基于粒子滤波算法的经济周期拐点识别研究

发布时间：2020-12-15 10:29

　　经济增长的历程总是跌宕起伏并呈现出一定的周期性特征,而对经济周期波动阶段性的识别与检验问题一直是经济周期理论所关注的重要内容。目前主要有两种方法用来识别经济周期的拐点，第一种是马尔科夫机制转换模型（MSM），另外一种是平滑转换自回归模型（STAR，smooth transition autoregression）。马尔科夫机制转换模型通过转移概率来识别经济所处的状态，转换概率的精确推断需要样本时间序列数据足够长，包含多个周期基于状态的转换，对我国的经济周期研究而言,样本数据显得有些不够。本文采用序贯蒙特卡洛(SMC)方法利用中国工业总产值月度同比增长率数据和中国经济景气指数来估计潜变量马尔科夫模型(HMM)中的非对称效应，并以此来判别中国经济周期的拐点。与大多数马尔科夫机制转移模型不同的是,本文模型所采用的机制转移概率是由贝塔分布确定的时变的转移概率,其中贝塔分布中的随机部分由一外生变量所决定，这样可以避免由于样本数据不足所造成的转移概率的估计精度不够。本文通过粒子滤波方法和贝叶斯方法估计了模型中的参数和潜在状态变量,非常准确地识别了中国经济周期的历次拐点。 

【文章来源】：华中科技大学湖北省 211工程院校 985工程院校 教育部直属院校

【文章页数】：50 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 选题背景及选题意义
    1.2 经济周期拐点识别方法研究现状
    1.3 粒子滤波算法及研究现状
    1.4 结构安排和创新点
2 粒子滤波算法的基本原理
    2.1 基本模型假定
    2.2 Kalman 滤波
    2.3 序贯重要性抽样（SIS）方法
    2.4 一般粒子滤波算法（SISR）
    2.5 辅助粒子滤波（Auxiliary particle Filter）
    2.6 权值退化的解决方法
3 中国经济周期的拐点识别
    3.1 衡量中国经济周期的各指标
    3.2 模型设定
    3.3 模型的估计方法
    3.4 模型的估计结果与实证分析
    3.5 本章小结
4 结论与展望
致谢
参考文献


【参考文献】：
期刊论文
[1]基于STR模型的中国宏观经济周期拐点的识别与预测[J]. 余宇新,谢鸿飞.  经济理论与经济管理. 2012(06)
[2]基于动态调节粒子数目的粒子滤波改进算法[J]. 李杰,赵辉.  计算机仿真. 2011(10)
[3]基于GPU的粒子滤波并行算法[J]. 孙伟平,向杰,陈加忠,余胜生.  华中科技大学学报(自然科学版). 2011(05)
[4]基于粒子滤波的非线性系统静态参数估计方法[J]. 周芳龙,王浩,姚宏亮.  计算机应用研究. 2011(05)
[5]粒子滤波自适应部分系统重采样算法研究[J]. 刘文静,于金霞,汤永利.  计算机应用研究. 2011(03)
[6]中国短期利率的随机波动与区制转移性[J]. 郑挺国,宋涛.  管理科学学报. 2011(01)
[7]中国经济周期阶段的非线性平滑转换[J]. 王成勇,艾春荣.  经济研究. 2010(03)
[8]我国经济周期波动的非对称性和持续性研究[J]. 陈浪南,刘宏伟.  经济研究. 2007(04)
[9]利率期限结构的马尔科夫区制转移模型与实证分析[J]. 刘金全,郑挺国.  经济研究. 2006(11)
[10]实现经济周期波动在适度高位的平滑化[J]. 刘树成,张晓晶,张平.  经济研究. 2005(11)



本文编号：2918122