符号时间序列下的收益变化模式及其对收益水平的预测.docxVIP

符号时间序列下的收益变化模式及其对收益水平的预测

1重新定义并变量,描述不同股票指数的特征特性。这也是一个跨

金融交易的资产收入往往受到经济形势、金融政策、公司财务状况、国际环境和投资者心理素质的影响。变化极其复杂，很难预测。然而对资产收益的分析和预测不仅可为投资者的投资决策也可以为政府正确地制定各项宏观政策提供依据。因此,如何较为全面地把握资产收益的特征并进行预测是研究人员和市场分析人员的极为感兴趣的课题。

时间序列分析是资产收益分析与预测的重要方法。传统的时间序列分析采用线性模型和非线性模型对资产收益进行建模与预测,常用的线性模型包括自回归滑动平均(ARMA)模型、季节模型,非线性

模型则包括门限自回归模型(TAR)及其扩展模型、马尔科夫转换模型、非线性状态空间模型等。近年来,随着分形市场理论的建立,又出现了一些基于该理论的收益分析方法,如R/S分析、多重分形分析等,特别是长记忆时间序列模型——分整自回归滑动平均(ARFIMA)模型得到了广泛的应用。此外,一些非参数方法如混沌、神经网络、小波分析、支持向量回归机等在收益的分析与预测中也得到应用。这些分析方法与模型,有的验证收益序列是否具有分形或混沌特征,有的着重刻画收益随时间变化的规律,有的预测未来具体的收益值。然而这对于准确、全面地把握收益变化的规律来说具有一定的局限性,需要利用新的方法从不同的角度来分析收益的特征和规律。