• <menu id="auygi"></menu>
  • 科研動態 | 我校教師連續發表多篇頂級國際期刊論文

    文章來源:科研處 作者: 發布時間:2021-07-05 瀏覽次數:10

    一、利用模型不確定性下的測量誤差預測比特幣的實現波動率

    圖片

    邱越, Zongrun Wang, Tian Xie, Xinyu Zhang,《Forecasting Bitcoin realized volatility by exploiting measurement error under model uncertainty》, Journal of Empirical Finance Vol. 62, 2021, doi: 10.1016/j.jempfin.2021.03.003.

    關鍵詞  HARQ;模型平均;比特幣;實現波動率

    摘    要  通過異質自回歸模型對比特幣實現的波動率進行建模受制于實證中的大量模型不確定性。為規避滯后規范不確定性,我們引入了一個新的模型平均系數估計法,它能夠最小化均方系數的估計誤差。論文證明平均系數向量有一個root-n相合性并提供了基于double bootstrap方法的檢驗方法,蒙特卡羅模擬結果證明了所提出方法的可靠性,樣本內的應用表明,HARQ 類型模型對測量誤差的調整是必要的。模型平均估計法能夠帶來更高的樣本內解釋力以及更多重要的預測因子,樣本外實證結果表明預測時長對正負已實現方差預測比特幣波動起著關鍵作用揮發性。最后,本文提出的平均HARQ 類型模型不管在短期還是長期均展示了優越的樣本外表現。


    二、通過衡量成分股之間的聯系來預測股指波動

    圖片

    邱越, Tian Xie, Jun Yu, Qiankun Zhou 《Forecasting Equity Index Volatility by Measuring the Linkage among Component StocksForthcoming, doi: 10.1093/jjfinec/nbaa005

    關鍵詞 波動率預測;異質自回歸;共同相關效應;隨機森林

    摘    要 在對相關指數波動率進行建模和預測時,成分股的實現波動率之間的聯系很重要。在本文中,在假設未觀察到的錯誤共同因素的面板異質自回歸模型下,通過擴展的共同相關效應 (CCE) 方法來衡量這種聯系。獲得 CCE 估計量具有一致性。使用主成分分析提取公因子。實證研究表明,考慮到關聯效應的實現波動率模型顯著改善了樣本外預測性能,例如,R平方增加了32%。我們還對鏈接變量的預測模型進行了各種實驗,將傳統回歸方法與流行的機器學習技術進行了比較。


    三、完全子集最小二乘支持向量回歸法

    圖片

    邱越 《Complete Subset Least Squares Support Vector Regression》Vol. 200, 2021, doi: 10.1016/j.econlet.2021.109737.

    關鍵詞  完全子集回歸;機器學習;比特幣;波動率預 測

    摘    要  在本文中,我們提出了一種基于完全子集最小二乘支持向量回歸 (LSSVR) 的組合預測新方法,該方法適用于線性和非線性數據生成過程。我們的LSSVR 非常靈活,它可以結合其他方法,如嶺回歸或完全子集回歸,作為特殊情況。在蒙特卡羅模擬實驗中,我們的LSSVR 優于許多其他競爭方法。在用于預測比特幣實現波動率的實證中,我們檢驗了 LSSVR 方法的樣本外預測表現。我們發現相對于其他方法,我們的方法表現優異。



    作者簡介


    邱越,上海對外經貿大學金融管理學院講師,加拿大皇后大學經濟學博士,在《管理科學學報》(英文版)、《Journal of Financial Econometrics》、《Journal of Empirical Finance》、《Economic Modelling》、《Quantitative Finance》、《Economics Letters》等國內國際知名期刊以第一或者獨立作者發表論文多篇。主要研究方向為:資產定價;波動率預測;風險管理; 機器學習。


    精品国产v无码大片在线观看
  • <menu id="auygi"></menu>