期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到8篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
中国股市收益及波动的ARFIMA-FIGARCH模型研究 被引量：20
1
作者 张卫国 胡彦梅 陈建忠 《南方经济》 北大核心 2006年第3期108-112,共5页
与现有研究方法不同,本文通过考察Akaike、Schwarz、Shibata、Hannan-Quinn四个信息准则,建立了描述深圳股票市场收益过程和波动过程双长记忆性特征的ARFIMA-FIGARCH模型。实证分析说明采用ARFIMA(0,m,1)-FIGARCH(1,d,0)模型拟合最好。... 与现有研究方法不同,本文通过考察Akaike、Schwarz、Shibata、Hannan-Quinn四个信息准则,建立了描述深圳股票市场收益过程和波动过程双长记忆性特征的ARFIMA-FIGARCH模型。实证分析说明采用ARFIMA(0,m,1)-FIGARCH(1,d,0)模型拟合最好。研究结果表明:深圳成分指数日收益序列无长记忆,但波动序列具有较强的长记忆特征。 展开更多
关键词 中国股票市场 双长记忆 ARFIMA-FIGARCH模型
下载PDF
中国股市收益分形分布的实证研究 被引量：8
2
作者 黄诒蓉 《南方经济》 北大核心 2006年第2期99-106,共8页
近年来,分形分布在金融市场中的研究和应用逐渐引起研究者的浓厚兴趣。本文借助分形分布理论对中国股票市场的收益分布特性进行了实证研究,估计出了分形分布的参数,绘制了分形分布的密度曲线,并对其进行了拟合检验。实证结果表明,分形... 近年来,分形分布在金融市场中的研究和应用逐渐引起研究者的浓厚兴趣。本文借助分形分布理论对中国股票市场的收益分布特性进行了实证研究,估计出了分形分布的参数,绘制了分形分布的密度曲线,并对其进行了拟合检验。实证结果表明,分形分布能较好地拟合中国股票市场的收益序列。 展开更多
关键词 股票收益 分形分布 特征指数
下载PDF
我国股市收益的双长记忆性检验——基于VaR估计的ARFIMA-HYGARcH-skt模型 被引量：15
3
作者 曹广喜 《数理统计与管理》 CSSCI 北大核心 2009年第1期167-174,共8页
针对股市收益分布的"尖峰肥尾"特征,引入了偏t分布作为新息分布。基于VaR方法,从风险估计的角度,利用ARFIMA(2,d_1,0)-HYGARCH(1,d_2,1)-skt模型对1996年12月17日至2007年7月5日期间的沪深股市收益进行了实证分析.实证结果显... 针对股市收益分布的"尖峰肥尾"特征,引入了偏t分布作为新息分布。基于VaR方法,从风险估计的角度,利用ARFIMA(2,d_1,0)-HYGARCH(1,d_2,1)-skt模型对1996年12月17日至2007年7月5日期间的沪深股市收益进行了实证分析.实证结果显示:沪深股市具有显著的双长记忆特征;上海股市的日收益率和波动率的长记忆性均比深圳股市强;ARFIMA(2,d_1,0)- HYGARCH(1,d_2,1)-skt模型对我国股市收益具有较强的风险估计和预测能力。 展开更多
关键词 双长记忆性 ARFIMA HYGARCH VAR
原文传递
基于SKT-ARFIMA-HYGARCH模型的开放式基金投资风格漂移收益及其波动分形研究 被引量：4
4
作者 许林 宋光辉 郭文伟 《统计与信息论坛》 CSSCI 2011年第3期56-62,共7页
以往大量文献研究表明基金经常发生风格漂移现象,但资本市场呈分形特征违背了有效市场假说,对传统的实证研究方法提出了巨大挑战。以2005年上半年成立的5只开放式基金为研究样本,利用3个信息准则确定ARFIMA(1,d1,1)-HYGARCH(1,d2,0)为... 以往大量文献研究表明基金经常发生风格漂移现象,但资本市场呈分形特征违背了有效市场假说,对传统的实证研究方法提出了巨大挑战。以2005年上半年成立的5只开放式基金为研究样本,利用3个信息准则确定ARFIMA(1,d1,1)-HYGARCH(1,d2,0)为最优模型,引入SKT分布结合该模型来探索研究基金投资风格漂移所带来的收益及波动过程的分形特征。实证结果表明:该模型能够较好刻画投资风格漂移日收益序列的双长记忆性分形特征,其波动过程均存在显著的长记忆性,但收益过程存在长、短记忆性不统一现象,这进一步说明基金投资风格经常发生无序漂移现象,也折射出其背后存在着巨大的漂移风险隐患。最后,Person吻合度检验证实了SKT分布能较好地拟合基金投资风格漂移日收益序列的分布。 展开更多
关键词 投资风格漂移 双长记忆性 SKT-ARFIMA-HYGARCH模型 分形 开放式基金
下载PDF
中国股指期货市场长记忆性及对股票现货市场有效性影响实证分析 被引量：1
5
作者 衷亚成 《金融教育研究》 2013年第4期33-37,共5页
基于股指期货日收盘价数据,我们建立了能够同时测度其收益率和波动率的双长记忆性的ARFIMA-FIGARCH模型,模型估计结果表明我国股指期货的日收益率序列及其波动率序列均出现较显著的长记忆性特性,即我国股指期货市场是非有效市场。进而... 基于股指期货日收盘价数据,我们建立了能够同时测度其收益率和波动率的双长记忆性的ARFIMA-FIGARCH模型,模型估计结果表明我国股指期货的日收益率序列及其波动率序列均出现较显著的长记忆性特性,即我国股指期货市场是非有效市场。进而对股指期货上市前后沪深300指数的双长记忆性行为的进一步研究,发现股指期货的推出有助于促进我国股票现货市场的有效性。 展开更多
关键词 股指期货 有效性 长记忆性
下载PDF
中国股市风格溢价双长记忆性研究 被引量：1
6
作者 郭文伟 《商业研究》 CSSCI 北大核心 2013年第10期115-121,共7页
利用中国股市风格资产在日、周、月和季频率上的数据(2000-2013),本文引入偏t分布作为新息分布来描述中国股市规模溢价和价值溢价分布存在的"尖峰厚尾"特征,根据最小化信息准则构建ARFIMA-YHGARCH-skt模型,以刻画中国股市风... 利用中国股市风格资产在日、周、月和季频率上的数据(2000-2013),本文引入偏t分布作为新息分布来描述中国股市规模溢价和价值溢价分布存在的"尖峰厚尾"特征,根据最小化信息准则构建ARFIMA-YHGARCH-skt模型,以刻画中国股市风格溢价序列收益过程和波动过程的双长记忆性。研究表明中国股市并不存在显著的规模溢价,只存在显著的价值溢价:在收益过程方面,规模溢价具有收益长记忆性,但并不显著;而价值溢价在日、月和季度频率上的序列具有显著的收益长记忆性;在波动过程方面,规模溢价和价值溢价均在日、周频率上的序列具有显著的波动长记忆性。 展开更多
关键词 规模溢价 价值溢价 双长记忆 ARFIMA—HYGARCH模型
下载PDF
基于深度残差双单向DLSTM的时空一致视频事件识别 被引量：13
7
作者 李永刚 王朝晖 +5 位作者 万晓依 董虎胜 龚声蓉 刘纯平 季怡 朱蓉 《计算机学报》 EI CSCD 北大核心 2018年第12期2852-2866,共15页
监控视频下的事件识别是近期计算机视觉领域的研究热点之一.然而,自然场景下监控视频往往具有背景复杂、事件区域内对象遮挡严重等特点,使得事件类内差异大、类间差异小,给识别带来了很大的困难.为解决复杂背景下事件识别问题,提出了一... 监控视频下的事件识别是近期计算机视觉领域的研究热点之一.然而,自然场景下监控视频往往具有背景复杂、事件区域内对象遮挡严重等特点,使得事件类内差异大、类间差异小,给识别带来了很大的困难.为解决复杂背景下事件识别问题,提出了一种基于深度残差双单向DLSTM(DRDU-DLSTM)的时空一致视频事件识别方法.该方法首先从训练好的时间CNN网络和空间CNN网络获取视频的时空深度特征,经LSTM同步解析后形成时空特征数据联接单元DLSTM,并作为残差网络的输入.双单向传递的DLSTM联接后构成DU-DLSTM层;多个DU-DLSTM层再加一个恒等映射形成残差模块;在此基础上,多层的残差模块堆叠构成了深度残差网络架构.为了进一步优化识别结果,设计了基于双中心Loss的2C-softmax目标函数,在最大化类间距离的同时最小化类内间隔距离.在监控视频数据集VIRAT 1.0和VIRAT 2.0上的实验表明,该文提出的事件识别方法有很好的性能表现和稳定性,识别准确率分别提高了5.1%和7.3%. 展开更多
关键词 事件识别 时空一致 残差网络 LSTM 双单向 DLSTM 深度特征 监控视频
下载PDF
基于双层LSTM的泥水盾构掘进运行状态监测方法研究与应用
8
作者 刘四进 《隧道建设（中英文）》 CSCD 北大核心 2024年第8期1576-1586,共11页
为降低盾构隧道施工过程中对施工人员经验的依赖程度,提高施工的安全性和稳定性,提出基于双层长短期记忆网络(long short-term memory,LSTM)的盾构掘进运行状态监测方法。首先,在建模之前对数据进行预处理,结合极致梯度提升(XGBoost)算... 为降低盾构隧道施工过程中对施工人员经验的依赖程度,提高施工的安全性和稳定性,提出基于双层长短期记忆网络(long short-term memory,LSTM)的盾构掘进运行状态监测方法。首先,在建模之前对数据进行预处理,结合极致梯度提升(XGBoost)算法和经验知识,从运行变量中筛选出推力、贯入度、转矩、推进速度等各模块重要的特征变量及其相关变量,以此作为盾构掘进运行状态监测模型的输入,并以盾构关键特征变量作为监测模型的输出;然后,采用深度学习方法,建立双层LSTM故障监测模型,提取环内以及环间的时序关联特征,构建监测统计量T2和Espe,对不同情况下的数据设定不同的监测策略;最后,将模型应用于济南黄河隧道东线工程中,对本文所建立的模型进行验证,并与无时序特征学习的自动编码器模型AE(auto encoder)、单层LSTM模型以及其他算法的监测效果进行比较。研究结果表明:对于正常掘进环,双层LSTM方法的误报率<1.25%;对于掘进状态异常环,双层LSTM的监测准确率达到91.6%,验证了本文方法对于盾构隧道掘进运行状态监测的有效性。 展开更多
关键词 泥水盾构 掘进运行状态 时序关联分析 双层LSTM
下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部