基于状态空间方法的中国费雪效应的检验
这是一篇关于状态空间模型,短期自然利率,费雪系数的论文, 主要内容为本文通过分析费雪效应的理论背景,费雪利息理论,发现费雪效应是一种建立在古典实物利息理论之上的效应,它要求市场迅速出清和价格弹性。但是现实世界毕竟不是无“摩擦”的理想环境,它满足不了这个理论前提,因此费雪利息理论在短期很难成立,目前的费雪效应检验仅仅把实际利率简化成一个不变的截距项是不恰当的。这不禁让人思考,或许可以探索性地结合自然利率的计量研究方法,把短期自然利率纳入到费雪效应的检验之中。基于这种思考,本文构建了由IS曲线、基于菲利普斯曲线的总供给曲线、费雪效应方程组成的量测方程组,由潜在GDP的对数、短期自然利率,预期通货膨胀率等组成的状态方程组,它们一起构成状态空间模型。模型估计结果显示短期自然利率变化趋势分为两个阶段。第一阶段为2002年第1季度到2007年第4季度,趋势为快速下降,数值从0.08下降到0.02。第二阶段为2008年第1季度到2013年第3季度,趋势大致为一水平线,数值在0.020到0.011之间,稳定在0.014左右。在2002年第1季度到2013年第3季度,费雪系数的估计值为1.0,中国存在完全的费雪效应。这和ECM模型估计得到的部分费雪效应,存在很大差别。因此本文认为,在估计费雪效应的时候采用短期自然利率或许是解开费雪效应之谜的关键。
最小方差框架下套期保值有效性的模型比较——基于我国钢材期货市场的实证分析
这是一篇关于套期保值,套期保值绩效,状态空间模型,卡尔曼滤波的论文, 主要内容为规避风险和价格发现是期货市场的两大基本功能,其中风险规避功能在现实中越来越得到投资者的认可,且运用越来越广泛,而这一功能是由套期保值来实现的。套期保值的核心问题是确定最优的套期保值比率,本文正是围绕最优套期保值比率而展开的。 本文共分为七个部分,第一章导论,该部分包含研究背景、研究意义、文献综述,以及本文的研究框架及研究方法。文献综述中本文根据国内外对套期保值理论研究的发展进行评述,这也是本文的理论基础：Keynes(1923,1930)和Hicks(1946)最早提出了套期保值理论,该时期的理论是根据实现套期保值的经济学原理,在期货市场上建立一个与现货交易方向相反、数量相等的交易头寸,也就是套期保值比率为1的套期保值策略。由于该理论没有考虑到期货价格与现货价格存在的基差风险,因而套期保值比率为1的套期保值策略难以实现一个市场的获利完全弥补另一个市场的亏损。Working(1960)继续发展了套期保值理论,提出了一种基于通过交易双方协商,由套期保值者确定协议基差的幅度和选择期货价格期限的基差逐利型套期保值理论,该理论思想是套期保值者通过交易基差风险,来将其转移给另一方,套保者以此来达到完全保值或盈利的目的,该理论实质是一种投机的行为。而现代的套期保值理论是于马科维茨的投资组合理论基础之上建立的。它主要包括两类：一是从投资组合收益风险最小化的角度来研究最小风险下的套期保值比率；二是权衡组合收益与组合收益的方差从效用最大化的角度来研究均值-方差套期保值比率。以往的套期保值模型所估计出来的套期保值比率为静态的,为了使套期保值达到更好的套期保值效果,在现代套期保值理论的基础上,研究者们又提出动态的套期保值比率,随着计量经济学的发展,在估计套期保值比率的模型上进行不断改进。 第二章是期货市场评述部分,该部分对期货的产生和发展以及功能和作用进行了分析,接着本文介绍了国际钢材期货合约的产生和发展,并重点对我国的钢材期货市场发展现状进行了分析。我国钢材期货市场的特点是产生时间较短,但交易量巨大,尤其是螺纹钢期货,交易十分活跃。 第三章对套期保值相关理论进行了分析,在现实经济活动中风险是一直存在的,投资者为了规避持有的现货价格所面对的波动风险,利用期货合约进行套期保值。本章首先对套期保值的经济学原理进行了分析；然后,分析了套期保值的策略,在现实操作中,套期保值分为空头套保和多头套保,本章分别列举了投资者运用多头和空头套保来锁定最终价格的例子来对投资者套期保值操作做一个说明；最后,本章分析了运用套期保值应遵循的原则,为投资者提供参考。 第四章内容是最优套期保值比率的确定和套期保值的绩效评价原则。由于套期保值实质上是用基差风险来代替现货价格的波动风险,本章先对基差和基差风险进行了分析；由于基差风险的存在,套期保值者需要调整其持有的期货头寸与现货头寸的比值,来达到套期保值风险最小或效用最大的目的,本章假定投资者进行套期保值的目的是为了最大化的规避风险而不考虑收益,本文采用了风险最小化下的最优套期保值比率,本章给出了该比率的计算过程和最终形式；对投资者而言,最关注的是套保策略的套期保值效果,本文采用风险最小原则,由于风险最小化原则只考虑了风险因素,忽略了被套期保值组合的收益情况,本文在比较各模型的套期保值绩效上,本文引入夏普比最大原则,来对各模型的套期保值效果进行综合比较。 第五章是套期保值方法模型的分析。本文套期保值模型分为传统的完全套期保值模型和基于马科维茨投资组合理论的现代套期保值模型,在现代套期保值模型中,本文根据估计出的套保比率是静态与动态之分,把模型分为静态套期保值模型和动态套期保值模型。静态套期保值模型中,首先介绍运用最广泛的OLS模型,由于该模型存在残差自相关及异方差等问题,我们引入VAR模型来消除自相关问题,但由于VAR模型没有考虑协整问题,为了消除期货与现货之间的协整性对模型估计的影响,本文加入了误差修正模型。在动态套期保值模型中,本文采用VECM-GARCH模型和状态空间模型(SSM),运用VECM-GARCH模型消除了残差异方差的问题,运用基于卡尔曼滤波算法的状态空间模型,是因为该模型有以下优点：(1)状态空间模型(SSM)可以将不可观测的状态变量并入可观测的量测变量模型并可以一起得到估计结果；(2)状态空间模型是利用具有强有力的迭代算法——卡尔曼滤波来估计的。因为我国钢材期货市场有螺纹钢期货合约和线材期货合约,为了更全面的对我国钢材期货市场套期保值进行研究,本文引入一个替补合约组建了一个基于J检验的组合套期保值模型,来与前面的单品种套保进行对比。 第六章是基于我国钢材期货市场的实证分析,在该部分我们估计出各模型的套保比率,并对各模型的套期保值效果进行了比较。通过绩效比较本文得到两个结论：(1)状态空间模型(SSM)的表现最优,优于基于残差分析的OLS、VAR等模型,可以看出卡尔曼滤波算法的优越性。(2)动态的套期保值模型的套期保值效果总体要优于静态的套期保值模型。 第七章对全文进行了总结,得出一些结论来为投资者提供一些有益参考,本文并给投资者提供一些建议。 本文的创新之处是：(1)本文在传统的套期保值模型基础上,引入了基于卡尔曼滤波算法的状态空间模型(SSM)和基于J检验的组合套期保值模型,将各模型估计出的套期保值比率分为静态的套期保值比率、动态的套期保值比率和组合套期保值比率,通过估计出的不同的套保比率来综合考察各类模型的套期保值效果。(2)本文在比较各模型套期保值绩效时,在两个绩效评价原则下,先是对传统静态套期保值模型中的各模型和动态套期保值模型中的各模型套期保值绩效进行比较；然后是静态套期保值模型与动态套期保值模型的套保绩效进行比较；最后在与引入线材期货合约的组合套期保值模型套保效果进行比较,通过多角度比较各模型的套期保值绩效来得出一些结论。 本文的不足之处是：(1)本文引入基于J检验的组合套期保值模型,没有通过检验,不能拒绝λ=0的假设,说明引入线材期货合约没能降低风险,没有得出组合套期保值比率。(2)本文重点是估计套期保值比率的方法模型,没有给出具体的套期保值操作方案。(3)在样本外绩效评价中,本文直接使用动态套期保值比率的平均值作为最优套期保值比率来对其进行绩效评价,没有使用预期动态的套保比率。
国际主要经济体货币错配现象的实证研究
这是一篇关于货币错配,金融安全,状态空间模型,汇率制度的论文, 主要内容为货币错配现象，指的是国家或区域经济体在进行国际经贸合作和资本交易的时候，以外币计价的资产与负债对汇率波动存在弹性敏感，从而出现了资产负债价值上的不匹配，即出现了所谓的货币错配。国外学者对货币错配现象的研究始于拉美货币危机和亚洲金融风暴，学者研究发现危机国家手中都握有大量以外币计价的负债，本币被国际资本狙击后严重贬值，而本国的企业资本构成中存在着大量外债，货币贬值会产生大程度的净值损失，配合以国家货币政策和汇率政策的集体失灵，实体经济陷入衰退，金融安全受到严重冲击。新世纪以来，外汇储备的膨胀又让资产负债不匹配的情况出现反转，经济体存在着债权型货币错配的风险。由危机经验可以看到，货币错配现象是一种隐藏性风险，在净值损失的同时，造成宏观经济政策的冲突，影响宏观经济稳定和金融安全。当前，全球经济形势阴霾不散，金融环境不容乐观，我国持有巨额的外汇储备，庞大的净外币资产蕴藏着着非常严重的货币错配风险，而能够有效解决货币错配问题事关我国金融安全和经济持续发展。 以往国内学者关注的焦点多在于我国的货币错配程度测度，鲜有从国际经济体比较的角度和金融因素与货币错配关系的角度分析。本文以存在货币错配现象的国际大国经济体为研究对象，结合经济体的经济实力和货币错配状况，有针对性的选取了韩国、日本、中国、巴西、俄罗斯、印度六个主要经济体作为研究样本，从外汇储备、汇率、汇率制度三个金融要素入手，运用实证模型研究金融要素与货币错配的内在关系，以主要经济体的检验结果为依据，有针对性地提出相应的对策建议，文章具体内容和结构包括以下几个部分： 1.本文首先从研究背景和研究意义出发，对货币错配现象已有的国内外研究成果进行整理和梳理。其次介绍了货币错配的基本理论，从概念分析、测度模型选取两个角度进行阐释，通过比较确立本文要使用的测度指标AECM模型，在理论分析的最后，着重从金融安全的角度对货币错配进行分析，以内部和外部两个维度来进行因素分析。 2.对主要经济体货币错配的状况进行分析。结合国家区域分布和经济发展特点，本文以六个国家货币错配现象发生前后的经济背景为切入视角，分别进行原因分析和货币错配程度测算。韩国货币错配的分析集中在过度借债以及债务结构的原因分析，日本的货币错配集中在国内政策失灵、金融部门和私人部门外汇资产变动两个影响维度，而对我国货币错配程度的分析集中在金融安全因素分析和与日本债权型货币错配现象的比较上。金砖国家中，结合巴西和俄罗斯的高通胀背景，货币错配分析主要集中在政策制定和债务结构两个方向，印度的货币错配集中在净外币资产的安全性分析。在此基础上测算了六个主要经济体的AECM指数，分析主要经济体不同时期货币错配的程度和相应的原因。 3.通过实证检验对六个主要经济体货币错配程度与外汇储备、汇率、汇率制度间的内在关系进行了实证研究。创新性的采用状态空间模型SSM模型进行影响机制分析。实证结果表明：所有主要经济体的货币错配程度受汇率变动影响最大，汇率变化对货币错配的影响是长期的。而对于汇率制度，由进行过汇率改革的几个国家的状态空间分析可以看到，汇率制度越往浮动化和自由化方向发展，越能有效减弱货币错配程度。对于外汇储备，可以看到外汇储备对于债权型货币错配国家的货币错配产生非常大程度的影响，由状态空间弹性分析看，外汇储备净值与货币错配存在较强的弹性关系，反映外汇储备额对货币错配影响较为显著。 从金融安全的视角看，货币错配会影响经济发展，加剧金融风险积累，危害金融系统稳定性。本文从金融改革方面，我们应该从国内金融改革和国际货币体系合作两个维度进行改革，从汇率制度安排、外汇市场发展、外汇储备管理角度予以改进和优化，积极推进人民币国际化进程，增加我国在货币体系中的话语权和参与度。
动静态基因调控网络构建方法研究与分析
这是一篇关于基因芯片技术,动静态基因调控网络,状态空间模型,多源信息融合,聚类分析的论文, 主要内容为挖掘基因之间的相互作用以及基因对于外界环境变化的响应机制,可以帮助人们更好地认识生命现象,揭示生命本质。 本文主要针对动静态基因调控网络的构建方法进行研究。动态网络的研究能够帮助人们深入把握系统的动态特征,了解基因之间的相互作用机制以及基因对于细胞或组织功能进行调控的机理。本文提出了一种基于多源信息融合的状态空间模型(Multi-source Information Fusion State-Space Model, MIF-SSM)。该模型采用变分贝叶斯(Variance Bayes)方法,有效地防止了对隐状态维数的过高估计。在此基础上,将转录因子的结合位点作为状态空间模型参数的先验分布,融入到基因调控网络的推断中。最后,采用T细胞活化实验的真实数据进行实验,通过对比加入转录因子结合位点信息和不加位点信息的构建状况,证明了基于多源信息融合的状态空间模型可以大大提高基因调控网络构建的准确性。通过静态基因网络的分析,人们能够了解到生物系统的结构。当前应用于基因表达数据聚类的方法很多,本工作选取了三种典型的聚类方法,分别对于酿酒酵母周期数据和小鼠神经活动调控基因数据基因进行探索,从数据结构和生物功能两方面对结果进行评价,找出最适合该物种的聚类方法。这为我们把握生命本质,进一步了解基因动态网络奠定了坚实的基础。
基于状态空间模型的时间序列预测算法
这是一篇关于时间序列分析,序列预测,状态空间模型,卡尔曼滤波,循环神经网络的论文, 主要内容为时间序列分析在很多领域都具有很重要的应用。例如,在经济学领域中,每天都接触到的股市价格或者各种金融指数的分析可以帮助投资者进行决断进而影响金钱的流动。社会科学家则会关注人口系列的时间序列数据,比如出生率或者入学率等信息,从而预测未来人口健康程度的走向,进而为政府提供合适的人口政策建议。现有的时间序列分析方法包括时域以及频域两个角度。时域的方法关注点在于序列之间的滞后关系,换句话说就是研究过去几天发生的事情将如何影响明天发生的事情,而频域的方法会将周期性的研究视为重点,比如,经济周期,它的扩张和衰退呈现的规律。上述两个方法做法之间是独立的,但是两者之间却并不一定相互排斥,也存在有的工作同时从时域和频域出发的工作。时间序列预测是分析之后的应用,面对不同类型的时间序列分析后可以调整预测算法。然而,现有的时间序列预测算法主要从频域或时域的角度对时间序列进行建模。大多数方法都是依赖于序列本身的先验知识,无法适用于较为复杂的现实场景。实际上,在复杂场景中,时间序列的变化其实都是由其背后蕴含的共享背景信息造成的。这些背景信息通常在目标序列的预测任务中不会很明显地表现出来,需根据先验信息以及实验进行额外的挖掘与发现。比如,在预测空气中各类污染物的含量的任务中,仅仅根据污染物本身的信息进行预测容易产生较大的误差,但是如果把温度,湿度以及压强这些影响污染物含量的背景信息引入建模则会提供更多有效信息提高预测效果。因此,在本文的研究中,如何提取多个序列背后的共享背景信息,以及如何将提取出来的信息整合到预测模型是两个主要挑战点。为了解决上述两个挑战点,本文提出一个基于共享状态空间模型的时间序列预测算法(SSSM),主要是通过引入一个共享背景信息组件到状态空间模型中。在SSSM模型中,所有的序列都被视为一个整体并且对每条目标序列使用状态空间模型进行建模,同时融合了整个模型共享参数以及背景信息。具体做法如下:首先采用两个循环神经网络分别提取目标序列的时间特征以及背景信息。其次,将上面提取出的信息整合到状态空间模型,该模型是线性高斯形式的组件并且推断过程可以由卡尔曼滤波算法完成。最后,该模型按照具有上述两个组件的模型的对数似然进行优化。本文在三个真实的数据集中分别和多个业界主流的基线方法进行比较,发现SSSM在预测精准度上都超越了所有基线方法,工作的合理性被证明。同时经过相关性的实验分析,发现模型可以提取到数据背后的共享信息与目标序列之间是存在相关性,并且对于目标序列的预测存在着正向反馈的作用。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设货栈 ，原文地址：https://m.bishedaima.com/lunwen/48206.html
