温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,汇文网负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。
网站客服:3074922707
2023
基于
ARFIMA
模型
记忆
参数
度量
方法
比较
研究
基于ARFIMA模型的长记忆性参数度量方法比拟研究
万钟林 李红艳
【摘 要】论文首先通过设置不同的长记忆性参数d,基于ARFIMA模型模拟生成了一系列长记忆性时间序列,然后分别用R/S、DFA和DMA三种非参数方法估算长记忆性参数,并对估计结果进行了比拟分析。计算结果说明,对于纯长记忆性时间序列,与R/S和DFA方法相比,DMA方法估计结果更加精确,但没有显著性差异。
【Abstract】The paper firstly simulates and generates a series of long memory time series based on ARFIMA model by setting different long memory parameters d, and then separately uses three non-parametric methods, namely R/S, DFA and DMA, to estimate the long memory parameters, and compares and analyzes the estimation results. The calculation results show that for pure long memory time series, compared with R/S and DFA methods, the estimation results of DMA method are more accurate, but there is no significant difference.
【关键词】长记忆性;方差分析;R/S;DFA;DMA
【Keywords】long memory; variance analysis; R/S; DFA; DMA
【中图分类号】O212;F830 【文献标志码】A 【文章编号】1673-1069〔2023〕10-0120-03
1 引言
自Hurst〔1951〕在水文研究中首次提出长记忆性这一概念后,长记忆性作为金融时间序列一个重要特征吸引了金融领域众多学者进行广泛深入的研究,如Embrechts和Maejima〔2002〕、Palma〔2022〕和Robinson〔2003〕等。在长记忆性时间序列分析和建模中,长记忆性参数的估计是极其重要的内容,该参数通常由Hurst指数H或分形参数d表达,前者由Mandelbrot〔1968〕等人提出,后者由Granger、Joyeux〔1980〕以及Hosking〔1981〕在Box-Jenkins ARIMA〔p,d,q〕模型的推广中提出,两者关系式是H=d+1/2。为了估计Hurst指数H或分形参数d,许多学者提出了不同的估计方法,如R/S方法〔Hurst,1951〕、GPH〔Geweke and Porter-Hudak,1983〕、DFA方法〔Peng,1994〕以及DMA方法〔Alessio等,2002〕等。这些方法都有各自的优缺点,如当序列存在短记忆性时,R/S方法估计结果误差较大。
本文通过预先设置不同的参数d值,基于ARFIMA〔p,d,q〕模型模拟生成了一系列长记忆性时间序列,运用重标度极差法〔R/S〕、去趋势分析法〔DFA〕和去趋势移动平均法〔DMA〕来估计长记忆性参数d,并对长记忆性参数估计结果进行了比拟研究。
2 ARFIMA模型简介
假设平稳时间序列{yt}满足差分方程
3 模拟研究与比照分析
4 结论与展望
从以上模拟实证分析结果可以看出,对于纯长记忆性时间序列,三种非参数方法估计的结果并没有显著性差异。主要原因可能是:三种方法均属于非参数方法,并且在估计长记忆性参数d时,均运用了最小二乘法,因此,估计结果没有表现出显著的差异性。另外,最小二乘法适合于线性估计,而分形市场是非线性系统,这可能是导致估计误差产生的另一重要原因。因此,在后续研究中,可运用其他估计方法加以改良,如梯度下降法、粒子群算法、遗传算法、神经网络算法、核密度估计方法、贝叶斯方法等,以提高长记忆性参数估计的精度。
【参考文献】
【1】朱文敏.迭代方法与微分方法在研究具有记忆性的Petrovsky方程动力学性质中的应用[D].曲阜:曲阜师范大学,2023.
【2】邓露.短期噪声下两种长记忆性判别方法的小样本比拟[J].数理统计与管理,2023,33〔02〕:276-285.
【3】吴量.分数阶高斯随机场中的长记忆性研究[D].武汉:中国科学院研究生院〔武汉物理与数学研究所〕,2023.
【4】李云紅,魏宇,张帮正.股票市场历史信息的长记忆性特征研究[J].中国管理科学,2023,23〔9〕:37-45.
【5】田存志,程富强,付辉.关于金融市场长记忆性研究的假设干争论[J].经济学动态,2023〔6〕:141-149.
【6】王谦,刘春,管河山,等.A股市场长记忆性特征研究[J].财会月刊〔中〕,2023〔6Z〕:126-129.
【7】Guglielmo Maria Caporale,Luis Gil-Alana,Alex Plastun.Long memory and data frequency in financial markets[J].Journal of Statistical Computation and Simulation,2023,89〔10〕:1763-1779.
【8】丁晓强,宋礼鹏.用户在线行为的记忆性研究[J].科学技术与工程,2023,16〔26〕:80-84.
【9】秦岭,戴睿闻.具有记忆性的自适应布谷鸟搜索算法[J].微电子学与计算机,2023〔3〕:15-19+24.
【10】李大夜.基于分形方法的金融市场长记忆性研究[D].北京:对外经济贸易大学,2023.
【11】Robinson,P.M.Gaussian Semiparametric Estimation of Long Range Dependence[J].Annals of Stats,1995,23〔5〕:1630-1661.
【12】Knight M I,Nunes M A.Long memory estimation for complex-valued time series[J].Stats and Computing,2023,29〔3〕:517-536.