金融时间序列聚类分析方法比较研究——基于上市公司股票收益率的实证分析

本文研究目的是通过使用金融时间序列聚类方法验证收益率序列相似的公司是否属于同一个行业。由于金融时间序列数据不服从正态分布,不能用线性相关系数来进行相似性度量,因此文中选用几种非线性相关系数来对金融序列相似度进行度量,然后运用PAM、agnes、diana三种聚类方法分别对金融时间序列进行聚类。研究发现:最终聚类结果和初始的行业分类比较吻合,表明同一个行业中的股票收益率相似度很大。     

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。     

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。     

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。     

基于ARIMA模型的伦敦金银市场协会黄金定价的异常值检测及检验

采用Chang等人[1]提出的基于ARIMA模型的异常值检测理论,利用GARCH模型与ARMA模型之间的联系,对通常服从GARCH模型的金融序列完成了ARMA模型框架下的异常值检测,并结合历史事件对检测结果做了解释和检验.在说明了GARCH模型转换为ARMA模型的理论依据和可操作性后,对收益率一次性拟合了ARMA模型,模型侦测到的异常值在实际情况中都有着较为显著的事实与之对应,表现了较高的效度和可信度.其较为简明的理论基础和方便的实践分析也具有一定的操作简便性.     

基于聚类的Markov预测模型的改进

传统的Markov链模型是一种简单而有效的预测模型,该模型存在着预测准确率低,存储复杂度高等缺点.改进的基于聚类的Markov链预测模型,利用用户访问特征和人们浏览网页与时间高度相关的思想来改善模型,建立了基于用户访问特征和时间段聚类的Markov预测模型并进行了模拟实验和结果分析.     

ARIMA模型在云南省GDP预测中的应用

从云南省经济发展的实际情况出发,以1978～2013年云南省GDP统计资料为依据,将这些数据进行平稳化、零均值化处理,并利用序列的自相关函数、偏自相关函数的性质确认序列应当适合的模型,利用时间序列模型中的ARIMA模型中的Box-Jenkins方法,对云南省1978～2013年的GDP数据序列进行建模分析,验证该序列的时间序列特性,研究并选择了序列的最佳ARIMA(1,1,1)模型。模型实证分析的结果表明:在时间序列分析建模与预测方面Box-Jenkins方法是精度较高且切实有效的方法模型。     

沪深300指数的时间序列分析

本文通过对沪深300指数的研究，得到沪深300指数是非平稳的时间序列，运用ARIMA模型拟合沪深300指数，在对模型的合理性进行检验中，其残差不能通过白噪声检验。而且，沪深300指数也不存在ARCH效应，从而，利用ARCH模型进行也不合适。这样，为时间序列模型的发展研究提供了一个新的方向。     

经济转折时期CRB综合价格指数波动性研究——基于GARCH（1，1）模型

本文以CRB综合价格指数时间序列数据为研究对象,通过一系列的检验,运用GARCH（1,1）模型;对其在次贷危机时期的波动性进行实证研究。研究表明,运用GARCH（1,1）模型能够较好的模拟CRB综合价格指数的波动性特征。如果将CRB综合指数在时间序列上表示出来,我们会发现其存在波动从聚性现象。     

基于小波变换和SOM聚类的证券板块划分

由于小波分析可以很好地刻画时间序列的波动性，因此本文对中国股市所有A股用Coif4小波进行6级分解，求得各级能量及能量概率分布，进而求得信息量，以得到的信息量作为分类依据。本文采用SOM进行聚类，创造了一种板块划分新方法，在实践中具有重要意义。     

极值风险价值和预期损失的估计应用:以影子银行和A股市场为例

在检测金融时间序列极值的风险价值和预期损失时,由于金融时间序列具有尖峰和厚尾的特征,首先利用广义帕累托分布的安全阈值模型Hill图观测.当样本数据不多时,利用Gibbs抽样和蒙特卡洛模拟马尔科夫链来检验参数的拟合效果.最后,对从Hill图观测出的极值情况基于MCMC和MLE方法估计其风险价值和预期损失.本文以中国的影子银行规模、上证指数、上证成交量时间序列为例,检测了三者的极值风险值和预期损失,经过比较发现:上证成交量极值风险更大,影子银行极值风险相对较小.     

能源期货市场风险测度研究

由于原油市场的收益率具有尖峰厚尾的特征,因此,可以利用GARCH模型中的条件方差来度量Va R(Value at Risk)。本文基于AR-GARCH模型的Va R方法对美国中质原油市场(WTI)和英国布伦特原油市场(Brent)进行了分析。结果表明能源市场价格波动具有尖峰、厚尾、有偏的特征,更为符合t分布;样本市场的收益率序列呈现出自相关、波动聚类和条件方差的典型特征;基于不同分位点处的Va R序列具有显著的同步性,但是美国WTI原油市场价格的Va R序列比英国Brent原油市场价格的Va R序列波动更为剧烈,尤其是在金融危机期间,表现的更为明显。     

存贷款时间序列指标数据预测方法比较研究--基于甘南州数据的预测实证

文章以2010年1月到2015年9月的甘南州存贷款历史数据为样本，利用时间序列预测理论中的平滑预测法与线性趋势预测法相结合进行了系统研究，构建时间序列模型对未来甘南州存贷款数据进行预测，并通过实证研究及结果对比分析论证了模型的可行性，得出用移动平均法模型预测存贷款数据更为接近实际观测指标，能够比较准确的反映出甘南州存贷款增长趋势。     

基于时间序列的我国汇率走势预测的实证研究

本文在简单介绍汇率预测及时间序列模型的基础上,利用时间序列模型中的ARIMA模型和EGARCH模型,分别对我国汇改以后的人民币/美元日汇率值进行实证研究,并对结果进行分析比较,结果表明EGARCH模型相对于ARIMA模型结果更加可靠,更适合于预测人民币/美元的日汇率走势。     

基于时间序列的我国汇率走势预测的实证研究

本文在简单介绍汇率预测及时间序列模型的基础上,利用时间序列模型中的ARIMA模型和EGARCH模型,分别对我国汇改以后的人民币/美元日汇率值进行实证研究,并对结果进行分析比较,结果表明EGARCH模型相对于ARIMA模型结果更加可靠,更适合于预测人民币/美元的日汇率走势。     

大数据背景下的农险反欺诈检测:国际经验与技术选择

中国农业保险市场中欺诈骗保等违法行为不容忽视,亟需运用数据挖掘技术提高农业保险发展质量。首先,本文对反欺诈检测的常用方法进行了梳理,包括异常值检测、聚类法、线性回归法、社会关系网络分析法等方法。其次,本文总结美国运用数据挖掘技术开展农业保险反欺诈检测的基本经验。美国利用以政府主导、研究机构参与的模式,开发出多种欺诈检测项目,为美国农业保险节约巨额资金。再者,基于国际经验,本文提出适用于中国农业保险反欺诈检测的相关性异常值检测法、合谋关系检测法和机器学习法。最后,为进一步推动数据挖掘技术在中国农业保险反欺诈检测中的运用,本文提出建立农业保险大数据库、建立数据挖掘合作平台、建立常态化的数据利用机制、以及培育和激励数据挖掘人才等建议。     

基于GARCH-VaR模型对沪深300ETF基金的实证分析

由于在金融领域内,GARCH模型在金融时间序列波动率的模拟以及金融风险的度量中都有着相对广泛的应用。故而本文基于GARCH模型以正态分布的假定度量Va R值的精确程度,并且对Va R值进行失败率检测。结果表明,沪深300ETF基金具有尖峰厚尾特特征;利用EViews8.0对基金收益率序列进行相关性检验,发现其具有强相关性。通过GARCH模型消除相关性,对收益率建模,有效预测估计了基金的Va R值。     

基于层次聚类降维模型推测股票组合持仓的研究

股票组合中成分股的构成与权重反映了基金经理的投资策略与投资风格,在实践中,这些信息往往存在披露频率低、披露时间滞后以及有限披露的问题。通过研究提出了一种基于二次规划的层次聚类降维模型,能够仅根据样本空间股票与投资组合的历史收益率,快速估算出股票组合当前成分股的构成与权重。同时选择上证50指数验证模型的效果,发现样本区间内,层次聚类降维模型能够从A股全部样本空间几千只股票中,平均估算出上证50指数50只实际成分股中的29.3只股票,对高权重成分股预测精度约为73%,优于二次规划模型。另外,市场结构分化越显著,层次聚类降维模型相对二次规划模型的改进效果越明显。模型的有效性验证了A股市场分层聚类的结构特征。