基于高维状态空间方法构建金融市场网络模型

针对金融市场的核心变量--收益率和波动率，基于高维状态空间模型，利用EM和稀疏算法，分别建立了金融产品之间的收益率网络和波动率网络。前者刻画了金融产品收益之间的相互关系，后者刻画了金融产品风险之间的关系。相对于已有模型，上述模型可有效处理高维时间序列数据。对深圳、上海、香港和纽约市场的股票交易数据分析，找出了相应网络结构特征。以上市场的数据分析结果表明，相对于波动率网络，收益率网络具有更高的度数中心势，把这种现象归因于政策等因素对收益率的影响更为直接和简单，而对波动率的影响则是间接和复杂的。上述研究结果也为构建多变量波动率模型提供参考。     

基于分数阶导数的经济波动模型的稳定性研究

分析了含有分数阶导数的经济波动模型,其中分数阶导数描述了经济变量的长记忆性质.将随机动力系统的概念引入到了经济波动模型以理解经济波动的本质特征.主要研究了经济波动问题中的平衡状态的稳定性以及经济波动的波动幅度问题.首先,我们研究了经济变量的记忆性质对经济波动的稳定性和波动幅度的影响.结果表明,经济变量的长记忆性延长了经济系统到达平衡状态的时间,这对宏观经济调控提供了一个新的视角和观点.其次,我们研究了分数阶导数如何影响和改变经济波动的波动幅度.结果显示相比于经典模型,经济变量的时间记忆特性会产生不同的令人惊奇的现象.     

股票市场的高维动态因子模型及其实证分析

收益率和波动率是金融市场最重要的变量，为研究对其产生影响的因素，建立了收益率和波动率动态因子模型，并引入带惩罚的EM算法得到高维动态因子模型的稀疏参数估计。将此模型应用到沪深交所股票数据中，得到了对股票收益率和波动率产生影响的公共因子及稀疏的因子载荷矩阵。根据因子载荷矩阵，发现在两个模型中都有一个共同因子对绝大多数股票影响，其他因子是对某行业股票产生影响的行业因子。结合国内相关政策和事件等因素，分析了因子波动趋势，并给出了可能的解释。另外，利用因子贡献率，从行业角度分析了共同因子和行业因子对行业股票的影响程度。     

基于多Agent传动关系的股市趋势预测

股市趋势预测是机器学习领域中一个具有挑战性的任务。由于一些因素对于股市的影响是动态且不确定的,导致股市趋势难以预测。针对已有方法在股市预测时存在的灵敏性差、适应力弱等问题,从快变量和慢变量的传动关系出发,利用Agent技术对股市中的快周期和慢周期进行联合建模,提出一种多Agent传动影响图(MATID)股市趋势预测方法。给出股市中快周期和慢周期的划分标准,并引入周期能量的概念;通过对相关趋势指标的特征融合,给出周期能量的量化计算方法;通过分析快周期和慢周期的动态作用过程,给出传动因子的表示方法;将快周期和慢周期分别对应成不同的Agent,利用多Agent影响图模型建模快周期和慢周期的传动过程;利用股市振子模型表示快Agent和慢Agent之间的传动效用,利用联合树的自动推理技术对股市趋势进行预测。在不同样本数量和不同股市趋势下进行实验,结果表明,与门控循环单元、S-LSTM和Hybrid-RNN预测方法相比,MATID方法预测精确率提升1.5%～7.0%,召回率提升5.4%～6.7%,F1值提升3.7%～6.2%,具有良好的灵敏性和适应力。     

基于GARCH-V模型的处置效应研究

为了考察作为投资者决策非理性因素的处置效应与股价波动之间的关系,引入用来检验处置效应是否存在的资本盈利突出量(Capital gains overhang).首先,在GARCH-V模型的基础上,引入用来检验处置效应是否存在的资本盈利突出量,并构建GARCH-V-G模型;然后,对成熟市场与新兴市场这两个不同类型市场上投资者在投资决策过程中存在的处置效应与股票价格波动之间的关系进行实证研究和比较,发现资本盈利突出量与股票市场的波动负相关,对股市波动的持续性具有一定的解释能力,并且新兴市场上投资者表现出的处置效应无论是对波动持续性的解释能力还是对波动的影响程度都比成熟市场要强;最后,根据赤池信息准则(AIC)发现,所构建的基于处置效应的GARCH-V-G模型比GARCH-V模型的拟合效果更好.     

基于概率指数模型的区域滑坡危险性评价

影响滑坡的因子很多,区域滑坡危险性因子的确定是治理滑坡的关键。以马来西亚金马仑高原作为研究区,选取岩性、地形、地貌、道路、土地利用等环境因子,在GIS平台上运用双变量统计方法,分析了滑坡与各环境因子之间的关系,根据滑坡面积密度建立了概率指数评价模型,进行了研究区滑坡危险性评价,结果表明,此模型具有较好的评价精度。     

互联网金融信息量与收益率波动关联研究

基于金融信息采集系统所采集的互联网金融信息流时间序列，对股市收益率进行了分析与检验，通过对比多个时间序列模型，最终构建了EGARCH—GEI）模型，将信息量与收益率两者联系起来。在此模型的基础上，完成了一个设想的实验与分析：在特定时间段向互联网中注入金融信息，金融市场波动情况是否会受到影响，影响程度有多大。通过编程实验得出定量分析结果：金融信息量增加时，金融市场的波动也随之增大，并当信息量增大数倍时，波动才可以摆脱随机因素，显著地受到信息量的影响。最后指出用互联网金融信息量分析股市波动的可改进之处如基于内容的分析。     

开关磁阻电动机电流控制方式仿真与研究

开关磁阻电动机可控变量较多,且变量之间彼此耦合,因此要实现电机的电流控制方式,不单要研究电流,还要研究与之相关的其他变量。该文利用Matlab／Simulink仿真软件的优点,建立了通用性强、易修改、具有模块化结构的开关磁阻电动机的动态仿真模型。利用该模型可以方便地实现电机的角度位置控制,通过大量的仿真实验,形象、直观地揭示了开关角对电流波形的影响,进而研究与验证了在电流控制方式下,电流波形与电机的转矩和转速之间的关系,同时也很好地解决了工程设计中根据电流波形这个可测量来设计最优开关角,降低电机转矩波动这一问题。     

倾向性分析用于金融市场波动率的研究

互联网金融信息对于金融市场的影响在当代已经越来越不可忽视。面对海量的信息,其中大部分为非结构化的文本数据,该论文结合目前已有的文本倾向性算法,把信息的褒贬值作为外部变量加入到针对股价波动率建立的时间序列模型中去,对金融市场的股价波动率进行预测。实验揭示出金融市场波动率与互联网上金融新闻的相关性,并且提出了一种有效的股市预测方法。     

虚拟股市中股民的学习对股市运动的影响

该文针对复杂系统难于模拟研究的问题，基于多主体理论建立了股市的计算机仿真系统，并用这个仿真系统，探讨了股民的学习行为与股市运动规律之间的关系，对新股民在不同学习阶段的行为变化、股民学习速度对股市行为的影响、股民资本分布的演变等问题进行了模拟研究。     

基于改进遗传算法和图神经网络的股市波动预测方法

针对支持向量机（SVM）、长短期记忆（LSTM）网络等智能算法在股市波动预测过程中股票评价特征选择困难及时序关系维度特征缺失的问题,为能够准确预测股票波动、有效防范金融市场风险,提出了一种基于改进遗传算法（IGA）和图神经网络（GNN）的股市波动预测方法——IGA-GNN。首先,利用相邻交易日间的时序关系构建股市交易指标图数据;其次,通过评价指标特性优化交叉、变异概率来改进遗传算法（GA）,从而实现节点特征选择;然后,建立图数据的边与节点特征的权重矩阵;最后,运用GNN进行图数据节点的聚合与分类,实现了股市波动预测。在实验阶段,所研究的股票总评价指标数为130个,其中IGA在GNN方法下提取的有效评价指标87个,使指标数量降低了33.08%。应用所提IGA在智能算法中进行特征提取,得到的算法与未进行特征提取的智能算法相比,预测准确率整体提升了7.38个百分点;而与应用传统GA进行智能算法的特征提取相比,应用所提IGA进行智能算法的特征提取的总训练时间缩短了17.97%。其中,IGA-GNN方法的预测准确率最高,相较未进行特征提取的GNN方法的预测准确率整体提高了19.62个百分点;而该方法与用传统GA进行特征提取的GNN方法相比,训练时间平均缩短了15.97%。实验结果表明,所提方法可对股票特征进行有效提取,预测效果较好。     

基于多重注意力机制的图神经网络股市波动预测方法

股票市场是金融市场关键组成部分,因此对股票市场波动的研究对合理化控制金融市场风险、提高投资收益提供了重要支持,一直以来都是学术界和相关业界的关注焦点,然而,股票市场会受到各种因素的影响。面对股票市场中多源化、异构化的信息,如何高效挖掘、融合股票市场的多源异构数据具有挑战性。为了充分解释不同信息及信息间相互作用对于股票市场价格波动的影响,提出一种基于多重注意力机制的图神经网络来预测股票市场的价格波动。首先,引入关系维度构建股票市场交易数据和新闻文本的异构子图,并利用多重注意力机制实现图数据的融合;其次,通过图神经网络门控循环单元（GRU）进行图分类,在此基础上完成对股票市场中上证综合指数、沪深300指数、深证成份指数这三个重要指数波动的预测。实验结果表明,从异构信息特性角度,相较于股票市场交易数据,股市新闻信息对于股票价格影响存在滞后性;从异构信息融合角度,所提方法与支持向量机（SVM）、随机森林、多核k-means （MKKM）聚类等算法相比,预测准确率分别提升了17.88个百分点、30.00个百分点和38.00个百分点,并进行了模型交易策略的量化投资模拟。     

The impact of stock market volatility on corporate bond credit spreads

There has been a rapid increase in the number of corporate bonds issued in Australia since the middle of 1998. This increase has stimulated interest in characterising the yield curves and the factors that determine changes in these spreads. The focus of this paper is on measuring any impact of stock market volatility on spreads using two different measures. One measure is based on volatility implied from options prices while the other is derived from a conditional heteroscedastic volatility model of changes in a stock market index. It is found that the former has no significant impact on spreads but the latter is both significant and stable over time. This impact is estimated to be negative implying that an increase in volatility cause a decrease in corporate bond spreads.     

基于模糊近似支持向量回归的股价预测研究

股价预测是投资策略形成和风险管理模型发展的基础。为了降低股价变化趋势中的噪声信息和投资者关于两种股价预测误差的不同偏好对股价预测的影响,提出了基于信噪比的模糊近似支持向量回归(FPSVR)的股价预测模型。首先构建信噪比输入变量,然后引入模糊隶属度和双边权重测量方法对支持向量回归(SVR)模型进行改进,最后借助沪深300成份股2008至2019年的股票时间序列日数据,按照股市的波动情况将其分为三个阶段(牛市、熊市、震荡市),并建立三个基准模型进行对比分析。研究结果表明:与三个基准模型相比,所提出的股价预测模型的预测误差最低;与原有的SVR模型相比,FPSVR模型可以更好地对处于牛市和震荡市阶段的股票时间序列进行股价预测。     

Research on the Effects of Institutional Liquidation Strategies on the Market Based on Multi-agent Model

Based on the multi-agent model, an artificial stock market with four types of traders is constructed. On this basis, this paper focuses on comparing the effects of liquidation behavior on market liquidity, volatility, price discovery efficiency and long memory of absolute returns when the institutional trader adopts equal-order strategy, Volume Weighted Average Price (VWAP) strategy and Implementation Shortfall (IS) strategy respectively. The results show the following: (1) the artificial stock market based on multi-agent model can reproduce the stylized facts of real stock market well; (2) among these three algorithmic trading strategies, IS strategy causes the longest liquidation time and the lowest liquidation cost; (3) the liquidation behavior of institutional trader will significantly reduce market liquidity, price discovery efficiency and long memory of absolute returns, and increase market volatility; (4) in comparison, IS strategy has the least impact on market liquidity, volatility and price discovery efficiency, while VWAP strategy has the least impact on long memory of absolute returns.

     

A double-threshold GARCH model of stock market and currency shocks on stock returns

International integration of financial markets provides a channel for currency movements to affect stock prices. This paper applies a four-regime double-threshold GARCH (DTGARCH) model of stock market returns to investigate empirically the effects of daily currency movements on five stock market returns, namely in Taiwan, Singapore, South Korea, Japan and the USA. The asymmetric reactions of the mean and volatility stock returns in five markets to stock market and foreign exchange news are investigated using linear and nonlinear models. We discuss a four-regime DTGARCH model, which allows for asymmetry in both the conditional mean and conditional variance simultaneously by using two threshold variables to analyze stock market reactions to different types of information (that is, positive and negative news) that are generated from stock and foreign exchange markets. By applying the four-regime DTGARCH model, this paper finds that the interactions between the information of stock and foreign exchange markets lead to asymmetric reactions of stock returns and their associated variability. The empirical results show that international fund managers who invest in newly emerging stock markets need to evaluate the value and stability of domestic currencies as part of their stock market investment decisions.     

E-V-ALSTM模型的股价预测

针对股票价格非平稳、非线性、高复杂和随机波动等特性使其预测难度大的问题,提出一种基于E-V-ALSTM混合深度模型的股票价格预测方法。使用经验模态分解（EMD）对股票价格数据进行第一次分解,得到若干固有模态函数（IMFs）和一个残差（Res）,降低了股票价格数据的非平稳性和非线性;使用样本熵（SampEn）对这些IMFs进行复杂性评估;将复杂度高于一定阈值的IMFs使用变分模态分解（VMD）进行二次分解,以降低股票价格数据的复杂性;通过加入注意力机制的长短期记忆神经网络（LSTM）模型进行预测,捕捉关键时间点特征信息,重新赋予权重,以解决股票价格数据的随机波动性,提升预测方法的精确度。对沪深300指数和德国DAX指数等数据集上的实验结果表明,该模型比其他对比模型能进一步提高股票价格预测的准确性。     

基于EMD改进的Elman神经网络对股票的短期预测模型

Elman神经网络在短期预测股市收盘价时存在预测趋势良好但准确度较低的问题。在Elman神经网络的思想上提出以经验模态分解EMD为基础的Elman新组合模型。应用EMD将各交易日的收盘价序列分解成不同时间尺度上的本征模函数IMF分量和剩余分量,进而利用偏自相关函数PACF计算每一个分量的滞后期,以确定各分量在Elman神经网络中的输入和输出变量,从而得到各分量的预测值,相加得到最终的预测结果。与EMD单一网络、EMD-Elman模型、BP网络及EMD-BP模型进行实验对比,结果表明:该短期预测模型的预测值均方误差、平均绝对误差和平均绝对百分比误差都得到较大的改善;新组合模型可有效实现对股票收盘价的短期预测,且能降低非平稳性对预测结果的影响。该研究为进一步预测股市的走向提供了有效依据,也为投资者提供了更充分的决策参考。