论文金融时间序列指标判别框架特质波动率为例是关于本文可作为相关专业时间序列论文写作研究的大学硕士与本科毕业论文时间序列模型论文开题报告范文和职称论文参考文献资料。
摘 要：基于拐点集合判别的TBUD方法主要思路是分析拐点集合间的关系,并在高维空间进行划分,从而搭建判别模型,并将分析框架应用在特质波动率等若干指标上,利用实证数据得到结论.应用TBUD判别框架可以发现,特质波动率等指标无法对拐点集合进行清晰划分,因而并不具有预测能力.
关键词： 特质波动率；支持向量机；贝叶斯判别；趋势预测
中图分类号：F830.9 文献标识码： A 文章编号：1003-7217（2016）03-0035-05
一、引言
金融工程学科采用经典的资产组合方法,事实上是通过按规则不断重新组合资产获得某指标和滞后一期的收益率关系的显著性,方法本身受数据影响很大,从而导致不同的结果.而众所周知,即使存在预测性,指标也并不仅仅作用于滞后一期,而很可能是不定多期,这使得资产组合方法存在一定的限制.此外,股价时间序列的混沌性也使得采用线性回归方法得到结论的信度不高.很典型的,近年学术界对于特质波动率的预测能力,得出了完全对立的研究结论,究其原因正是基于高度数据敏感的资产组合分析方法.
对时间序列进行聚类/分类和预测更是众多科学领域感兴趣的问题.时间序列聚类的算法包括基于相似性（距离）[1]、基于特征[2]和模型[3]等聚类分析方法,而分类的算法主要包括了决策树、神经网络、贝叶斯分类以及支持向量机等；时间序列的预测大体可分为线性和非线性两类,其中,非线性时间序列的预测主要采用嵌入空间法或神经网络等方法,如陶小创等（2011）的基于神经网络的时间序列预测[4]和尹华等（2011）的混沌时间序列预测[5,6].
本文从金融时间序列拐点出发,直观考察波峰和波谷以及上升（下降）和拐点集合间的分离特性,拐点集合在高维空间进行划分,从而搭建分析模型；提出TBUD 方法为金融时间序列的分析提供新的分析框架；同时,以单因子和多因子下特质波动率对股价未来趋势的预测能力进行分析.二、特质波动率的预测能力分析
随着Ang、Hodrick、Xing、Zhang（以下简称AHXZ）发现“特质波动率之迷”的现象,特质波动率（Idiosyncratic Volatility,以下简称IV）和横截面收益的相关关系成为了国内外众多学者研究的热点.在现实市场中,投资者由于信息不对称、卖空机制的限制等原因,投资者实际上没有能力按照经典资产定价模型（CAPM）构造出完全消除特质风险（Idiosyncratic Risk）的投资组合.Goyal 和SantaClara（2003）发现平均特质波动率对市场的超额收益有显著的影响[10]；AHXZ（2006）发现滞后的特质波动率和股票未来收益呈负相关关系,这和传统的资产定价理论相违背,并由此引出了“特质波动率之迷”存在和否的争论[11,12]；而Fu（2009）、Huang（2010）、Chuan（2010）等人对AHXZ 的研究提出了质疑,他们各自研究发现特质波动率和收益之间是一种正相关的关系,“特质波动率之迷”是由于研究者错误地使用了滞后的特质波动率或由于收益反转所造成的；左浩苗等人（2011）发现两者的负相关关系在控制了表征异质信念的换手率后却消失,认为这是由于中国股票市场的卖空限制和投资者异质信念共同作用的原因[17]；而刘鹏、田益祥（2011）和邓雪春、郑振龙（2011）等人的研究发现,中国市场上不存在“特质波动率之迷”,和Fu 等人的结论一致[18,19].
由此可以看出,特质波动率和滞后一期收益率的相关关系,学术界一直存在争议.上述完全对立的研究结论,究其原因正是基于高度数据敏感的资产组合分析方法.本文的判别框架正是在这样的背景下提出来的.
三、研究方法
研究的思路是：对于根据定义得到的T、B、U、D集合,若能被某种方法在高维空间中清晰划分开来,那么,对于后一期的指标落在相应高维空间某个区域,即可对其趋势做出判别；若无法对这4个集合进行恰当的划分,则可以认为该指标并不具备预测能力.本文把构造出上述定义得到的T、B、U、D集合的方法,称之为TBUD集合判别划分建模方法（简称TBUD方法）.区别于以往研究特质变动率采用的回归分析建模方法,一般采用马氏距离判别、贝叶斯判别以及支持向量机（简称SVM）的方法进行综合建模.
四、数据和变量
鉴于2005年前后中国股市制度差异很大,本文所选用的数据为中国股票市场2005 年5 月～2011 年12 月沪深300 指数及其成分股的日和月交易数据,剔除ST 和PT 后的样本和每月交易不足10 天的样本.沪深300 指数及其成分股的交易数据和无风险利率来源于C AR中国股票市场交易数据库,FamaFrench三因子模型数据来源于锐思金融研究数据库.
(一)特质波动率
本文沿用AHXZ 对股票特质波动率的定义,采用FamaFrench 三因子模型残差项的标准差来估计股票的特质波动率（IV）.
(三)换手率
采用换手率TURN来衡量股票股票的流动性,其中,换手率的数据来源于C AR数据库,其计算方法为：换手率等于当日成交数量/流通股数.
通过比较结果误差的大小,若IV、MV、TURN及其组合可被相应集合所划分,则说明下一个拐点必然属于另外一个集合,那么,只要对集合中的跃迁做聚类就可以判断下一个拐点的走向（即预测）.
H0：IV、MV、TURN能够反映T、B、U、D集合的差异性,即IV、MV、TURN能预测未来的股价趋势,因子指标具有良好的预测能力；
H1：IV、MV、TURN无法反映T、B、U、D集合的差异性,即IV、MV、TURN无法预测股价的未来来趋势,无法证明因子指标具有预测能力.
五、实证分析
（一）分类结果误差分析分类结果误差如表1所示,无论是采用马氏距离判别、贝叶斯判别还是SVM方法进行建模分类,模型的分类结果都并不理想,采用IV作为分类因子时,误差也在66.23%以上,而使用马氏距离进行建模判别,误差达到了77.36%,采用IV、MV、TURN作为分类因子时,模型的误差有所降低,但发生误差的概率也在60.01%以上.一方面的原因可能在于选择的指标较少,无法对集合进行很好的区分；另一方面,也说明了IV、MV、TURN 三个因子指标并不能很好地体现出T、B、U、D集合的差异性.
总结:这是一篇与时间序列论文范文相关的免费优秀学术论文范文资料,为你的论文写作提供参考。
参考文献：
1、 金融系统流动性其风险框架综述 摘 要：本文以美国次级债导致各大投行、银行等金融机构出现的流动性风险引发金融系统性风险为背景，结合相关文献概括流动性的三种主要类型，并分析这三种。
2、 基于ARIMA模型青岛市大蒜价格时间序列预测分析 摘要：以青岛市2012年1月至2016年11月共237周的大蒜价格为样本数据，运用SPSS 17 0软件进行统计分析，建立ARIMA（1，2，1。
3、 基于时间序列的风速和风功率预测 摘要：短期的风速和风功率预测对风场的运行及并网发电是非常重要的。采用时间序列方法，通过Matlab 编程，建立了ARIMA和SARIMA预测模型。
4、 基于EEMD技术在电力信息安全中的多步时间序列预测方法 摘 要： 针对用户访问轨迹的数据特征，提出一种基于EEMD技术的多步时间序列预测模型。该模型利用了集合经验模态分解EEMD结合极限学习机ELM模。
5、 安徽省城市化水平时间序列分析 【摘要】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2。