共查询到11条相似文献,搜索用时 109 毫秒
1.
2.
基于MCMC方法的两类波动模型的应用比较 总被引:4,自引:0,他引:4
采用中国股市数据,运用基于Gibbs抽样的MCMC方法对ARCH—GARCH模型族与SV模型族进行了比较分析.实证结果显示,无论是从收益率序列峰度系数的描述看,还是从平方收益率序列自相关函数的描述来看,SV模型族都优于GARCH模型族;进一步,基于t分布的模型模拟效果总是优于基于正态分布的模型,看出股市收益率序列并不服从正态分布, 相似文献
3.
在比例危险率回归模型中以传统的参数方法给出回归系数的参数先验;在基准危险率函数为分段指数分布的条件下,通过引入增量的Gamma过程给出基准危险率的非参数先验过程;并由此构建出一种半参数贝叶斯比例危险率回归模型。通过运用基于Gibbs抽样的MCMC方法动态模拟出相关参数后验分布的马尔可夫链,给出随机截尾条件下模型参数的贝叶斯估计;利用BUGS软件包进行建模仿真分析的结果,特别是与参数回归模型结论的比较,证明了该模型在可靠性应用中的直观性与有效性。 相似文献
4.
基于Gibbs抽样的厚尾SV模型贝叶斯分析及其应用 总被引:3,自引:1,他引:2
我国的金融时间序列存在普遍的波动性现象,而波动性又存在尖峰厚尾现象。首先对反映波动性特征的厚尾金融随机波动模型(SV-T)进行贝叶斯分析,然后构造基于Gibbs抽样的MCMC数值计算过程进行仿真分析,最后利用DIC准则对SV-N模型和SV-T模型进行优劣比较。研究结果表明:在模拟我国股市的波动性的方面,SV-T模型比SV-N模型更优,更能反应我国股市的尖峰后尾的特性,并且证明了我国股市具有很强的波动持续性。 相似文献
5.
广义线性模型的贝叶斯分析及稳健参数设计应用 总被引:4,自引:0,他引:4
讨论了非正态响应稳健参数设计中应用最为广泛的广义线性模型.针对广义线性模型在稳健参数设计中普遍存在的估计性问题,对广义线性模型的参数采用相对客观的Jeffreys先验分布,运用基于ARMS抽样算法的MCMC方法动态模拟出各参数后验分布的马尔科夫链,并给出了广义线性模型参数的估计值和显著性因子.根据实际工业试验数据,利用SAS软件对广义线性模型进行了贝叶斯分析,结果表明贝叶斯广义线性模型在参数估计的稳健性和显著性因子识别方面比一般的广义线性模型更加可靠和有效. 相似文献
6.
虚拟试验利用计算模型研究复杂物理过程,并预测其性能.计算模型输入参数中通常包含部分固定但未知参数,可利用计算模型结果和少量有限的试验数据校准未知参数,并研究存在建模不确定性时虚拟试验的预测问题.提出了一种贝叶斯统计方法,采用高斯过程为仿真计算模型以及模型不确定性建模,利用Markov chain蒙特卡罗抽样方法计算校准参数和仿真模型预测后验分布.设计测试算例演示所提出方法的高效性. 相似文献
7.
基于采样理论的序列蒙特卡罗车辆跟踪算法 总被引:1,自引:1,他引:0
结合图像的灰度分布和空间布局,提出了一种基于灰度和空间信息的序列蒙特卡罗概率跟踪算法。通过比较采样值和期望值的特征距离来计算采样状态对应的权值。利用加权采样值来估计未知量后验概率的各阶矩,当采样数趋向于无穷时由大数定理保证,采样值分布逼近于真实值分布。仿真实验给出了利用因子采样对交通流中车辆跟踪的结果。实验表明,基于序列蒙特卡罗的车辆跟踪方法计算简单有效,可以准确地得到车辆的位置并且很好地跟踪其运动轨迹。 相似文献
8.
考虑正负资产收益对分位数冲击的不对称性提出间接TARCH-CAViaR模型.CAViaR一般模型中递归分位回归方程的非线性和非连续可微性是参数估计的一个难题,基于含有尺度参数的不对称拉普拉斯分布作为误差过程,指出将尺度参数固定为常数会导致不对称拉普拉斯分布随机变量的方差存在最小正值的限制,与实际金融数据分布不符;进而提出采用贝叶斯分析和马尔科夫链蒙特卡罗模拟方法,估计间接TARCH-CAViaR模型的参数,并可获得尺度参数的合理估计.实证研究中对上证指数的市场风险演化模式进行了测算,动态分位检验、后验测试表明模型VaR预测效果理想,消息冲击曲线表明上海股市好坏消息对市场风险的冲击是不对称的,且这种影响作用在不同置信水平市场风险中表现得有显著差异. 相似文献
9.
10.
CAViaR模型是常用的VaR估计方法之一, 但通常面临参数估计和模型检验的困难. 本文发展了贝叶斯CAViaR模型用于分析油价风险, 并考察该模型在参数估计、模型选择、VaR预测等方面的作用. 采用布伦特原油价格日数据, 研究显示贝叶斯CAViaR模型有效控制了估计风险和模型风险, 且具有较好的VaR预测绩效, 优于传统CAViaR模型. 本文同时指出, 油价VaR存在自回归特征并受前期正负收益率的不对称影响. 不对称斜率CAViaR模型有效刻画了油价VaR的动态变化模式. 相似文献
11.
基于EOF-SVD模型的多元时间序列相关性研究及预测 总被引:1,自引:1,他引:1
将奇异值分解同自然正交分解相结合,提出一种改进的正交奇异值分解方法.通过对原始数据进行自然正交分解,削弱原始数据之间的相关性,增强其用于分析及预测的能力,并得到相互正交的主成分代替原始数据进行奇异值分解,分析两个变量场之间的相关关系.在此基础上建立神经网络预测模型,实现多元时间序列的预测.采用该方法对三门峡处径流量同太平洋海温的耦合关系进行分析,并同常规奇异值分解方法进行比较,仿真结果验证了所提方法的有效性. 相似文献