金融时间序列的长记忆特性及预测研究

发布时间：2020-06-27 08:21

【摘要】： 金融系统是现代经济的核心,其复杂性和波动性广泛存在于各国经济体制以及社会发展的各个阶段之中。我国于2001年底加入世界贸易组织,自此我国经济对外开放的步伐逐步扩大,而我国的金融业也于加入WTO五年后全面开放。这既为我们带来了发展机遇,同时也必然面临前所未有的挑战,中国的金融业在影响世界的同时,更多的则是不得不面对来自国际金融市场波动的影响。如何在金融市场国际化进程中抢占先机、采取积极有效的措施应对资本市场的波动成为我国发展金融市场的当务之急。为了能准确刻画金融时间序列的特征,就必须建立符合其特征的预测模型,而时间序列的记忆性则是建模的关键因素之一。对金融资产价格的记忆性进行研究是对其本质特征的研究,不但可以为监管层的政策制定和宏观调控提供可靠依据,还能够为机构和个人投资者提供实践指导。根据金融资产价格的特点进行投资决策,兼顾考虑市场的长、短期相关性的影响,才能抓住市场的本质,及时调整投资组合、规避风险。 基于此,本文的主要创新点如下: 1、同时运用R/S法、修正R/S法和V/S法对金融时间序列进行长记忆性分析。从时间和事件的角度对金融时间序列的长记忆性的影响进行了实证研究,结果表明不同的时间段和时间的选取会得到不同的检验结果。并对V/S分析法的短期敏感度进行了实证分析。 2、以传统GM模型和ARMA模型为基础,利用IGM(1,1)模型来估计由ARFIMA(p,d,q)模型得到的模拟序列和真实值之间的偏差,提出了用来刻画长记忆金融时间序列的均值方程IGM-ARFIMA模型。通过对金融时序数据的预测研究表明改进后模型的预测效果优于原预测模型。 3、以GM-GARCH模型为基础,针对长记忆性金融时间序列的波动率预测,利用IGM(1,1)模型对FIGARCH模型中的随机误差项加以修正,建立IGM-FIGARCH模型,即利用IGM(1,1)模型对FIGARCH模型中的随机误差项进行预测,然后将预测值加入到FIGARCH模型中,以修正不确定性因素产生的影响。实证研究表明IGM-FIGARCH模型优于GM-GARCH模型。 4、对基本反馈型Elman网络进行改进,将其与相空间重构技术相结合,构建反馈型混沌神经网络,并对股票指数进行实证研究。结果表明多变量混沌神经网络的预测效果优于单变量混沌神经网络。
【学位授予单位】：天津大学
【学位级别】：博士
【学位授予年份】：2009
【分类号】：F224;F830
【图文】：

如图5-5 所示。然后根据文献[147]的方法，计算出用于重构多变量金融时间序列的嵌入维数为 =7,7,8im 。相关博士学位论文 2011年 第01期 经济与管理科学辑 J145-12-90

第五章 基于神经网络和相空间重构的长记忆金融时序预测0 200 400 600 800 1000 120010-410-310-210-11001344 EpochsrTiaingn-BleuGaol-BlackPerformance is 0.00099967, Goal is 0.001(a)王文静：金融时间序列的长记忆特性及预测研究

【相似文献】

相关期刊论文 前10条

1 胡彦梅;张卫国;陈建忠;;中国股市长记忆的修正R/S分析[J];数理统计与管理;2006年01期

2 田华;;基于LW估计的中国证券市场长记忆性实证研究[J];北京理工大学学报(社会科学版);2007年03期

3 高静;张世英;;高频时间序列基于小波分析的预测[J];统计与决策;2006年17期

4 赵巍;;基于分整特性视角的我国股市长记忆性识别[J];统计教育;2009年08期

5 郭名媛;张世英;;赋权已实现波动及其长记忆性,最优频率选择[J];系统工程学报;2006年06期

6 徐正国;张世英;;多维高频数据的“已实现”波动建模研究[J];系统工程学报;2006年01期

7 赵巍;何建敏;;基于LMSV模型的半参数方法对股市波动长记忆特征的识别[J];数理统计与管理;2011年02期

8 徐正国,张世英;高频时间序列的改进“已实现”波动特性与建模[J];系统工程学报;2005年04期

9 赵骞;;中国期铜市场风险预测能力的长记忆性研究[J];市场周刊(理论研究);2007年10期

10 郝清民;杨军;;深沪股市收益序列伪长记忆性分析[J];管理学报;2010年07期

相关会议论文 前10条

1 许友传;;金融时间序列R/S长记忆性检验的有效性[A];第十二届中国管理科学学术年会论文集[C];2010年

2 张硕;惠晓峰;;金融时间序列的确定性成分与随机成分的分离[A];第十三届中国管理科学学术年会论文集[C];2011年

3 卢山;王海燕;;金融时间序列局部预测算法的优化[A];2005中国控制与决策学术年会论文集（下）[C];2005年

4 陈志航;程乾生;;基于隐马尔科夫模型的组合预测方法[A];第九届全国信号处理学术年会（CCSP-99）论文集[C];1999年

5 李锬;齐中英;雷莹;;有限理性、异质信念与商品期货价格波动[A];第九届中国管理科学学术年会论文集[C];2007年

6 夏南新;;中国黑市汇率长记忆性的ARFIMA-FIGARCH模型研究[A];中国社会科学院第三届中国经济论坛论文集（下）[C];2007年

7 宋鹏燕;刘琼荪;;基于幂律型分布的动态VaR模型及实证研究[A];第十届中国管理科学学术年会论文集[C];2008年

8 马铁丰;;线性回归方法进行时间序列异常值检验及证券投资风险研究[A];加入WTO和中国科技与可持续发展——挑战与机遇、责任和对策（上册）[C];2002年

9 夏天;程细玉;;金融市场波动性预测的CARR类模型与GARCH类模型比较研究[A];科学发展观与系统工程——中国系统工程学会第十四届学术年会论文集[C];2006年

10 程砚秋;杨德权;;基于决策树和支持向量机的金融预测方法[A];中国企业运筹学学术交流大会论文集[C];2007年

相关重要报纸文章 前5条

1 裴勇;诺贝尔奖得主恩格尔自回归条件异方差模型在期货研究中的应用(1)[N];期货日报;2004年

2 方正期货研究所 颜涵;分形市场理论在商品期货市场的应用[N];期货日报;2011年

3 大华期货 赵晓霞;我国期货市场豆类最佳套保比的实证研究[N];期货日报;2008年

4 格林期货 刘光素 陈亮;股指期货套期保值策略研究[N];期货日报;2010年

5 本报记者 董科;向现货产业学习 向现货产业拓展[N];期货日报;2009年

相关博士学位论文 前10条

1 王文静;金融时间序列的长记忆特性及预测研究[D];天津大学;2009年

2 苏木亚;谱聚类方法研究及其在金融时间序列数据挖掘中的应用[D];大连理工大学;2011年

3 张晓伟;水文动力系统自记忆特性及其应用研究[D];西安理工大学;2009年

4 汤凌冰;基于支持向量机的金融时间序列回归分析[D];上海交通大学;2010年

5 肖炜麟;具有长记忆性的权证定价方法研究[D];华南理工大学;2010年

6 卢山;基于非线性动力学的金融时间序列预测技术研究[D];东南大学;2006年

7 徐立霞;一类时间序列的频域分析及其应用[D];华中科技大学;2006年

8 李美洲;门限及分数维协整分析及其在经济中的应用[D];暨南大学;2008年

9 邓露;长记忆理论及其在金融市场建模中的应用[D];南开大学;2009年

10 燕爱玲;河川径流时间序列的分形特征研究[D];西安理工大学;2007年

相关硕士学位论文 前10条

1 周游;基于滑动平均算法对金融时间序列的研究[D];昆明理工大学;2012年

2 石纪信;基于长记忆性的中国股票市场波动行为分析[D];中国科学技术大学;2011年

3 李谦;现代优化算法在金融时间序列参数估计中的应用[D];暨南大学;2011年

4 刘晓迪;基于小波变换的金融时间序列奇异点识别模型与研究[D];昆明理工大学;2011年

5 卞悦;我国农产品期货长记忆性研究[D];广东商学院;2012年

6 赵俊;隐马尔可夫模型及其在金融时间序列中的应用研究[D];合肥工业大学;2012年

7 陈钟国;基于群体智能算法的金融时间序列预测研究[D];上海交通大学;2013年

8 周天清;基于奇异谱分析的金融时间序列自适应分解预测研究[D];华东交通大学;2012年

9 曾艳;中美股市的长记忆性及联动性研究[D];华南理工大学;2012年

10 汤R

本文编号：2731576