預測是識別真實世界的重要途徑,也是經(jīng)濟和金融等領域的首要研究問題。為了能正確地預測未來數(shù)據(jù),研究者分別構建參數(shù)、非參數(shù)和半?yún)?shù)等模型來刻畫數(shù)據(jù)背后的規(guī)律。這些模型之間各具優(yōu)勢,又彼此競爭,而且它們都攜帶著對預報分析有價值的信息。為了科學地利用模型中的有效信息并作出準確預報,學者們提出了兩種思路,即模型選擇方法和模型平均方法。模型選擇是依據(jù)某種標準,從待選的模型中挑選出相對最優(yōu)的模型,然后再做推斷和預測分析。模型選擇能在一定程度上提高預測精度,但是僅選擇一個最優(yōu)模型進行預測的做法具有片面性,可能會遺漏次優(yōu)模型含有的重要信息和面臨模型誤設問題。為了捕捉更多有用信息于最終模型中,就需要用到模型平均預測方法,即根據(jù)現(xiàn)有信息構造出若干種可能的候選模型,然后分別給每個候選模型賦權,對候選模型預測值進行加權平均,得到最終的預測值。模型平均預測方法可以靈活地調整最終模型的結構,減少信息遺漏,有效提高預測精確度。模型平均預測方法的研究方向大致可以分為兩大類:一是被平均的子模型類別的擴充,二是如何確定子模型的權重。在充分理解現(xiàn)有研究的基礎上,本文對子模型權重的確定方法進行了創(chuàng)新,分別提出用經(jīng)驗似然法和自適... 

【文章來源】：華中師范大學湖北省 211工程院校 教育部直屬院校

【文章頁數(shù)】：62 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
1. 緒論
    1.1 研究意義
    1.2 文獻綜述
        1.2.1 模型平均法的理論綜述
        1.2.2 模型平均法的應用綜述
        1.2.3 啟發(fā)與思考
    1.3 論文框架與創(chuàng)新點
2. 預備理論
    2.1 非參數(shù)和半?yún)?shù)回歸模型
        2.1.1 非參數(shù)回歸模型
        2.1.2 半?yún)?shù)回歸模型
    2.2 模型平均預測方法
        2.2.1 子模型權重確定方法
        2.2.2 子模型類別的擴充
    2.3 經(jīng)驗似然法
3. 經(jīng)驗似然模型平均法
    3.1 引言
    3.2 經(jīng)驗似然權重
    3.3 數(shù)值模擬
        3.3.1 方法與數(shù)據(jù)
        3.3.2 結果分析
    3.4 本章小結
4. 自適應變權重模型平均法
    4.1 引言
    4.2 自適應變權重
        4.2.1 權函數(shù)的設定與估計
        4.2.2 權重理論性質
    4.3 數(shù)值模擬
        4.3.1 數(shù)據(jù)與方法
        4.3.2 結果分析
    4.4 本章小結
5. 波動率預測
    5.1 引言
    5.2 HAR-RV模型及其變形
    5.3 實證分析
        5.3.1 數(shù)據(jù)選取與預處理
        5.3.2 子模型的選取
        5.3.3 預測方法與結果分析
    5.4 本章小結
6. 總結與展望
參考文獻
致謝


【參考文獻】：
期刊論文
[1]“壞”跳躍、“好”跳躍與高頻波動率預測[J]. 陳國進,丁杰,趙向琴.  管理科學. 2018(06)
[2]基于模型平均方法的基金績效預測研究[J]. 李莉莉,崔迎鵬,盧睿,喬婧妍.  系統(tǒng)科學與數(shù)學. 2018(06)
[3]運用最小二乘模型平均法預測外匯實際波動率（英文）[J]. 邱越,謝天.  系統(tǒng)科學與數(shù)學. 2018(06)
[4]非線性GARCH族的模型平均估計方法[J]. 姚青松,趙國慶,劉慶豐.  統(tǒng)計研究. 2018(05)
[5]GARCH族的模型平均估計方法[J]. 趙國慶,姚青松,劉慶豐.  數(shù)量經(jīng)濟技術經(jīng)濟研究. 2017(06)
[6]模型平均預測理論與實證研究[J]. 趙國慶,鄔瓊.  商業(yè)經(jīng)濟與管理. 2014(07)
[7]基于成分數(shù)據(jù)的變權重組合預測的權重確定[J]. 張曉琴,陳佳佳,張振華.  山西大學學報(自然科學版). 2014(02)
[8]基于貝葉斯模型平均方法的中國通貨膨脹的建模及預測[J]. 陳偉,牛霖琳.  金融研究. 2013(11)
[9]模型平均方法及其在預測中的應用[J]. 張新雨,鄒國華.  統(tǒng)計研究. 2011(06)



本文編號：3148151