基于自回归条件异方差(ARCH)族模型的收益率波动性分析

自回归条件异方差(ARCH)模型广泛应用于金融市场的时间序列分析,有效刻画股市变化特征与规律.基于ARCH模型与GARCH族模型,选取2010年1月至2018年12月期间上证指数据分析了各模型下的收益率波动性,通过ARCH-LM检验得到EGARCH模型的拟合效果最好,且上证指数收益率波动明显存在非对称性.     

我国股市波动的ARCH类模型分析

股票价格的频繁波动是股票市场最明显的特征之一。ARCH类模型可以成功地预测金融资产收益率的方差。通过对我国股价指数的统计描述，表明我国金融资产收益率存在自回归条件异方差特征，并表现出非正态性。利用ARCH类模型对深圳成份指数的波动进行拟合，结果表明，EGARCH模型对我国股市波动具有较好的拟合效果。     

VaR方法在开放式基金风险评估中的运用—基于PARCH模型的分析

中国开放式基金的收益率序列呈现左偏、尖峰厚尾、波动聚集的特性,利用ARCH(自回归条件异方差)模型进行拟合能够更好地刻画其分布特征。通过对拟合效果的比较,发现PARCH(Power ARCH)模型对基金日收益率序列的拟合效果最好。在此基础上,建立PARCH-VaR模型,用以评估中国开放式基金的风险。在残差服从正态分布t、分布及广义误差分布的三种假设下,基于广义误差分布的PARCH模型计算的VaR值最能够客观地反映中国开放式证券投资基金的风险。     

GARCH模型的相依性

验证广义自回归条件异方差(GARCH)过程中的绝对值序列和平方序列都是两两PQD序列,讨论了GARCH(1.1) 模型的两两正相依性,研究了关于GARCH序列部分和的不等式。这些性质和GARCH过程的条件异方差性是一致的,同时也说明用GARCH模型来描述金融时间序列的波动聚类现象是合理的。     

带随机延滞的门限ARCH模型的稳定性

引入了带随机延滞的门限自回归条件异方差模型,讨论了这个模型的极限行为,并给出了该模型以几何速率收敛的充分条件.该模型将固定延滞的衍生的门限自回归条件异方差模型推广为延滞受到一个有限状态马氏链控制的衍生的门限自回归条件异方差模型,能更好的拟合现实世界中的诸多实际问题.同时,推广了自回归条件异方差模型,增强了模型的适应性,能够更好的拟合金融市场中价格行为波动的现象.     

国内专利申请受理情况时间序列的GARCH模型及预测

建立了国内专利申请受理情况时间序列的多种自回归模型、多种条件异方差模型．比较各个模型检验参数及预测精度,确定国内专利申请受理情况时间序列的GARCH（1,1）模型为优化模型,预测2008年国内专利申请受理情况时间序列将继续保持上升趋势,受理量预测值为723913件,预测相对误差不大于1．1％．     

随机环境下非线性时间序列模型的渐近行为

推广了广泛用于金融经济领域的自回归条件异方差模型,提出了随机环境下的幂变换门限自回归条件异方差模型.新模型通过引入有限状态马氏链,增加了环境突变对模型的影响,使得模型具有了更为广泛的适应性.同时,得出了随机环境下的幂变换门限自回归条件异方差模型以几何速率收敛的充分条件.     

基于分位数回归模型的沪深股市风险测量研究

探讨了分位数回归理论相对于传统最小二乘回归模型在金融时间序列建模和风险测量方面的应用特点,分别采用滞后收益率、星期虚拟变量、滞后收益率的均值和方差作为解释变量的条件分位数回归模型,对1996-2004年期间中国沪深股市的在险价值（VaR）进行动态估计,实证研究了沪深市场存在的“VaR星期效应”行为,发现周内各日的VaR水平呈现显著的非均一性,且VaR后验测试结果优于不对称自回归条件异方差模型．结果表明：分位数回归模型适用于金融时间序列厚尾数据在高置信水平下的VaR估计,是一个有效的半参数风险测量方法和认识市场风险变化模式的途径．     

动态VaR估计模型及实证

为了准确描述金融收益率序列的波动率聚集,异方差、厚尾等特性,研究我国证券市场的时变风险,本文利用极值理论和GARCH模型在处理金融数据上的优点,构造了基于GARCH-EVT的条件VaR模型,并对沪市综合指数收益率进行实证研究,结果表明,上海股市存在ARCH效应,收益率序列具有较强的自相关性;以GARCH模型为基础的条件极值方法比GARCH-正态和GARCH-t模型更好地消除了厚尾性对估计结果的影响,能更准确地捕捉风险的时变特性.     

中国能源消费的时间序列分析

对1978—2010年中国能源消费总量进行时间序列分析,采用时序分析的ARIMA模型和Autoregressive模型对其拟合建模,并对这两类模型的拟合效果和预测效果进行了比较。模型的残差检验和参数显著性检验结果表明模型是适用的,同时表明中国能源消费总量存在短期自相关性,并在短期内还将保持较快的增长速度。     

基于时间序列模型与灰色模型的组合预测模型的研究

为了能有效地提高预测模型的精度,提出了组合预测模型。本文首先利用ARIMA模型对时间序列数据进行模型的识别和拟合,然后由比较可知优化后的GM（1,1）模型拟合和预测效果好于GM（1,1）模型,最后通过赋予合理权重结合ARIMA模型和优化后的GM（1,1）模型两种方法得到ARIMA-GM的组合预测模型。预测结果表明：组合模型的预测准确性高于各个模型单独使用时的准确性,组合模型发挥了各个单一模型的优势。     

混合周期自回归滑动平均时间序列的平稳性条件

为了描述周期时间序列中的偏倚和多峰现象,结合有限混合模型方法,将周期自回归滑动平均（Periodical Autoregression Moving Average——PARMA）模型推广,提出混合周期自回归滑动平均时间序列（MPARMA）模型,并讨论了MPARMA序列的一阶和二阶平稳性条件。     

基于小波的GARCH模型及其在汇率中的应用

将GARCH模型和小波多分辨分析相结合,通过小波Mallat算法把RMB／HKD汇率一阶差分数据分解为若干层时间序列,然后用GARCH模型对每层的单支重构信号进行预测,综合每层的预测值得到原时间序列的预测值．实证研究表明：结合小波后的预测效果要优于传统的预测模型;且RMB／HKD汇率没有明显的杠杆效应．     

厌氧反应器停留时间分布测定及流动模型研究

应用脉冲输入法对厌氧反应器进行了冷模试验，测定了电导率随时间的变化关系，建立了一个PFR串联两个并联的CSTR的三参数流动模型，依据实验数据计算了模型参数，获得了E（t）-t方程，并与实验值进行了比较，证明两者具有较好的拟合度。     

基于遗传算法的ARMA模型参数估算方法及应用

针对时间序列分析与预测中最为常见的ARMA模型的参数估测问题，在传统方法的基础上，提出了首先采用长自回归模型计算残差法拟和模型初值，然后通过分布确定参数的取值范围，最后采用遗传算法计算ARMA模型更为精确的参数值的方法．通过计算实例可以看出，采用遗传算法估测ARMA模型参数是有效可行的，同时也为ARMA模型的参数估测提供了新思路．     

随机利率下定期寿险趸交纯保费模型

定期寿险是人寿保险体系的重要组成部分,其合理的定价受到越来越多的关注。本文依据时间序列理论,基于信息力序列条件异方差的ARMA（p,q）-GARCH（r,s）模型,针对固定保险金额的定期寿险,建立了随机利率下的定期寿险趸交纯保费的数学模型,并通过实例分析说明该模型的合理性。     

基于EGARCH模型对中国黄金市场的实证研究

应用向量白回归EGARCH模型,对中国黄金市场与外汇市场问的收益与波动溢出效应进行经验分析。研究显示：美元兑人民币汇率和中国黄金不存在收益溢出效应,欧元兑人民币汇率对黄金存在负向溢出效应;危机期间市场之间新息冲击的“杠杆效应”减弱,对黄金走势持乐观态度,但波动性比较大。     

基于灰色神经网络模型的径流模拟与应用

通过对实测年径流系列进行相关影响因子的灰关联度分析,建立了GM(1,N)模型,利用BP神经网络模型对残差值进行拟合修正,构建了一个基于GM(1,N)的灰色神经网络预测模型.结合实例的计算结果表明,该模型可提高年径流模拟精度.