本研究基于对数周期幂律模型LPPL(Log Periodic Power Law Model),针对金融时间序列将一维价格波动翻译成反映市场泡沫微观结构的多维变量。通过对多维变量的动态监测,把握市场中泡沫的演变并预测泡沫破裂的临界点,从而有效降低或防范...
详细信息
本研究基于对数周期幂律模型LPPL(Log Periodic Power Law Model),针对金融时间序列将一维价格波动翻译成反映市场泡沫微观结构的多维变量。通过对多维变量的动态监测,把握市场中泡沫的演变并预测泡沫破裂的临界点,从而有效降低或防范金融资产泡沫破裂所导致的风险。为检验LPPL模型在中国金融市场中的适用性,本文分别使用上证综指、四个期货连续合约以及两支个股检验模型效果。实证结果表明当金融资产价格序列呈现超指数加速震荡上升或下降时,该模型能获得稳定的估计效果,有效预测泡沫破裂临界时点。
本文在α-混合序列假设下,基于半参数变系数模型研究条件期望分位数风险价值(expectile-based value at risk,EVaR)的风险度量.此模型不仅考虑了风险因素的影响,还可以动态描述风险影响及交互效应.同时,EVaR比经典的风险在险价值(quanti...
详细信息
本文在α-混合序列假设下,基于半参数变系数模型研究条件期望分位数风险价值(expectile-based value at risk,EVaR)的风险度量.此模型不仅考虑了风险因素的影响,还可以动态描述风险影响及交互效应.同时,EVaR比经典的风险在险价值(quantile-based value at risk,QVaR)具有更直观、更易于计算的良好性质,而且对于资产分布的尾部损失更加敏感,在度量极端风险情形下,相对于QVaR更为有效和方便.本文采用三阶段估计的方法,分别对变系数部分和常系数部分的参数进行估计,并且给出3个阶段中每个估计的相合性和渐近正态性.为了节省计算时间,提高计算效率,本文采用一步估计的算法,减少迭代所需的时间.由于时间序列样本是非独立样本,建立这些统计量的大样本性质时带来了更大的困难.有别于独立同分布的观察数据,本文利用大小块分割方法发展α-混合序列的极限理论,获得了基于金融时间序列数据建立的模型参数和非参数估计的统计渐近性质.在数值模拟中,本文给出3个模型假设下变系数曲线估计和常系数估计的结果,无论是估计的精确度还是估计的稳健性,模拟结果都表明本文所提出的估计方法有优良的性质.实例则展示了本文所提出模型在上证指数的实际应用.
在黄金期货价格预测问题的研究中,价格具有时变性、非线性、高噪声和影响因子复杂等因素,决定了其被准确预测的难度。传统方法对黄金期货价格的预测主要借助于静态模型,导致预测精度不高或分析不足。为了能动态而准确的预测黄金期货价格,本文从技术行情指标、行业方面的影响因素及宏观经济环境指标三个维度选取39个变量,以机器学习(machine learning;ML)方法构建基本融合素材,利用动态模型平均(dynamic model averaging,DMA)方法代替传统模型融合技巧,得到黄金期货价格预测模型。实证结果表明,采用机器学习-动态模型平均策略能够明显提高黄金期货价格的预测精度。
暂无评论