导读:本文包含了长记忆时间序列论文开题报告文献综述及选题提纲参考文献，主要关键词:长记忆时间序列,趋势项变点,CUSUM检验,Sieve,bootstrap
长记忆时间序列论文文献综述
吉毛加,陈占寿,栗慧妮[1]（2019）在《长记忆时间序列趋势项变点的CUSUM检验》一文中研究指出本文研究长记忆时间序列趋势项的变点检验问题.基于最小二乘拟合残差构造了一种新的CUSUM型检验统计量,在无变点原假设下证明了检验统计量的极限分布是I型分数布朗运动的泛函,在备择假设下证明了检验统计量的一致性,并提出用Sieve Bootstrap方法确定检验统计量的临界值来避免精确估计冗余参数.数值模拟结果表明,提出的新方法在原假设下能较好地控制检验水平,在备择假设下能达到满意的检验势.(本文来源于《青海师范大学学报(自然科学版)》期刊2019年01期）
丁勤祥[2]（2019）在《区间型金融时间序列的长记忆性探究》一文中研究指出在金融市场日益复杂的趋势下,“有效市场假说”以及“随机游走理论”正遭受着人们的质疑。金融时序是否具有长记忆性以及如何对具有长记忆性的金融时序进行预测成为了近些年的研究热点。但综合现有研究发现,有关金融时序长记忆性的研究存在以下几个问题:首先,研究对象多是收益率序列或波动率序列等点值序列,极少有针对区间型的金融时间序列而展开的研究,而区间型金融时序在金融市场中广泛存在;其次,现有金融数据长记忆性校验方法较多,不同方法经常给出不一致的检验结果,缺乏一定的说服力;最后,预测模型多为单一模型,不能很好地反映金融时序的长记忆特性,预测精度不高,有必要对现有模型进行整合,发挥各个模型的优势。针对存在的问题,本文提出了区间型金融时间序列长记忆性的检验方法,以及长记忆区间组合预测模型。文章主要分为两个部分:第一部分,检验区间型金融时间序列的长记忆性。首先把区间型金融时间序列表示成区间中心和区间半径的形式,然后用传统的长记忆性检验方法分别对区间中心序列和区间半径序列进行长记忆性检验。若区间中心序列和区间半径序列诊断出长记忆性特征,则说明这个区间型金融时间序列蕴含一定的长记忆性。第二部分,针对蕴含长记忆性的区间型金融时间序列,建立长记忆区间组合预测模型。具体步骤为:先把区间型时间序列改写为区间中心和区间半径的形式;然后,建立区间中心序列和区间半径序列的单项预测模型;最后,以单项预测结果为基础,建立蕴含长记忆性的区间组合预测模型。为了验证模型的有效性,本文以国内上证综指、深证综指、沪深300、深证100、创业板指以及中小板指的区间股指序列为研究对象,运用R/S分析法、修正的R/S分析法、DMA法、DFA法以及GHE法对以上序列进行长记忆性检验,并对检验结果进行进一步的显着性检验。检验结果表明:上证综指以及沪深300区间股指具有明显的长记忆性,而其他金融时序的长记忆特性并不明显。然后,针对具有长记忆性的上证综指以及沪深300,建立了基于诱导有序加权几何平均算子的区间型金融时序组合预测模型,并根据MSEP、MSEL、MSEI、MRIE四种评价指标对模型的精度以及有效性进行评价比较。结果表明:相比较于单一的预测模型,组合预测模型更能发挥各模型的优势,结合序列蕴含的长记忆特征能够更加准确的实现对观测金融时序的建模和分析。本文的主要创新点如下:第一,研究对象不是单一的点值序列,而是区间型金融时间序列。相比较于收益率、波动率等点值序列,原始的区间型数列保留了更多的信息,在建立相应的模型时也能利用更多的信息;第二,同时运用R/S法、修正R/S法、DFA法、DMA法和GHE法对区间型金融时序进行长记忆性检验。本文通过五种不同的检验方法对同一序列进行验证,通过对比分析来检验时序的长记忆性,检验结果更具有说服力;第叁,综合运用长记忆均值模型以及波动率模型。对区间中心建立均值模型,对区间半径建立波动率模型。因此,最终的预测结果既包含了均值的信息,也包含了波动的信息,提取信息更加充分;第四,在各种单项预测结果的基础上,分别对区间中心和区间半径进行组合预测。组合预测能够综合各单项预测方法的优势,提取更多的信息,提高模型的预测精度及有效性。(本文来源于《安徽大学》期刊2019-02-01）
付国龙,何明灿,邵胜[3]（2018）在《长记忆时间序列参数多变点滑动比检验及应用》一文中研究指出提出了基于Lavancier统计量来检验长记忆时间序列中可能存在的参数多变点,作为前者的一个对比,还提出了利用滑动比率方法近似修正Lavancier统计量的临界值。检验并估计了长记忆时间序列中的参数多变点。模拟结果表明滑动比率统计量在检验多变点的情况下具有更高的经验势且能够更好地控制经验水平。突出了本文所提方法对参数多变点的检验具有优越性。最后通过中国2009年3月到2018年3月美国耐用品订单月率(%)数据说明了该方法的实用性。(本文来源于《齐齐哈尔大学学报(自然科学版)》期刊2018年05期）
田知时[4]（2018）在《基于bootstrap的时间序列长记忆参数估计》一文中研究指出本文主要研究在长记忆时间序列下Block Bootstrap方法的适用性。首先对经典流行的长记忆模型ARFIMA的发展进行了回顾与介绍,然后对于长记忆参数估计GPH估计法、R/S估计法和方差图估计法进行了介绍,简要叙述了估计方法的理论基础,产生过程和渐近性质等数学原理。在运用ARFIMA(0,d,0)模拟的长记忆数据时,来做bootstrap方法的长记忆参数估计,发现bootstrap不同块长抽样的改变对于结果稍有影响,总体来说置信区间的效果在样本较小的情况下效果显着,这也与bootstrap方法的初衷,针对小样本的运用不谋而合。而分析比较叁种估计方法在bootstrap下对参数d的估计发现,R/S方法与方差图法更加的准确,而GPH估计方法,结果往往偏低。对于估计方法的选择这一点是我们利用bootstrap估计长记忆性时所特别需要注意的。实证方面,主要对国内外黄金市场价格收益率波动率情况进行了研究,通过长记忆参数的估计,检验出国内黄金AU9999与伦敦金收益率与波动率都具有显着的长记忆性,并通过比较,发现了国际伦敦金收益率的长记忆程度稍有更高,bootstrap在实验中也有效的控制住了 95%置信区间值。(本文来源于《南京大学》期刊2018-05-27）
付国龙[5]（2018）在《长记忆时间序列多变点的滑动比检验》一文中研究指出基于单变点问题设计的检验方法在检验多变点时通常会失效,本文基于滑动的方法研究长记忆时间序列均值、方差及参数多变点的检验问题,并通过理论分析、数值模拟和实际数据分析验证检验方法的有效性.主要内容如下:首先,提出了检验长记忆时间序列均值多变点的滑动比率方法,在无变点原假设下证明了检验统计量的极限分布,在备择假设下证明了方法的一致性.模拟结果表明,提出的方法能够有效解决单变点检验方法在数据中存在多个变点时检验失效的问题.并用所提方法分析了一组尼罗河年度流量数据和一组北半球气温数据中的变点问题.其次,提出了检验长记忆时间序列方差多变点的滑动比率方法,在原假设下给出了检验统计量的极限分布,在备择假设下证明了所提方法的一致性.模拟结果显示,该方法对于方差多变点的检验具有较好的检验效果,并用提出的方法讨论了一组青海省原煤产量数据中的方差变点问题.然后,提出一种滑动比率型统计量研究了平稳长记忆过程参数多变点的检验问题,给出了检验统计量在平稳长记忆过程原假设下的极限分布.数值模拟结果显示,用滑动比率方法检验多变点能够显着的提高经验势,并通过一组美国耐用品订单数据验证了所提检验方法的有效性与可行性.最后总结全文,并给出长记忆时间序列多变点检验的一些展望.(本文来源于《青海师范大学》期刊2018-03-01）
马健琦[6]（2017）在《长记忆时间序列变点检验及其应用》一文中研究指出许多经济、金融等数据都具有长记忆性,且可能含有变点,这使得长记忆时间序列中各类变点的统计推断成为统计学中的研究热点.本文提出了检验长记忆时间序列中均值变点、方差变点以及持久性变点的一些方法,并从理论分析、数值模拟和实际数据分析叁个角度说明了所提方法的有效性和可行性.具体内容安排如下:第一章绪论介绍了变点和长记忆时间序列的概念,同时给出了文献中关于均值变点、方差变点和持久性变点检验的相关研究成果.第二章提出了一个新的统计量来检测长记忆时间序列中可能存在的均值变点,为便于实际应用还提出了一种Sieve Bootstrap方法来近似统计量的临界值.模拟结果表明本章方法不仅可以很好的控制经验水平,且经验势比文献中已有方法有一定幅度的提高.第叁章提出了一种检验长记忆时间序列方差变点的方法,并构造了和第二章类似的用于近似统计量的临界值的Sieve Bootstrap方法,模拟结果显示所提方法对于长记忆时间序列中方差由小变大和由大变小两个方向变化的变点都有很好的检验效果,并通过一组青青稞酒股票数据说明了本章方法的实用性.第四章中提出了两个修正比率统计量分别用来检测长记忆时间序列中可能存在的从平稳向非平稳变化和从非平稳向平稳变化的持久性变点,模拟结果表明,提出的方法不仅能够很好的控制检验水平,且具有较高的检验势.最后通过一组美国通货膨胀数据说明了该方法的实用性.第五章总结了全文,并给出对长记忆时间序列中变点检验的一些展望.(本文来源于《青海师范大学》期刊2017-03-01）
陈升[7]（2016）在《多元长记忆时间序列近似因子模型分析》一文中研究指出金融时间序列的研究是时间序列研究的一个重要分枝。金融时间序列既有在时间序列大框架下的共性,同时又有区别于其他序列的特性,比如数据的分布往往呈现出尖峰厚尾的特点,数据波动的异方差性以及波动集聚性,自相关性,长记忆特征等等。研究者对于长记忆性的认识起源于自然科学,深耕于经济、金融等领域。本文主要所研究的对象是包含长记忆特征的多维时间序列。本文的目的在于对多维长记忆时间序列进行近似因子模型分析,确定因子个数。对于此,本文在近似因子模型的框架下,针对存在长记忆性的多维时间序列,提出存在长记忆误差项的近似因子模型,并提出了确定该模型中因子个数的估计方法,通过理论和模拟呈现了该方法具有估计一致性的特点。模拟中表明,在不同的长记忆参数下,该估计方法表现出稳健性。在实证中,本文首先研究了全球股票市场之间的联动关系。其次研究了中国股票市场中二十个行业板块指数,运用本文所提出的模型来确定这些行业板块指数因子的个数。本文的主要创新和贡献集中在建立了存在长记忆误差项的近似因子模型,这是对当前近似因子模型的一个拓展,因为已有的近似因子模型,考虑的是误差项的序列相关和截面相关的情况,还未在因子模型中考虑误差项的长期相依性。同时,本文提出了该模型中因子个数的估计方法。这一估计方法主要分为两步,首先,将原时间序列进行长记忆性分解,得到长记忆部分和非长记忆部分。随后用近似因子模型的方法对非长记忆部分进行因子个数的选取,在这一步中,基于BIC和IC准则,提出了估计因子个数新的准则。理论结果证明该估计方法可以一致地估计出真实的因子个数。在统计模拟中,将本文提出的方法同直接使用IC、AIC和BIC准则选取因子的方法做比较。模拟结果发现,当长记忆参数值较大时,本文提出的方法可以准确地估计出真实的因子的个数,并且要远远好于其他方法。当长记忆参数值较小时,本文提出的方法略微逊色使用IC方法,但是仍然可以较为准确地估计出因子个数。总体来说,本文提出的方法对于不同的长记忆性参数,估计值表现出良好的稳健性,平均表现优于通过AIC,BIC和IC准则来确定因子个数。(本文来源于《浙江财经大学》期刊2016-12-01）
王谦,刘春,管河山,罗智超[8]（2016）在《金融时间序列长记忆性分析的非线性估计》一文中研究指出学术界对股市长记忆性分析结论存在分歧现象,长记忆性分析方法的精准性是一个重要的影响因素。文章通过对R/S、MR/S和V/S分析方法的参数估计问题进行探究,剖析了线性近似求解方式的不足之处,并采用梯度下降法估计非线性回归方程的Hurst指数,同时借助ARFIMA模型对估计精度进行了对比验证。采集我国A股市场股票样本的收益率数据实证,结果表明,非线性估计能提高分析方法对Hurst指数的估计精确度。(本文来源于《统计与决策》期刊2016年16期）
蒋非凡[9]（2016）在《长记忆时间序列的调整经验似然方法》一文中研究指出本文对时间序列的经验似然方法理论做了一个回顾,对经验似然方法处理的对象,以及其主要应用做了简要综述。经验似然理论在序列独立情形和短相关的情况下,已经得到相当好的结论,然而之前的一些经验似然方法在处理长记忆问题时可能会失效。本文在Nordman等人提出的经验似然方法的基础上,提出了针对长记忆序列的调整经验似然方法。该方法对长记忆序列进行分块,并加入调整项,构造经验似然函数。本文通过严格的证明,证实了在合理的分块系数下,Wilks定理成立。数值研究方面,我们使用循环嵌入方法来模拟出一种常见的长记忆过程,FARIMA序列。针对该序列,我们同时使用经验似然方法和本文提出的调整经验似然方法来处理。两种方法计算出的置信区间对均值有着良好的覆盖率。其中调整经验似然方法稍优于经验似然方法。另外选择不同的调整系数有着不同的结果,关于最优系数的选择,我们期待未来进一步的研究。(本文来源于《南京大学》期刊2016-05-01）
刘洪,王江涛[10]（2014）在《基于高频数据的时间序列长记忆系数比较研究》一文中研究指出在高频数据中,交易持续时间序列,交易量序列和收益率平方序列都存在长记忆现象。本文采用半参数方法,对同一只股票的上述叁种序列的长记忆参数进分析比较,结果显示,叁种序列都存在长记忆现象,而且同一只股票的上述叁种序列具有相同的长记忆参数。这些结果为微观市场的相关理论提供了实证。(本文来源于《数理统计与管理》期刊2014年04期）
长记忆时间序列论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
在金融市场日益复杂的趋势下,“有效市场假说”以及“随机游走理论”正遭受着人们的质疑。金融时序是否具有长记忆性以及如何对具有长记忆性的金融时序进行预测成为了近些年的研究热点。但综合现有研究发现,有关金融时序长记忆性的研究存在以下几个问题:首先,研究对象多是收益率序列或波动率序列等点值序列,极少有针对区间型的金融时间序列而展开的研究,而区间型金融时序在金融市场中广泛存在;其次,现有金融数据长记忆性校验方法较多,不同方法经常给出不一致的检验结果,缺乏一定的说服力;最后,预测模型多为单一模型,不能很好地反映金融时序的长记忆特性,预测精度不高,有必要对现有模型进行整合,发挥各个模型的优势。针对存在的问题,本文提出了区间型金融时间序列长记忆性的检验方法,以及长记忆区间组合预测模型。文章主要分为两个部分:第一部分,检验区间型金融时间序列的长记忆性。首先把区间型金融时间序列表示成区间中心和区间半径的形式,然后用传统的长记忆性检验方法分别对区间中心序列和区间半径序列进行长记忆性检验。若区间中心序列和区间半径序列诊断出长记忆性特征,则说明这个区间型金融时间序列蕴含一定的长记忆性。第二部分,针对蕴含长记忆性的区间型金融时间序列,建立长记忆区间组合预测模型。具体步骤为:先把区间型时间序列改写为区间中心和区间半径的形式;然后,建立区间中心序列和区间半径序列的单项预测模型;最后,以单项预测结果为基础,建立蕴含长记忆性的区间组合预测模型。为了验证模型的有效性,本文以国内上证综指、深证综指、沪深300、深证100、创业板指以及中小板指的区间股指序列为研究对象,运用R/S分析法、修正的R/S分析法、DMA法、DFA法以及GHE法对以上序列进行长记忆性检验,并对检验结果进行进一步的显着性检验。检验结果表明:上证综指以及沪深300区间股指具有明显的长记忆性,而其他金融时序的长记忆特性并不明显。然后,针对具有长记忆性的上证综指以及沪深300,建立了基于诱导有序加权几何平均算子的区间型金融时序组合预测模型,并根据MSEP、MSEL、MSEI、MRIE四种评价指标对模型的精度以及有效性进行评价比较。结果表明:相比较于单一的预测模型,组合预测模型更能发挥各模型的优势,结合序列蕴含的长记忆特征能够更加准确的实现对观测金融时序的建模和分析。本文的主要创新点如下:第一,研究对象不是单一的点值序列,而是区间型金融时间序列。相比较于收益率、波动率等点值序列,原始的区间型数列保留了更多的信息,在建立相应的模型时也能利用更多的信息;第二,同时运用R/S法、修正R/S法、DFA法、DMA法和GHE法对区间型金融时序进行长记忆性检验。本文通过五种不同的检验方法对同一序列进行验证,通过对比分析来检验时序的长记忆性,检验结果更具有说服力;第叁,综合运用长记忆均值模型以及波动率模型。对区间中心建立均值模型,对区间半径建立波动率模型。因此,最终的预测结果既包含了均值的信息,也包含了波动的信息,提取信息更加充分;第四,在各种单项预测结果的基础上,分别对区间中心和区间半径进行组合预测。组合预测能够综合各单项预测方法的优势,提取更多的信息,提高模型的预测精度及有效性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
长记忆时间序列论文参考文献
[1].吉毛加,陈占寿,栗慧妮.长记忆时间序列趋势项变点的CUSUM检验[J].青海师范大学学报(自然科学版).2019
[2].丁勤祥.区间型金融时间序列的长记忆性探究[D].安徽大学.2019
[3].付国龙,何明灿,邵胜.长记忆时间序列参数多变点滑动比检验及应用[J].齐齐哈尔大学学报(自然科学版).2018
[4].田知时.基于bootstrap的时间序列长记忆参数估计[D].南京大学.2018
[5].付国龙.长记忆时间序列多变点的滑动比检验[D].青海师范大学.2018
[6].马健琦.长记忆时间序列变点检验及其应用[D].青海师范大学.2017
[7].陈升.多元长记忆时间序列近似因子模型分析[D].浙江财经大学.2016
[8].王谦,刘春,管河山,罗智超.金融时间序列长记忆性分析的非线性估计[J].统计与决策.2016
[9].蒋非凡.长记忆时间序列的调整经验似然方法[D].南京大学.2016
[10].刘洪,王江涛.基于高频数据的时间序列长记忆系数比较研究[J].数理统计与管理.2014