One approach consists of the local bootstrap method for time frequency initially suggested for the ARMA case by Paparoditis and Politis (1999), and the other consists of the bootstrapping in the residuals of the frequency-domain regression equation. Through Monte Carlo simulation, these alternative bootstrap methods are compared, based on the mean and the mean square error of the estimators, with the well-known parametric and nonparametric bootstrap techniques for time series models.     

Convex combinations of long memory estimates from different sampling rates

This paper investigates convex combinations of long memory estimates from both the original and sub-sampled data. Sub-sampling is carried out by decreasing the sampling rate, which leaves the long memory parameter unchanged. Any convex combination of these sub-sample estimates requires a preliminary correction for the bias observed at lower sampling rates, reported by Souza and Smith (2002). Through Monte Carlo simulations, we investigate the bias and the standard deviation of the combined estimates, as well as the root mean squared error (RMSE). Combining estimates can significantly lower the RMSE of a standard estimator (by about 30% on average for ARFIMA (0, d, 0) series), at the cost of inducing some bias.     

Market calibration under a long memory stochastic volatility model

In this article, we study a long memory stochastic volatility model (LSV), under which stock prices follow a jump-diffusion stochastic process and its stochastic volatility is driven by a continuous-time fractional process that attains a long memory. LSV model should take into account most of the observed market aspects and unlike many other approaches, the volatility clustering phenomenon is captured explicitly by the long memory parameter. Moreover, this property has been reported in realized volatility time-series across different asset classes and time periods. In the first part of the article, we derive an alternative formula for pricing European securities. The formula enables us to effectively price European options and to calibrate the model to a given option market. In the second part of the article, we provide an empirical review of the model calibration. For this purpose, a set of traded FTSE 100 index call options is used and the long memory volatility model is compared to a popular pricing approach – the Heston model. To test stability of calibrated parameters and to verify calibration results from previous data set, we utilize multiple data sets from NYSE option market on Apple Inc. stock.     

股价指数的记忆性特征

本文通过ARFIMA模型(分整自回归滑动平均模型)分析了上证日指数、周指数、月指数序列的记忆性特征,说明股票价格日指数具有长记忆性、周指数具有中等记忆性、月指数具有短期记忆性,这一结论说明了中国股票市场是非有效的,其本身隐含一定的政策含义。     

Inducing normality from non‐Gaussian long memory time series and its application to stock return data

Motivated by Lee and Ko (Appl. Stochastic Models. Bus. Ind. 2007; 23 :493–502) but not limited to the study, this paper proposes a wavelet‐based Bayesian power transformation procedure through the well‐known Box–Cox transformation to induce normality from non‐Gaussian long memory processes. We consider power transformations of non‐Gaussian long memory time series under the assumption of an unknown transformation parameter, a situation that arises commonly in practice, while most research has been devoted to non‐linear transformations of Gaussian long memory time series with known transformation parameter. Specially, this study is mainly focused on the simultaneous estimation of the transformation parameter and long memory parameter. To this end, posterior estimations via Markov chain Monte Carlo methods are performed in the wavelet domain. Performances are assessed on a simulation study and a German stock return data set. Copyright © 2009 John Wiley & Sons, Ltd.