1. 首页
  2. 股票资讯

在沪深股市中st股_在沪深股市中

非参数异方差模型在沪深股市中的应用分析

一、一、一、一、一所示。I伞~红色:A收益率均值}一红色:山履益率巧厦I一~e卜一黑色:棋型预测值二竺二黑色:棋型预测值产闷:刁声路婪四科揭切裂叫公拼烟多O一eses扩几步长步长图一AZ条件均值预测图图一Dl条件均值预测对比图Fig一ConditionalmeanforeeastofAZFig一Conditiona!meanforeeastofDI。收益率均值预测值与真值比较波动率预测值。叱l一红色:O收益率均道一母一。红色:胭波动率预测值SL二旦二黑色棋型班测值一咔讨燕色:D波动率孩测值目叱一峥篮色:D波动率预测值乙月J︸沼‘刀呻票叫尾踌翁侧识叫多君踌侧目日厂入{厂uu’{矢{龟、之uD书{六l产沛泛、、一、一分别为AZ、Dl、DZ的条件均值预测值图一为各分量波动率预测值根据中所说将分解两层情况下的条件均值预测值相加即得最终均值部分m()预测结果同样将各分量波动率预测值相加就为最终波动率部分(·)预测结果。

非参数异方差模型在沪深股市中的应用分析

最优频率选择「JJ大津大学workingPaPer【】易丹辉主编数据分析与Eviews应用M中国统计出版社年月西安理工大学硕士学位论文附录I本文所用数据附表一一至一一日沪深指数收盘指数期期收盘价价日期期收盘价价lI期期收盘价价日期期收盘价价一一一一l一一一一一一一一l一一一一一一一一l一一一一一一一一l一一一一一一一一l一一一一一一一一l·一一一一一一一一l一一一一一一一一l一一一一一一一一l一一一一一一一一l一一一一一一一一l一一!一l一一一一一一一一!!!I一一一一一O】一一一一一一一一一一一l一一一一一一一一l一一】】一一一一一一l一一一一l一一一】一l一一一一一一一一l一】一一一一一一一】l一一一一一一一一l一一一一一一一一l一一一一一一一一l一一一一一一一一!l一一一一一】一l一一l一一一一一l一一一一一一一一l一一l一一一一一一一一I一一一一一一一一l一一一一一一一一l一一一一一一一一l一一】一一一一一l一一一一一一一一l一一一一一一一一l一一一一一一一一l一一、

非参数异方差模型在沪深股市中的应用分析

具体见表一、一与图一、一。因为波动率不具有观测性所以图一中没有将波动率的真值画出。结果比较在第章与本章前两节分别对沪深指数收益率数据建立了基于多项式样条估计的非参数自回归条件异方差模型与基于小波多分辨分析的多项式样条估计非参数自回归条件异方差模型并分别对模型的预测情况进行了研究下面对两种模型拟合、预测效果进行比较。两种模型拟合效果对比分析将加入小波多分辨分析进行分解重构后的基于多项式样条估计的NARCH模型拟合结果与没有进行小波分解重构的基于多项式样条估计的NARCH模型拟合的图形进行对比结果如图一H所示从图中可以看出两种模型都较好的拟合出了收益率序列的大致趋势很好的体现出了非参数自回归模型的灵活性和实用性但可以看出加入小波多分辨分析进行分解重构的NARCH模型与不加小波之前的拟合值相比更加与实际值接近说明加入小波以后的拟合情况更好表明了小波多分辨分析在股票数据模型拟合方面可以起到很好的改进作用。

非参数异方差模型在沪深股市中的应用分析

让我感动不已。版tNelsonDBConditionaleteroskedastieityiassetreturns汇JEeono:”etrica:一BailliebollerslevMikkelsonHFraetionalintegratedgeleralizedautoregressiveconditionaleteroskedastieityJJou一nalofEeonometrics:一【】黄永强FIGARcH模型及其对中国股市波动长记忆性研究〔o华中科技人学【姜钱芳基于EGARCH模型的汇率波动分析D南京理一l二大学【曹剑刘璐基于非对称ARcH模型的上海股市波动特征分析J市场论坛():一【】高宇基于GARcH模型的沪深指数波动性分析J理论创新:【】张虹基于NN一GARcH模型的中国沪深指数实证研究D大津财经大学l万蔚江孝感我国沪深股市的波动性研究一基于GARcH族模型JJ价值一l二程o():一【】陈思扬时间序列计量经济建模技术及比较研究D暨南大学【赵进文王倩上证指数的GARCH族模型仿真研究对上证指数的间接实证建模分析【J贝才经问题研究():一【】韩贵王静基于EGARcH模型的我国股市信息对称性研究【J西南交通大学学报()一【】严定琪李育锋基于GARCH族模型的护深指数波动率预测J兰州交通大学学报(l):一【】张深基于GARcH类模型的沪深股市波动性分析J消费导刊经济研究():一【李存行张敏陈伟白回归条件异方差模型在我国沪市的应用研究J数学的实践与认识():l一张焕杰ARCH建模研究初探J中国利技信息():一【】刘利娟ARcH模型族的应用一沪市波动性特征研究J证券市场():一LotkepohlHEditor’introduetionNonpara一netriedyna一niemodellingJJournalofEconometries:l一【TongHNonlinearti一neseriesananlysissinee一:somepersonalreflectionsActaMathematieaeAPPlicataeSinieaEnglishSerieslMI():一【RobinsonPMNonpara一刀etricestilnatiollforti:neseriesmodelsJTimeseriesAnalx:西安理工大学硕士学位论文一Diebolt子JTestingthefunetionsdefininganonlinearautoregressivetimeseries「J·StochasticProeessesandtheirAPPlications(l):一Lu一andehengPDistrib一tion一freestrongeonsisteneyfornonparametriekernelregressioninvolvingnonlineartimeseriestJStatistPlanInferenee:一LuZ一QNonparametrieregressionwithsingulardesign【JlMultivariateAnal:一FrankeJKreissJpMammenEBootstraPofkernelsmoothinginnonlineartimeseries【JBernoulli(l):l一La’l’bNKernelestimatesofthemeanandthevolatilityfunetionsinanonlinearautoregressivemodelwithARCHerrorsJJournalofstatistiealPlanningandinferenee(l):一CollombGandH注rdleWStronguniformeonve嗯eneeratesinrobustnonparametrictimeseriesanalysisandPredietion:kernelregressionestimationfromdePendentobservationsJStoehastieProeessesandtheirAPPlications(l):一BoenteGandFraimanRRobustnonparametrieregressionestimationfordePendentobservations【JAnnStatist():BoenteGandFraimanRAsymPtotiedistributionofrobLstestimatorsfornonParametriemethodsfrommixingProeessesJIAnnStatist:一IH任rdleWandVieuPKernelregressionsmoothingoftimeseriesJTimeseriesAnal():一MasryEandTjostheimDNonparametrieestimationandidentifieationofnonlinearARCHtimeseries:strongconvergeneeandasymPtotienormality【JEconometricTheory:一【XiaYOnsomenonarametrieandsemiparametrieapproachestotilneseriesmodellingMipokfulamRoadHongKong:TheUniversityofHongKongL确NandOuld一Sai’dEArobustnonParametrieestimationofautoregressionfunetionunderergodiehyPothesisJCanadJStatist():一CaiWeightedNadarasa一WatsonregressionestimationJstatistprobabLettZool:一TsybakovABRobustreeonstruetionoffunetionsbytheloeal一approximationmethodJ」problemsofInformationTransmission:一IH巨rdleWandTsybakovALoealpolynomialestimatorsofthevolatilityfunetioninnonparametrieautoregressionJJournalofEeonometries(l):一HardleWTsybakovAandYangLNonParametrievectorautoregression〔JStaistPlannInferenee·():一MasryEandFanJLoealpolynomialestimationofregressionft:etionsformixingproeessesJSeandJStatist():一CaiandOuld一Sa’l’dELoealM一estimatorfornonParametrietimeseriesJStatistProbLettO参考文献():一Nottingha:nQJandCookDFLoeal一learregressio一forestimatingtineseriesdataJlComPutStatistDataAnal():一txiaYandLiWKAsylnptoticbellaviorofbandwidtllseleetedbythecross一validatio一nethodforloealPoly一lomialfitti:IJIJournalofMultivariateA一lalysisZO():一XiaYBiased一eorreetedeonfideneebaldsinnonPara一netrieregressionJIJournaloftlleRoyalStatistiealSoeietySeries():一Robi一lsonPMRoot一n一eonsistentse:niparametricregressionJEcononetriea:一ChenRa一ldTs即RSNonlinearadditiveARxmodelsljlAmerStatistAssoe(a):一ChenRandTsayRSFunetionalcoeffieientautoregressivemodelsJJournaloftheAmericanStatisticalAssociation(b)():一】周明磊非参数估计与小波分析在股市趋势线中的应用J数理统计与管理():一【】何静慧基于GARCH模型和非参数模型的上海股市vAR的比较J绍兴文理学院学报():一【】杨俊艾欣冯义李虹基于非参数GARCH模型的电价预测〔J电「技术学报(l):一【】第四军医人学卫生统计学教研室陈生长徐勇勇夏结来光滑样条非参数巨归方法及医学应用J中国卫生统计:一·【张慧芳非参数自回归模型及其在汇率预测中的应川研究〔D西安理人学【】殷光伟中国股票市场预测方法的研究〔DI大津大学【】王琳非参数局部线性估计方法及对中国股市杠杆效应的实证分析J人众科技!

非参数异方差模型在沪深股市中的应用分析

从以上对‘比分析中一方面再次验证了基于多项式样条估计的非参数自回归条件异方差模型具有很好的预测效果另一方面也证实了将小波多分辨分析加入NARCH模型进行分解与重构后确实增强了模型的预测能力提高了模型的预测精度。小结本章首先在选取合适的小波函数与分解层数后用小波Mallat算法对沪深指数收益率数据进行分解和重构得到了各层重构后的近似分量和细节分量并对各层重构后的数据进行了误差分析然后利用基于多项式样条估计的非参数自回归模型对近似分量和细节分量分别建立了NARCH模型最后对均值和波动率进行了步预测并将预测结果与没有加入小波之前的基于多项式样条估计的非参数自回归条件异方差模型的预测结果进行对比结果表明:基于小波多分辨分析的NARCH模型增强了原模型的预测能力提高了模型的预测精度。非参数自回归条件异方差模型以及基于小波多分辨分析的非参数自回归条件异方差模型在沪深指数波动性方面的应用问题主要研究结果如下:(l)讨论了非参数自回归模型及自回归条件异方差模型的一些理论研究概况主要有模型滞后阶数的选取多项式样条估计节点的选取异方差性检验平稳性检验等知识利用计量经济模型理论对沪深指数收益率建立了GARCH和EGARCH模型对建立模型后的拟合效果进行分析评估得出了沪深指数以及沪深股市的一些基本经济与统计特征如:具有杠杆效应波动聚集性尖峰厚尾性等。

非参数异方差模型在沪深股市中的应用分析

{艺(:一或)声()公式中才是真实值艺的拟合值。是拟合阶段的样本容量或者数据个数对NARCH模型与加入小波多分辨分析后的NARCH模型均方误差和平均绝对误差计算结果见表一从表中明显可以看出基于小波的NARCH模型平均绝对误差和均方误差与NARCH模型相比要小的多因此可以初步得出基于小波多分辨分析的NARCH模型在股指收益率的拟合方面比NARCH模型好。基于小波多分辫分析的NARCH模型两种模型预测效果对比分析两模型收益率预测对比结果如图一。为了更加清楚的说明结果将收益率预测结果转换为收盘指数计算结果见图一与表一。基于小波多分辨分析的NARCH模型表一平均绝对误差与均方误差比较Table一ComParisonsof一nea一absoluteerrorsandIneansquarederrors模型NARCH模型}基于小波的NARCH模型MAEMSE从表一中可以很容易看出基于小波NARCH模型的预测结果平均绝对误差和均方误差都比NARCH模型的结果小。

本文来自投稿,不代表本人立场,如若转载,请注明出处:http://www.admiralmarkets.net.cn/gpzx/140187.html