搜索
人大经济论坛 › 标签 › 模型 › 相关日志

tag 标签: 模型经管大学堂：名校名师名课

相关日志

分享 γ跃迁概率模型
accumulation 2015-5-5 13:06
1.电磁辐射与原子核多极辐射的类比； 2.γ跃迁与核能级的关系：角动量、宇称； 3.电多极辐射与磁多极辐射； 4.γ跃迁概率的单质子模型； 5.跃迁概率数量级的比较； 6.γ跃迁选择定则； 7.γ跃迁选择定则的应用；
个人分类: 原子核物理|0 个评论
分享 金融计量学—GARCH模型
accumulation 2015-5-3 14:23
'/Homework II (4) workfile hw2_3 u 1 501 series u=0 series h=0.5 series x=0 series v1=nrnd series v2=nrnd smpl 2 501 series x=0.5*x(-1)+v1 for !i=2 to 251 h(!i)=0.5+0.2*u(!i-1)^2+0.65*h(!i-1) u(!i)=@sqrt(h(!i))*v2(!i) next for !i=252 to 501 h(!i)=0.8+0.2*u(!i-1)^2+0.65*h(!i-1) u(!i)=@sqrt(h(!i))*v2(!i) next series y=1+0.8*x+u arch y c x
个人分类: 金融工程|0 个评论
分享 金融计量学—GARCH模型
accumulation 2015-5-3 14:16
'/Homework II (3) workfile hw2_3 u 1 251 series u=0 series h=0.5 series x=0 vector(50) yfup=0 vector(50) yfdown=0 scalar count=0 series v1=nrnd series v2=nrnd smpl 2 251 series x=0.5*x(-1)+v1 for !i=2 to 251 h(!i)=0.5+0.2*u(!i-1)^2+0.65*h(!i-1) u(!i)=@sqrt(h(!i))*v2(!i) next series y=1+0.8*x+u smpl 2 201 equation eq1.ls y c x for !j=0 to 49 smpl 202+!j 202+!j eq1.forecast yftemp uftemp yfup(!j+1)=yftemp(202+!j)+2*uftemp(202+!j) yfdown(!j+1)=yftemp(202+!j)-2*uftemp(202+!j) count=count+(y(!j+202)yfdown(!j+1))*(y(!j+202)yfup(!j+1)) next
个人分类: 金融工程|0 个评论
分享 金融计量学—ARMA（1,1）模型与AR（2）模型的比较
accumulation 2015-5-3 14:11
'/Homework II (d) workfile hw2_2 u 1 502 scalar countaic=0 scalar countbic=0 vector(100) msev1=0 vector(100) msev2=0 for !i=1 to 100 series varepsilon=nrnd series x=0 smpl 2 502 series x=0.8*x(-1)+0.1*varepsilon(-1)+varepsilon smpl 2 501 equation eq1.ls x ar(1) ma(1) equation eq2.ls x ar(1) ar(2) smpl 502 502 eq1.forecast xf1 eq2.forecast xf2 smpl @all scalar aic1=eq1.@aic scalar bic1=eq1.@sc scalar aic2=eq2.@aic scalar bic2=eq2.@sc msev1(!i)=(xf1(502)-x(502))^2 msev2(!i)=(xf2(502)-x(502))^2 countaic=countaic+(aic1aic2) countbic=countbic+(bic1bic2) next scalar mse1=@mean(msev1 ) scalar mse2=@mean(msev2 )
个人分类: 金融工程|0 个评论
分享 金融计量学—ARMA（1,1）模型与AR（2）模型的比较
accumulation 2015-5-3 14:08
'/ Homework II (2) (a) (b) workfile hw2_2 u 1 502 series varepsilon=nrnd series x=0 smpl 2 502 series x=0.8*x(-1)+0.1*varepsilon(-1)+varepsilon '/(a) smpl 2 501 equation eq1.ls x ar(1) ma(1) equation eq2.ls x ar(1) ar(2) smpl 502 502 eq1.forecast xf1 eq2.forecast xf2 smpl @all '/(b) scalar aic1=eq1.@aic scalar bic1=eq1.@sc scalar aic2=eq2.@aic scalar bic2=eq2.@sc scalar mse1=(xf1(502)-x(502))^2 scalar mse2=(xf2(502)-x(502))^2
个人分类: 金融工程|0 个评论
分享 用DSGE模型模拟低碳消费补偿政策的优化路径
cuifengbao 2015-5-2 20:19
由于低碳消费及生产方面的数据获得性太差，太难做参数校准和估计
28 次阅读|0 个评论
分享 Monte Carlo Simulation——期权定价模型
accumulation 2015-5-1 16:12
#include math.h #include vector #include iostream #include stdlib.h #include time.h using namespace std; double N(const double x) //标准正态分布的累积分布函数 { if (x6.0) { return 1.0; }; //当x大于6时，认为N（x）近似等于1 if (x-6.0) { return 0.0; }; //当x小于-6时，认为N（x）近似等于0 double b1=0.31938153; double b2=-0.356563782; double b3=1.781477937; double b4=-1.821255989; double b5=1.330274429; double p=0.2316419; double c2=0.3989423; double a=fabs(x); double t=1.0/(1.0+a*p); double b=c2*exp((-x)*(x/2.0)); double n=((((b5*t+b4)*t+b3)*t+b2)*t+b1)*t; n=1.0-b*n; //累积分布函数的近似公式 if (x0.0) n=1.0-n; //N（x）=1-N（-x） return n; } double option_price_call_BS(const double S, const double X, const double r, const double sigma, const double time) //BSM期权定价公式定价欧式看涨期权 { double time_sqrt=sqrt(time); double d1=(log(S/X)+r*time)/(sigma*time_sqrt)+0.5*sigma*time_sqrt; double d2=d1-(sigma*time_sqrt); double c=S*N(d1)-X*exp(-r*time)*N(d2); return c; } double option_price_put_BS(const double S, const double X, const double r, const double sigma, const double time) //BSM期权定价公式定价欧式看跌期权 { double time_sqrt=sqrt(time); double d1=(log(S/X)+r*time)/(sigma*time_sqrt)+0.5*sigma*time_sqrt; double d2=d1-(sigma*time_sqrt); double p=X*exp(-r*time)*N(-d2)-S*N(-d1); return p; } double sampleNormal() //生成期望值为0，方差为1的白噪声 { double u=((double) rand()/(RAND_MAX))*2-1; double v=((double) rand()/(RAND_MAX))*2-1; double r=u*u+v*v; if (r==0 || r1) return sampleNormal(); double c=sqrt(-2*log(r)/r); return u*c; } double simulate_random_variable(const double S, const double r, const double sigma, const double time) //计算下一时刻标的资产的价格 { double R=(r-0.5*pow(sigma,2))*time; double SD=sigma*sqrt(time); return S*exp(R+SD*sampleNormal()); //根据股票价格的对数正态分布特性进行计算 } double max(double a,double b) //计算二者最大值的函数 { if (ab) return a; else return b; } void option_price_european_simulated(const double S, const double X, const double r, const double sigma, const double time, const int no_sims, double call_option, double put_option) //欧式看涨期权与欧式看跌期权的蒙特卡洛模拟定价 { double R=(r-0.5*pow(sigma,2))*time; double SD=sigma*sqrt(time); double sum_payoffs1=0.0; double sum_payoffs2=0.0; for(int n=1; n=no_sims; n++) //no_sims为模拟次数 { double S_T=S*exp(R+SD*sampleNormal()); //根据股票价格的对数正态分布特性计算T期股票价格 sum_payoffs1+=max(0.0,S_T-X); //看涨期权的边界条件 sum_payoffs2+=max(X-S_T,0.0); //看跌期权的边界条件 } call_option=exp(-r*time)*(sum_payoffs1/double(no_sims)); //根据期望值并贴现求现值得到看涨期权价格 put_option=exp(-r*time)*(sum_payoffs2/double(no_sims)); //根据期望值并贴现求现值得到看跌期权价格 } int main() { cout"N(1.96)="N(1.96)endl; //计算标准正态分布的累积分布函数 double S=50; //现期股票价格为S=50 double X=50; //执行价格为X=50 double r=0.1; //无风险利率为r=0.1 double sigma=0.4; //年化波动率为40% double time=0.4167; //时间为0.4167年 cout"EUROPEAN CALL: "option_price_call_BS(S,X,r,sigma,time)endl; //BSM期权定价公式计算看涨期权的价格 cout"EUROPEAN PUT: "option_price_put_BS(S,X,r,sigma,time)endl; //BSM期权定价公式计算看跌期权的价格 cout"Next price: "simulate_random_variable(S,r,sigma,time)endl; //计算时刻time时的股票价格 int no_sims=5000000; //模拟次数 double call_option; double put_option; option_price_european_simulated(S,X,r,sigma,time,no_sims,call_option,put_option); cout"Monte Carlo Call: "call_optionendl; //蒙特卡洛方法计算的欧式看涨期权价格 cout"Monte Carlo Put: "put_optionendl; //蒙特卡洛方法计算的欧式看跌期权价格 system("pause"); }
个人分类: 金融工程|0 个评论
分享 金融预测模型评价的几个指标
accumulation 2015-5-1 12:42
在一篇文献上看到关于模型预测结果的评价方面有五个指标：Sharpe ratio、 hit rate、 realized potential、 profit loss curve 和 annuliazed return of investment 请问关于这几个指标（主要是后面三个）的定义还有计算方法、计算公式是什么啊？ sharpe ratio 1990年度诺贝尔经济学奖得主威廉-夏普（William Sharpe）以投资学最重要的理论基础CAPM（Capital Asset Pricing Model，资本资产定价模式）为出发，发展出名闻遐迩的夏普比率（Sharpe Ratio），用以衡量金融资产的绩效表现。威廉-夏普理论的核心思想是：理性的投资者将选择并持有有效的投资组合，即那些在给定的风险水平下使期望回报最大化的投资组合，或那些在给定期望回报率的水平上使风险最小化的投资组合。解释起来非常简单，他认为投资者在建立有风险的投资组合时，至少应该要求投资回报达到无风险投资的回报，或者更多。 夏普比率计算公式：＝ /σp 其中E(Rp)：投资组合预期报酬率 Rf：无风险利率 σp：投资组合的标准差
个人分类: 金融工程|0 个评论
分享 蒙特卡洛模拟—期权定价模型
accumulation 2015-4-30 23:51
#include math.h #include vector #include iostream #include stdlib.h #include time.h using namespace std; double sampleNormal() { double u=((double) rand()/(RAND_MAX))*2-1; double v=((double) rand()/(RAND_MAX))*2-1; double r=u*u+v*v; if (r==0 || r1) return sampleNormal(); double c=sqrt(-2*log(r)/r); return u*c; } double simulate_random_variable(const double S, const double r, const double sigma, const double time) { double R=(r-0.5*pow(sigma,2))*time; double SD=sigma*sqrt(time); return S*exp(R+SD*sampleNormal()); } double max(double a,double b) { if (ab) return a; else return b; } void option_price_european_simulated(const double S, const double X, const double r, const double sigma, const double time, const int no_sims, double call_option, double put_option) { double R=(r-0.5*pow(sigma,2))*time; double SD=sigma*sqrt(time); double sum_payoffs1=0.0; double sum_payoffs2=0.0; for(int n=1; n=no_sims; n++) { double S_T=S*exp(R+SD*sampleNormal()); sum_payoffs1+=max(0.0,S_T-X); sum_payoffs2+=max(X-S_T,0.0); } call_option=exp(-r*time)*(sum_payoffs1/double(no_sims)); put_option=exp(-r*time)*(sum_payoffs2/double(no_sims)); } int main() { double seed=(double)time(NULL); double S=50; double X=50; double r=0.1; double sigma=0.4; double time=0.4167; cout"Next price: "simulate_random_variable(S,r,sigma,time)endl; int no_sims=5000000; double call_option; double put_option; option_price_european_simulated(S,X,r,sigma,time,no_sims,call_option,put_option); cout"Monte Carlo Call: "call_optionendl; cout"Monte Carlo Put: "put_optionendl; system("pause"); }
个人分类: 金融工程|0 个评论
分享 BSM期权定价模型—内含差分法
accumulation 2015-4-30 13:31
#include “newlib.h” double option_price_call_european_finite_diff_implicit(const double S, const double X, const double r, const double sigma, const double time, const int no_S_steps, const int no_t_steps) { double sigma_sqr=sigma*sigma; int M; if((no_S_steps % 2)==1) { M=no_S_steps+1; } else { M=no_S_steps; } double delta_S=2.0*S/M; vectordouble S_values(M+1,0.0); for (int m=0; m=M; m++) { S_values =m*delta_S; } int N=no_t_steps; double delta_t=time/N; BandMatrix A(M+1,1,1); A=0.0; A.element(0,0)=1.0; for (int j=1; jM; ++j) { A.element(j,j-1)=0.5*j*delta_t*(r-sigma_sqr*j); A.element(j,j)=1.0+delta_t*(r+sigma_sqr*j*j); A.element(j,j+1)=0.5*j*delta_t*(-r-sigma_sqr*j); } A.element(M,M)=1.0; ColumnVector B(M+1); for (m=0; m=M; ++m) { B.element(m)=max(0.0,S_values -X); } ColumnVector F=A.i()*B; for (int t=N-1; t0; --t) { B=F; F=A.i()*B; } return F.element(M/2); } double option_price_put_european_finite_diff_implicit(const double S, const double X, const double r, const double sigma, const double time, const int no_S_steps, const int no_t_steps) { double sigma_sqr=sigma*sigma; int M; if((no_S_steps % 2)==1) { M=no_S_steps+1; } else { M=no_S_steps; } double delta_S=2.0*S/M; vectordouble S_values(M+1,0.0); for (int m=0; m=M; m++) { S_values =m*delta_S; } int N=no_t_steps; double delta_t=time/N; BandMatrix A(M+1,1,1); A=0.0; A.element(0,0)=1.0; for (int j=1; jM; ++j) { A.element(j,j-1)=0.5*j*delta_t*(r-sigma_sqr*j); A.element(j,j)=1.0+delta_t*(r+sigma_sqr*j*j); A.element(j,j+1)=0.5*j*delta_t*(-r-sigma_sqr*j); } A.element(M,M)=1.0; ColumnVector B(M+1); for (int n=0; n=M; ++n) { B.element(n)=max(0.0,X-S_values ); } ColumnVector F=A.i()*B; for (int t=N-1; t0; --t) { B=F; F=A.i()*B; } return F.element(M/2); }
个人分类: 金融工程|0 个评论
分享 BSM期权定价模型—外推差分法
accumulation 2015-4-30 12:55
double option_price_call_european_finite_diff_explicit(const double S, const double X, const double r, const double sigma, const double time, const int no_S_steps, const int no_t_steps) { double sigma_sqr=sigma*sigma; unsigned int M; if ((no_S_steps % 2)==1) { M=no_S_steps+1; } else { M=no_S_steps; }; double delta_S=2.0*S/M; vectordouble S_values(M+1); for (unsigned m=0; m=M; m++) { S_values =m*delta_S; }; int N=no_t_steps; double delta_t=time/N; vectordouble a(M); vectordouble b(M); vectordouble c(M); double r1=1.0/(1.0+r*delta_t); double r2=delta_t/(1.0+r*delta_t); for (unsigned int j=1; jM; j++) { a =r2*0.5*j*(-r+sigma_sqr*j); b =r1*(1.0-sigma_sqr*j*j*delta_t); c =r2*0.5*j*(r+sigma_sqr*j); } vectordouble f_next(M+1); for (unsigned int n=0; n=M; ++n) { f_next =max(0.0, S_values -X); } vectordouble f(M+1); for (int t=N-1; t=0; --t) { f =0; for (unsigned m=1; mM; ++m) { f =a *f_next +b *f_next +c *f_next ; } f =0; for (unsigned n=0; n=M; ++n) { f_next =f ; }; } return f ; } double option_price_put_european_finite_diff_explicit(const double S, const double X, const double r, const double sigma, const double time, const int no_S_steps, const int no_t_steps) { double sigma_sqr=sigma*sigma; unsigned int M; if ((no_S_steps % 2)==1) { M=no_S_steps+1; } else { M=no_S_steps; }; double delta_S=2.0*S/M; vectordouble S_values(M+1); for (unsigned m=0; m=M; m++) { S_values =m*delta_S; }; int N=no_t_steps; double delta_t=time/N; vectordouble a(M); vectordouble b(M); vectordouble c(M); double r1=1.0/(1.0+r*delta_t); double r2=delta_t/(1.0+r*delta_t); for (unsigned int j=1; jM; j++) { a =r2*0.5*j*(-r+sigma_sqr*j); b =r1*(1.0-sigma_sqr*j*j*delta_t); c =r2*0.5*j*(r+sigma_sqr*j); } vectordouble f_next(M+1); for (unsigned int n=0; n=M; ++n) { f_next =max(0.0, X-S_values ); } vectordouble f(M+1); for (int t=N-1; t=0; --t) { f =X; for (unsigned m=1; mM; ++m) { f =a *f_next +b *f_next +c *f_next ; } f =0; for (unsigned n=0; n=M; ++n) { f_next =f ; }; } return f ; } double option_price_call_American_finite_diff_explicit(const double S, const double X, const double r, const double sigma, const double time, const int no_S_steps, const int no_t_steps) { double sigma_sqr=sigma*sigma; int M=no_S_steps; if ((no_S_steps % 2)==1) { M=no_S_steps+1; } else { M=no_S_steps; }; double delta_S=2.0*S/M; vectordouble S_values(M+1,0.0); for (int m=0; m=M; m++) { S_values =m*delta_S; }; int N=no_t_steps; double delta_t=time/N; vectordouble a(M,0.0); vectordouble b(M,0.0); vectordouble c(M,0.0); double r1=1.0/(1.0+r*delta_t); double r2=delta_t/(1.0+r*delta_t); for (unsigned int j=1; jM; j++) { a =r2*0.5*j*(-r+sigma_sqr*j); b =r1*(1.0-sigma_sqr*j*j*delta_t); c =r2*0.5*j*(r+sigma_sqr*j); } vectordouble f_next(M+1,0.0); for (int n=0; n=M; ++n) { f_next =max(0.0, S_values -X); } vectordouble f(M+1,0.0); for (int t=N-1; t=0; --t) { f =0; for (int m=1; mM; ++m) { f =a *f_next +b *f_next +c *f_next ; f =max(f ,S_values -X); } f =S_values -X; for (unsigned n=0; n=M; ++n) { f_next =f ; }; } double C2=f ; return C2; } double option_price_put_American_finite_diff_explicit(const double S, const double X, const double r, const double sigma, const double time, const int no_S_steps, const int no_t_steps) { double sigma_sqr=sigma*sigma; int M; if ((no_S_steps % 2)==1) { M=no_S_steps+1; } else { M=no_S_steps; }; double delta_S=2.0*S/M; vectordouble S_values(M+1); for (int m=0; m=M; m++) { S_values =m*delta_S; }; int N=no_t_steps; double delta_t=time/N; vectordouble a(M); vectordouble b(M); vectordouble c(M); double r1=1.0/(1.0+r*delta_t); double r2=delta_t/(1.0+r*delta_t); for (int j=1; jM; j++) { a =r2*0.5*j*(-r+sigma_sqr*j); b =r1*(1.0-sigma_sqr*j*j*delta_t); c =r2*0.5*j*(r+sigma_sqr*j); } vectordouble f_next(M+1); for (int n=0; n=M; ++n) { f_next =max(0.0, X-S_values ); } vectordouble f(M+1); for (int t=N-1; t=0; --t) { f =X; for (int m=1; mM; ++m) { f =a *f_next +b *f_next +c *f_next ; f =max(f ,X-S_values ); } f =0; for (int k=0; k=M; ++k) { f_next =f ; }; } return f ; } 外推差分法：只能用于 double S=50; double X=50; double r=0.1; double sigma=0.4; double time=0.4167; int no_S_steps=20; int no_t_steps=11;
个人分类: 金融工程|0 个评论
分享 有限差分法求解BSM期权定价模型
accumulation 2015-4-30 12:42
基本思想：先将衍生证券所满足的偏微分方程转化为一系列近似的差分方程，再用迭代法求解这些差分方程，最后得出衍生证券的价格； 对BSM偏微分方程，把从0时刻到期权的执行日T分成N个等间隔的时间段，每段步长t=T/N，因此总共有N+1个时点； 假设Smax为股票价格所能达到的最大值，定义价格步长为s=Smax/M，其中M为给定的价格步数，这样就有M+1个股票价格点；价格点与时间点构成了一个（M+1）*（N+1）坐标点的方格，图中的任意点（i，j）对应的时间为it，jS； 用fij表示点（i，j）的期权价格，这样，就可以用离散算子逼近偏微分方程中的各项，从而把上述偏微分方程转化为离散方程；离散方程分为内含有限差分法与外推有限差分法。
个人分类: 金融工程|0 个评论
分享 供求模型中的工具变量
accumulation 2015-4-29 16:54
工具变量的使用要满足四个条件： 1、与所替代的解释变量高度相关 2、与随机误差项不相关 3、与其他解释变量不相关 4、同一个模型中使用的多个工具变量彼此不相关。 再来看你的问题，解决价格与需求、供给之间的内生性问题，分析收入、预期、技术变动、替代物等量是否可以作为工具变量： 收入与供给需求相关——人力市场上尤其如此；预期涉及价格与供给；技术变动影响供给和价格、替代物影响供给与价格。其实你这个问题提得最有内生性——我们都应该意识到，价格是由供给需求共同决定的，怎么可能不存在相关性？没有人会直接用三个变量一起作为解释变量吧？
个人分类: 计量经济学|0 个评论
分享 GARCH模型参考文献
accumulation 2015-4-26 20:57
1.Modeling and Forecasting Realized Volatility 2.A General Multivariate Threshold GARCH Model with Dynamic Conditional Correlations 3.On ARCH Models: Properties, Estimation and Testing 4.Generalized Autoregressive Conditional Heteroskedasticity 5.Modeling the Coherence in Short-run Nominal Exchange Rates: A Multivariate Generalized ARCH Model 6.ARCH Models 7.A Capital Asset Pricing Model with Time-varying Covariances 8.No News is Good News: An Asymmetric Model of Changing Volatility in Stock Returns 9.A Long Memory Property of Stock Market Returns and A New Model 10.Modeling Volatility Persistence of Speculative Returns: A New Approach
个人分类: 金融工程|0 个评论
分享 金融计量学—GARCH模型的估计
accumulation 2015-4-26 15:21
分段估计的结果比模型误设时的估计结果要好得多。 因此，可以得到以下结论： A. 在存在参数变化的情况下，采用标准 GARCH 模型去估计将会因为模型误设 而得到错误的参数估计值； B ．对于模型中参数发生转变的情况，应当采取利用虚拟变量设置一个门限， 用以区分正的和负的冲击对条件波动性的影响，即采用 TGARCH 模型； C ．在金融市场中，一种金融资产的收益率的波动性，经常会显著地受到负的未预知到的收益的影响，当出现没有预期到的损失或者出现利空消息时，收益率时间序列变量的波动性会明显增大；
个人分类: 金融工程|0 个评论
分享 金融计量学—模型的比较
accumulation 2015-4-26 15:19
(1) 两个模型的比较： AIC 越小的模型相对越好，因此， ARMA(1,1) 模型在 AIC 准则上优于 AR(2) ； BIC 越小的模型相对越好，因此， ARMA(1 ， 1) 模型在 BIC 准则上优于 AR （ 2 ）； MSE 越小的模型相对越好，因此， ARMA （ 1,1 ）模型在 MSE 上优于 AR （ 2 ）； (2) 循环（ 1 ）（ 3 ）过程 100 次，比较 AIC 与 BIC ； workfile u 500 vector(100) count for !i=1 to 100 // 循环回归 100 次 smpl @all series u=@nrnd // 产生白噪音 u series x=1 // 对 x 设置初值 smpl 2 500 genr x=0.8*x(-1)+0.1*u(-1)+u // 生成 ARMA （ 1,1 ）时间序列 series ar1=x(-1) series ar2=x(-2) series ma1=u(-1) equation eq1.ls x c ar1 ma1 // 用 ARMA （ 1,1 ）拟合 equation eq2.ls x c ar1 ar2 // 用 AR(2) 拟合 count(!i)=(eq1.@aic eq2.@aic) // 如果 ARMA （ 1,1 ）模型的 AIC 小于 AR （ 2 ）模型的 AIC ，则取值为 1 next 结果 ： ARMA （ 1,1 ） 模型的 AIC 小于 AR （ 2 ） 的 AIC 次数为 64 次 ， 即 ARMA （ 1,1 ） 模型在 100 次中有 64 次优于 AR （ 2 ） 模型 ； 如果将 AIC 准则改为 BIC 准则 ， 则 count(!i)=(eq1.@sc eq2.@sc) ，结果为： ARMA （ 1,1 ）模型的 BIC 小于 AR （ 2 ）的 BIC 次数为 65 次，即 ARMA （ 1,1 ） 模型在 100 次中有 65 次优于 AR （ 2 ） 模型 ； 如果要求 ARMA （ 1,1 ）模型的 AIC 、 BIC 准则均优于 AR （ 2 ）模型，则需要满足 count(!i)=(eq1.@aic eq2.@aic and eq1.@sc eq2.@sc) ， ARMA （ 1,1 ）模型的 AIC 与 BIC 同时小于 AR （ 2 ）的 AIC 与 BIC 的次数为 60 次，即 ARMA （ 1,1 ） 模型在 100 次中有 60 次优于 AR （ 2 ） 模型 ； 总体上看， ARMA （ 1,1 ）模型的拟合效果比 AR （ 2 ）模型好；
个人分类: 金融工程|0 个评论
分享 金融时间序列分析
accumulation 2015-4-26 13:03
简评：第一章简明扼要的阐述和概括金融时间序列的概念与特点。 第二章线性模型讲的很全面，例子也很实际，常用和基本的概念几乎都涵盖了。细读这一章，时间序列分析完全可以人门。 第三章波动率模型中ARCH和GARCH讲得比较深入，其余的内容只是完全介绍性的，深入不足。波动率作为时间序列分析中最重要的研究对象之一，完全可以专门出一本书论述，一章难以概括全面。 第四章非线性模型，这一章可以不细读，文中提到的诸多模型（其实还可以更多）开阔眼界用非常合适。 第五章高频，这一章并不满意，从内容和引用文献上看，只是有些不够“时尚”，特别是缺乏限价指令簿分析、实现波动率等比较“时尚”的内容。另外，没有高频时间序列分析和实际交易相联系的部分，大失所望。 第六章连续模型中期权的部分实际上是多余的，重点应该放在SDE的参数估计和模拟上，这一章最失望。 第七章风险分析，将经典的VaR和GARCH时间序列模型结合在一起讲，不落俗套耳目一新，遗憾的是缺少CVaR等内容。极值理论的部分介绍得很全面。 第八章多元模型在同类教科书中不多见，权当开眼界，深入研究的话研读专著才行。 第九章因子分析，常见的因子分析，“静态分析”为主，“动态分析”不多见。 第十章多元波动率，罗列了一些多元模型，但是给人感觉不清不楚。 第十一章状态空间模型，状态空间模型很强大，曾经读过一篇博士论文，在状态空间理论下阐述多元markov转换时间序列模型，巧妙的回避了复杂的MLE，提出了简洁的EM算法估计参数，非常赞。有机会的话把算法写成R-package。状态空间的理论部分显得多余。 第十二章MCMC在同类教科书中也是少见的，基本概念讲得挺清楚，例子也很实际。 总结一下：基础理论尽量做到了面面俱到，全书最出彩的地方在例子，作者举例不仅是为了展示和验证理论，更正可贵的是展现出“调模型”的研究过程，给人一种带着读者做研究的感觉。
个人分类: 金融工程|0 个评论
分享 CAPM模型
accumulation 2015-4-26 12:32
求问为什么CAPM模型中的资本市场线、证券市场线是用收益率与标准差的回归得到的一条直线，而不是用收益率与方差回归而得到一条直线？能否用市场数据根据计量经济学中的RESET检验法确定一下用方差、标准差与收益率作回归哪个拟合得更好？求指教！ 标准差和方差的主要区别是方差的单位是平方，标准差则是单位一。这样，收益率与标准差的回归得到的一条直线，而收益率与方差回归得到的就会是一条抛物线，不方便研究。
个人分类: 金融学|0 个评论
分享 金融计量学—GARCH模型
accumulation 2015-4-25 14:23
1.微观金融数据的波动性特征—波动性聚集现象； 2.波动性聚集现象—股票收益率的分布出现尖峰、厚尾的现象； 3.有效市场假说—正态分布； 4.条件异方差模型—描述波动性聚集现象； 5.金融时间序列—高频数据的特征； 6.ARCH模型：残差项自身在各期没有明显的相关性，但是残差平方项呈现出较强的自相关性，即ACF呈缓慢衰减趋势； 7.ARCH模型的性质、ARCH模型的检验结果； 8.GARCH（1,1）模型的基本定义与估计结果； 9.GARCH模型与波动率预测； 10.GARCH模型的扩展模型；
个人分类: 金融工程|0 个评论
分享 金融计量学—ARMA模型
accumulation 2015-4-25 13:54
1.移动平均过程—MA（1）； 2.MA（1）过程的均值、方差、自协方差； 3.MA（1）过程的自相关函数； 4.MA（1）过程的可逆性—与AR过程的联系； 5.MA（2）过程的定义、性质、均值、自协方差、自相关函数； 6.MA（q）过程的可逆条件与逆特征方程； 7.ARMA(p，q)过程的基本定义； 8.ARMA(p，q)过程的平稳性与可逆性； 9.ARMA(p，q)过程的均值、方差与自协方差； 10.ARMA过程的自相关函数； ARMA模型的实证分析及应用：滞后期设定（AIC与BIC（SIC））、回归分析；
个人分类: 金融工程|0 个评论
123456789下一页

京ICP备16021002号-2 京B2-20170662号 京公网安备 11010802022788号 论坛法律顾问：王进律师 知识产权保护声明   免责及隐私声明

GMT+8, 2026-2-13 05:07