金融时间序列GARCH建模现状及发展分析

ARCH类模型是当今金融时间序列波动性建模分析的最重要的工具。而随着金融时间序列研究不断深入,金融时间序列的波动性特征不断显现,最初的ARCH类模型以及无法满足金融时间序列波动性建模的需要。因此,ARCH类模型也经历了相应的发展。     

经济时间序列波动率的度量与ARCH

尽管金融经济学家很早就知道经济时间序列的波动率有簇聚效应,并且边际分布具有尖峰形态,但却一直没有建立能够反映这种特点的时间序列模型。恩格尔在20世纪80年代早期开始了波动率模型的研究,成功地突破了传统的时间序列统计分析方法,开创性地建立了随时间变化的波动率模型一自相关条件异方差(ARCH)模型,从而有力地推动了金融经济学的发展。本文介绍了ARCH模型的产生背景、模型结构及其对金融经济学的学术价值。     

时间序列模型在金融产品价格预测的效果分析

金融市场的波动率对资产定价、组合投资以及风险管理无论是在理论上还是在实践上都是非常重要的。本文选取两种不同的时间序列模型——实际波动率和GARCH模型,对不同的金融产品价格进行预测并分析比较各自的效果。     

时间序列模型在金融产品价格预测的效果分析

金融市场的波动率对资产定价、组合投资以及风险管理无论是在理论上还是在实践上都是非常重要的。本文选取两种不同的时间序列模型——实际波动率和 GARCH模型,对不同的金融产品价格进行预测并分析比较各自的效果。     

金融时间序列分析中小波方法应用研究

由于传统时域分析的狭隘性,能从时域和频域两个角度同时充分描绘信号物理特性的小波分析方法引起了众多学者的关注,小波分析应用于金融时间序列分析逐渐成为趋势。小波方法由于具有良好的去噪性与多分辨分析能力,能够出色地完成对非平稳序列的拟合、奇异点的定位等工作,被普遍应用于单个市场、多个市场的金融时间序列分析以及金融时间序列中非市场因素的探究等方向。本文基于小波方法在金融时间序列分析中的"应用"视角,对该领域的部分文献进行了评述与总结,并对其未来研究提出了展望。     

中央银行经济金融时间序列数据库系统的开发

本文以已经实现的中国人民银行经济金融时间序列数据库系统为基础，介绍中央银行如何借助计算机工具从事金融调查统计和分析预测工作，以及该系统的设计方法和主要功能。     

基于线性时间序列模型对金融数据分析——以云南白药股票数据为例

股票市场的繁荣与国民经济的活跃程度存在一致性,从宏观角度来说,股市的繁荣往往意味着一国或者一个地区的经济繁荣,从微观角度来看,股票市值的变动对上市企业乃至投资个体均是有较大影响的。因此对股票走势采用科学合理的研究方法对投资主体而言是及其必要的。本文基于云南白药上市公司股票数据,试图采用时间序列模型模型及其扩展对云南白药上市企业股票市值建立适合的时间序列模型对股票未来走势作出预测,研究结果表明,云南白药股票市值适合ARFIMA-EGARCH模型,预测误差最小,在实际分析中可作为参考。     

时间序列建模综述

时间序列广泛应用于各行业中,近年来基于时间序列的数据挖掘已形成一个新的热点,而时间序列的建模是数据挖掘前的一个重要的技术环节。目前已经提出了多种时间序列建模方法来适用于不用的应用领域,本文对这些建模方法进行了总结。     

基于GARCH模型的欧元／美元汇率的预测

本文对今年来欧元兑美元的日收盘价进行数据分析．发现欧元／美元汇率日波动不服从正态分布。而且汇率的时间序列有波动异方差性,根据近年来欧元／美元的汇率数据特征．建立欧元／美元汇率的GAR．CH（1,1）预测模型,实证分析所建模型的拟合度较高,适应做短期预测。     

基于R语言的《金融时间序列分析》课程教学改革与实践

本文将R语言引入金融时间序列分析课程的教学中,构建基于R语言的教学案例库,进行课程改革与实践,有助于学生对所学知识融会贯通,提升学生运用数理方法解决金融学实际问题的能力。     

基于灰色-ARIMA的金融时间序列智能混合预测研究

提出了一种基于灰色-ARIMA的金融时间序列智能混合预测模型。首先建立金融时间序列灰色预测模型,并采用PSO算法对灰色模型的三个参数进行优化;利用ARIMA算法对预测模型的残差进行分析,同时采用遗传算法对ARIMA的系数进行优化;最后用ARIMA的残差预测结果对灰色预测模型进行补偿。结果表明,以较好的精度拟合一段时期内MA107的时间序列,预测误差控制在5%以上,与单纯的灰色预测算法和神经网络算法相比,在平均绝对误差、均方根误差和趋势准确率三项评价指标上,具有明显优势。     

时间序列模型在金融学专业教学中的实践与运用研究

时间序列模型是计量经济模型分析中所用的三大类重要模型之一，时间序列数据也是最为常见的一类数据。因此，时间序列模型在金融行业的运用也十分重要，本文将介绍计量经济模型中较为普遍的时间序列模型，对其在教学中的运用进行分析，举出教学案例进行说明并得出结论。     

时间序列模型在金融学专业教学中的实践与运用研究

时间序列模型是计量经济模型分析中所用的三大类重要模型之一,时间序列数据也是最为常见的一类数据。因此,时间序列模型在金融行业的运用也十分重要,本文将介绍计量经济模型中较为普遍的时间序列模型,对其在教学中的运用进行分析,举出教学案例进行说明并得出结论。     

沪深300指数收益率波动性分析——基于GARCH模型

波动率的研究是资产定价方面的一个重要的研究方向,其中波动率估计准确与否直接关系到模型运用是否得当,投资的策略是否成立。沪深300指数是时衡量中国资本市场波动的一个重要标志。本文以2005年至2015年2455天样本数据为研究对象,运用ARCH和GARCH模型,研究发现沪深300指数日收益率波动呈现出明显的可变性和波动集簇性,序列分布呈现尖峰厚尾等特点,并且存在明显的GARCH效应,而且,过去的波动对未来的影响逐渐衰减。     

安徽省城市化水平时间序列分析

城镇化是农业人口转化为城市人口的过程,即以农村人口不断向城市迁移和聚集为特征的一种历史过程.文章分析了我省城市化水平的现状,并利用了从2004~2014的十年间的城镇人口占总人口的比重,即城市化率;利用时间序列分析去拟合ARMA模型,并利用模型预测法对安徽省城市化水平时间序列数据进行预测分析。     

利用ADF检验对时间序列进行建模

通过证明ADF检验模型中滞后差分项m与ARMA(p,q)模型中阶数p的关系,在Pandit-Wu建模方法基础上,归纳出ARMA(p,q)建模的一种方法。并以广西外经贸2005~2009年10月的出口数据为例。     

改进SVR在金融时间序列预测中的应用

针对目前金融时间序列预测方法的不足,在利用训练样本与测试样本间马氏距离对惩罚因子进行加权的基础上,改进传统的支持向量回归机(SVR).通过以上海证券综合指数趋势的预测为例子,与标准BP人工神经网络(BPANN)和SVR方法进行了对比,发现该方法能获得更准确的预测结果.结果表明,该方法能充分反映股票价格时间序列趋势规律,是研究金融时间序列预测问题的有效方法.     

中国金融发展与经济增长研究综述

对中国上世纪90年代末以来有关金融发展与经济增长之间的实证研究进行综述,其思路是根据已有研究中采用的计量方法进行阐述分类.通过对这些实证研究进行归纳整理后发现,虽然研究对于我国金融改革有一定的指导意义,但是仍然存在一些问题值得我们进一步深入研究.     

恒生指数的GARCH效应分析

股票价格的波动是影响整个金融市场最重要、最直接的因素,对于以股票价格变化的研究来衡量风险价值具有很重要的现实意义。本文主要借助于恒生指数每日的收盘价进行GARCH效应分析并进行建模,通过设定残差分布的不同形式考察残差分布对建模的影响。最后,将GARCH模型拟合出来的方差的值带入风险价值量模型中,从而得到精确度更高的VAR值。