一、时间序列数据记忆性的判别方法（论文文献综述）
郭向东[1]（2021）在《农业经济发展对宏观经济增长及波动的作用机制研究》文中提出农业是国民经济的基础产业,对中国这样一个人口巨大的发展中国家尤为重要。它不仅关系粮食安全问题,也关系到广大农民的民生问题,还直接影响着宏观经济目标的实现。在全球经济放缓并受疫情冲击影响这一大背景下,在“十三五”收关、“十四五”开局的关键时期,在中国经济处于“新常态”面临新的诸多挑战的情况下,研究农业经济发展和中国宏观经济运行之间的关联关系,及如何有效平衡推进农业现代化与经济的中高速增长的关联性问题具有非常重要的现实意义。本文为研究农业经济发展与宏观经济运行之间的内在影响与作用机制,以中国农产品价格、中国农业经济发展及宏观经济运行的相关数据为样本,运用VAR、非线性MS（M）-AR（p）、非线性MS（M）-VAR（p）等模型对中国农业经济发展及宏观经济的运行之间的关联关系进行测度。研究发现:中国农、林、牧、渔农产品以及总体农产品生产价格指数波动率时间序列都呈现出显着的长期记忆性特征。农、林、牧、渔农产品以及总体农产品生产价格指数时间序列对其不确定性的冲击反应较为显着,但是,农、林、牧、渔农产品以及总体农产品生产价格指数不确定性对其价格指数的冲击反应都较为微弱。农产品价格指数在四种滞后阶数具体情况下,可以在方向和程度两个维度影响宏观经济增长。在大多数情况下,中国农产品生产价格指数水平对GDP增长率时间序列的冲击响应维持在正向水平;方差分解表明中国农产品生产价格指数水平时间序列对GDP增长率时间序列影响的贡献程度往往较小。中国农产品的生产价格指数周期成分时间序列在四种滞阶数具体情况下,也对中国GDP增长率周期成分时间序列的影响作用在方向和程度两个维度上产生影响。方差分解发现中国农产品生产价格指数周期成分时间序列对我国GDP增长率周期成分时间序列影响的贡献程度很大。中国GDP增长率周期成分时间序列对中国种植业、畜牧业农产品以及总体农产品生产价格指数水平周期成分时间序列影响的贡献程度往往较小,而对中国林业、渔业农产品生产价格指数水平周期成分时间序列影响的贡献程度较大。对中国农业经济以及宏观经济的增长周期路径研究表明,中国农业经济较难由“低速增长区制”向中高速增长区制转移,由“中速增长区制”攀升至“快速增长区制”的转移概率相对较高,中国农业经济发展可以充分发挥资本及技术优势。当中国农业经济步入“中速增长区制”与“快速增长区制”后也不易发生大幅下降,即具有相对稳定的发展态势。中国农业经济处于各区制时维持概率均较高,处于“低速增长区制”的可能性最大,处于“中速增长区制”的可能性最小,处于“快速增长区制”的可能性居中,中国农业经济发展需通过政策支持和资金投入促进快速发展。中国农业总产值和中国GDP增长路径并不完全同步,农、林、牧、渔四部门经济的增长路径也各不相同。中国农业经济处于各区制的维持概率均较高;而转移概率都相对较低,因此中国农业经济具有一定的惰性特征,不易改变所处的增长状态,农业经济发展需要加大资金和政策支持力度。而中国宏观经济发展成功步入高速增长状态,会倾向于维持良好的增长态势,但一旦落入低速增长状态,将面对十分严峻的经济复苏挑战。农业经济发展与宏观经济运行之间的时变作用机制研究发现:当“农业与经济”系统处于“低速增长区制”时,中国农业总产值增长率与中国GDP增长率具有正相关关系;当“农业与经济”系统处于“快速增长区制”时,中国农业总产值增长率与中国GDP增长率具有更强的正相关关系;而当“农业与经济”系统处于“中速增长区制”时,中国农业总产值增长率与中国GDP增长率却具有微弱的负相关关系。“农业与经济”系统处于“中速增长区制”时,中国农业总产值增长率与中国GDP增长率具有微弱负相关关系的可能性最小,持续性最弱,而“农业与经济”系统处于“低速增长区制”或“快速增长区制”时,中国农业总产值增长率与中国GDP增长率具有显着正相关关系的可能性更大,持续性更强。当“农业与经济波动”系统处于低波动区制时,中国农业总产值增长率与中国GDP增长波动率具有正相关关系;当“农业与经济波动”系统处于中波动区制时,中国农业总产值增长率与中国GDP增长波动率同样具有正相关关系,这一点与“农业与经济”系统中的结果不同;而当“农业与经济波动”系统处于高波动区制时,中国农业总产值增长率与中国GDP增长波动率具有更强的正相关关系。“农业与经济波动”系统处于高波动区制时,中国农业总产值增长率与中国GDP增长波动率具有最强正相关关系的可能性最小、持续性最弱,而“农业与经济波动”系统处于中低波动区制时,中国农业总产值增长率与中国GDP增长波动率具有正相关关系的可能性更大、持续性更强。本文研究的创新点如下:（1）本文研究结果显示农产品价格时间序列和农产品价格波动率时间序列都具有长记忆性特征,这一研究成果丰富完善了相关学术体系。（2）本文关于农产品价格波动对宏观经济增长影响的研究中,以农、林、牧、渔及总体农产品生产价格指数作为样本,排除既往研究仅选取个别种类农产品作为研究样本的局限性,补强了既往研究,研究对象和研究范围具有一定的创新性。（3）本文使用马尔可夫转移模型将中国农业经济及宏观经济的增长周期路径区分为低速、中速和高速三种区制,并计算了不同区制间的转移概率、平均持续期和具体转移时间,以此分析判断中国农业经济和宏观经济的运行情况。研究成果具有一定的创新性。（4）本文将研究金融问题的研究思路引入到农业经济问题的研究中,使用MS（M）-VAR（p）模型分析了农业经济发展与宏观经济处于不同运行状态和不同波动状态中的关联关系,在研究方法上具有一定的创新性。（5）本文使用前述方法研究所得的结论,即农业经济发展在宏观经济处于三中不同运行状态及三种不同波动状态中的关联作用,丰富和完善了农业经济发展与宏观经济增长之间内在影响与作用的学术体系。基于上述研究结论,本文提出如下政策建议:第一、政策的制定者在实施农产品价格调控时应首先考虑保持农产品价格的稳定性,避免价格不确定性的增加而增加社会成本,减损社会福利;同时由于农产品价格的长记忆性特征,实施价格调控时要考虑政策的周期性和有效性。第二、由于农产品价格水平能够影响宏观经济增长,而且农产品价格周期成分对宏观经济增长周期成分影响较大,政府应关注并监测“蒜你狠”“豆你玩”“姜你军”等农产品价格非正常波动情况,采取有效措施保持农产品价格的稳定,避免影响宏观经济的平稳发展。第三、由于农业经济的弱质性特征及农业政策与农业经济发展之间的强烈相关性,中国政府应当继续实施2004年以来的农业扶持政策,特别加强除渔业以外的种植业、林业、畜牧业的支持力度。第四、由于农业经济发展对国计民生的重要意义及其与宏观经济增长之间的强烈正相关关系,政府应强化农业是国民经济基础产业的意识,特别是农业经济发展对经济增长的贡献不亚于出口贸易的这一重要意识,加大对农业的支持力度。一方面可以促进农业经济发展,解决中国特有的“三农问题”;另一方面为中国宏观经济增长增加新的推动力,解决新常态下中国经济的长期增长驱动力问题。本文包括图66幅,表46个,参考文献328篇。
王倚端[2]（2021）在《随机波动与Lévy态金融交互系统模型构建理论及统计分析研究》文中提出金融市场价格波动模型的构造和相应非线性统计分析是金融数学与金融工程领域关注焦点之一,有关这一领域的研究是为了更好地解释金融市场的内在机制和规律性,并且对金融风险管理,实物资产评估和衍生品定价等起着关键的作用.金融市场是一复杂交互作用系统,近年来大量基于随机交互粒子系统构建的金融价格模型逐渐被提出,该类模型通过关注微观个体参与者的行为,来重现和研究金融市场的非线性动力学,以期揭示金融市场复杂系统的演变规律.在本文中,主要将几种重要的随机交互粒子系统运用到金融市场价格波动的模型构建中,并结合复合泊松过程等随机理论,建立三种新型Lévy态金融随机交互系统模型,分别从微观角度和宏观角度探索可能的价格波动形成机制.本文从多角度和多维度参数研究模型模拟收益率序列和真实市场收益率序列的程式化事实和非线性等特性,研究方法包括统计分析,非线性分析,复杂度分析等,已获得的丰富实证分析结果表明三种Lévy态金融随机交互系统模型具有一定的合理性.本文的组织结构如下:第1章介绍文章的选题背景,理论基础以及主要创新点.第2章研究了基于随机Ising模型和连续渗流系统构建的具有跳跃的金融随机交互系统模型,旨在理解金融市场的价格波动,刻画金融产品价格变动的内在相互影响微观机制以及价格突然剧烈的跳跃波动.模型中交易者的交互作用微观机制是通过Ising动力系统中的粒子（正自旋与负自旋）交互作用来实现的,即在金融市场中拥有正头寸“+”或负头寸“-”,交易者的头寸受到市场信息的影响,而交易头寸的正负占比将导致该金融产品价格的升降.此外,外部投资环境或内部运行状态突变的信息,会导致实际金融市场出现急剧的跳跃波动.通常,交易者的从众行为（羊群效应）也是导致金融市场剧烈波动的重要因素.在模型中,使用连续渗流系统结合Poisson过程来再现这些突然的跳跃波动,其中金融产品收益率跳变的幅度由连续渗流系统局部相互作用的簇串来模拟.进一步,从理论方面研究所建立离散时间金融价格模型的有限维分布,应用随机交互粒子系统相分离界面（phase interfaces）理论,证明正规化的收益率过程的有限维分布收敛于一个Lévy态过程的有限维分布.通过统计分析和复杂分析,研究了该金融模型的模拟收益率和真实市场的收益率的波动行为和各种复杂性质,并引入p-阶多尺度自相关函数和新型q-阶多尺度熵对模型模拟数据和真实市场数据进行尺度分析,以此验证模型的有效性.第3章通过Potts模型和定向渗流系统建立新型金融随机交互价格模型.模型中交易者的交互作用微观机制是通过Potts动力系统中的粒子（自旋）交互作用来实现的.格点Potts模型中平行的自旋体串定义为市场中有相同操作行为（或有相同的投资态度）的投资者群体,而格点定向渗流系统结合Poisson过程再现金融市场剧烈的跳跃波动,其中收益率跳变的幅度由格点定向渗流系统局部相互作用的渗流串来模拟,而且定向渗流理论临界现象被用来描述证券市场参与者之间的羊群效应.因此,该模型分别模拟了投资者交易态度的扩散所引起的价格波动和突然的价格随机跳跃波动.进一步,我们从理论方面研究所建立离散时间金融价格模型的有限维分布,应用随机交互粒子系统相分离界面（phase interfaces）理论,证明正规化的收益率过程的有限维分布收敛于一个Lévy态过程的有限维分布.为了验证所建立模型的合理性,一系列分析方法被用于研究模型模拟数据集和真实市场数据集的波动性质,如幂律分布,Lempel-Ziv复杂性和分数阶样本熵等.实证结果表明,所建立的非线性金融模型能重建真实市场收益率的某些统计特性.第4章应用随机接触过程和复合泊松过程构建一个新型的微观复杂跳跃动态模型,试图重建和刻画金融市场的复杂性动态.随机接触过程（stochastic contact process）是一个连续时间的Markov过程,经常被看作是某种传染病传播的基本模型之一.在本章中,接触过程被用于模拟金融市场因由投资者交易态度的相互影响而导致的价格波动,复合泊松过程被用于描述宏观经济环境造成的随机跳跃波动.而且建立离散时间金融价格模型,证明了其收益率过程的有限维分布收敛于一个Lévy态过程的有限维分布.为了更好地理解价格动态波动的复杂度行为,对相应的金融时间序列集进行了熵分析,包括排列熵,分数阶排列熵,样本熵和分数阶样本熵.此外,为了验证金融价格模型的合理性,采用相同的分析方法对真实金融市场数据集进行了相应的对比分析研究.第5章总结了本文的主要结论.
郭嘉宁[3]（2021）在《动力煤价格中短期预测方法研究》文中指出煤炭作为我国一次能源使用方式的最主要形式,其价格预测对于企业生产经营以及市场的前瞻都具有重要意义,而动力煤作为能源供给的煤炭种类,更是占领着重要地位。近年来,专家学者对于煤炭价格的预测进行了许多研究,主要基于计量经济学方法、时间序列方法差分整合移动平均自回归（Autoregressive Integrated Moving Average,ARIMA）、反向传播（Back Propagation,BP）神经网络以及循环神经网络长短期记忆（Long Short-Term Memory,LSTM）,其中 LSTM 算法目前在煤价预测问题中获得了最佳的性能。但是,由于其存在梯度消失、长期时序依赖信息丢失等问题,且现有研究大多将对于现货或期货市场的预测混为一谈,对于两类价格不同的复杂特性并不能针对性进行建模。因此本课题基于深度学习强大的特征提取与学习能力,对于动力煤现货及期货价格进行针对性的模型构建。本文的具体工作包括:首先针对动力煤现货价格的内在特征,结合对于影响变量的相关性分析,针对现货价格多变量时间序列数据,设计一种基于注意力机制的深度学习预测模型。模型中,使用双向LSTM对长期的时序特性建模,引入卷积神经网络（Convolutional Neural Network,CNN）模块提取各变量的局部时序特征,然后采用横向注意力学习不同变量间的依赖关系,从而提升网络对于大时间范围的信息提取能力,同时充分利用变量间的关联性进行建模。在真实数据集上测试所提算法的性能,分析模型在不同时间步中的误差指标,对比拟合的趋势曲线,验证了所提模型优于主流的时间序列预测模型。针对动力煤期货价格的预测问题,首先分析其与现货价格的关联及差异,根据期货价格序列的变化规律特性针对性设计基于生成对抗网络的期货价格预测模型。在Wasserstein生成对抗网络（Generative Adversarial Network,GAN）网络的基础上,针对期货价格序列特征改进目标函数,并在生成器端增加均方误差项以及拐点预测损失项,以解决期货序列高变化频率、拐点多的问题。定义了期货价格趋势预测性能的评价指标符号预测准确度（Accuracy of Sign Prediction,ASP）,通过实验对比LSTM、Wasserstein GAN网络及所提出算法模型在ASP、均方根误差（Root-mean-square Deviation,RMSE）以及平均绝对百分比误差（Mean Absolute Percentage Error,MAPE）中的性能,验证了所提出模型在整体预测性能以及趋势预测上都达到了更好的效果。
彭宇灿[4]（2021）在《基于ARFIMA-GRACH-SVM模型的股指预测研究》文中指出自1990年Peters提出分形市场假说,对金融时间序列非线性的研究就从未停过,其中就包含长记忆性和条件异方差性的研究。这些研究中得到的非线性模型,使得学者们可以解决一些传统时间序列方法无法解决的问题。另外,随着计算机的不断发展,大量学者将机器学习应用到金融数据的预测当中。在2020年,世界金融市场受到了新冠疫情的剧烈冲击。美国作为世界金融中心,在3月的时候,其股票触发了 4次熔断。这一系列的震荡对中国股市也产生了一定程度的影响。而股市是一个国家经济的晴雨表,因此正确判断股市动向对于普通投资者和国家监管机构都十分重要。本文使用经验模态分解算法,将数据分解为波动部分和趋势部分,并用非线性时间序列模型和含有外部变量的机器学习模型建立估值模型,以期望取得更好的预测效果。本文可分为七个部分,第一章主要介绍各个模型在金融中的发展与应用;第二、三、四、五章详细介绍本文需要的理论知识、模型方法、建模步骤以及优化准则;第六章是本文实证部分,分别对沪深300和中证500采用线性组合和支持向量机组合的方式建立基于ARFIMA-GARCH-SVM的组合预测模型,并与单一ARFIMA模型和ARFIMA-GARCH模型作比较;第七章是对本文模型的总结和展望。本文的创新点在于通过EMD方法分解数据,并结合ARFIMA模型,以达到在减少差分阶数的同时,过滤数据噪声的目的,最大限度利用数据中的信息,再使用支持向量机的方式对GARCH模型的波动方向进行估计从而减少传统ARFIMA-GARCH模型波动的随机性,在过往的研究中很少有相关文献同时使用这四个方法;另外本文的组合方式使用的是机器学习方法通过非线性的方式处理GARCH模型预测值需要乘以的随机数,以期望减小误差;再者,对于在SVM模型中使用外部变量进行多步预测的问题,本文采用了建立多个模型进行处理。最终本文从各模型的比较结果中发现,数据表现出较强非线性时,使用SVM进行组合的组合模型模型能够对前面各个部分的预测结果进行修正,并且预测结果明显好于仅进行线性组合的组合模型。最后本文选用组合模型对疫情影响期间的股指进行短期预测,并利用组合模型和GARCH模型预测结果作为投资依据,对投资者提供可行性建议:本文建立的组合模型基本可靠,投资者可根据组合模型未来五天的预测值决定下一周的投资选择,但是当发现GARCH模型预测值较大时需要谨慎,由于波动较大,可能会使得组合模型失效。
王李想[5]（2021）在《基于多指标时序数据的城市河道水质异常检测方法研究》文中研究表明近年来,我国经济社会快速发展,城市河道水质污染事故时有发生,水资源短缺面临的压力越来越大,迫切需要建立并完善水质监测系统进行水质动态监测、污染异常检测和自动判别,以减少人工检测劳动程度,提高应急管控能力,保障城市河道水环境安全。但现有的水质监测与判别方法往往基于常规水质指标从理化性质（浊度、电导率、溶解氧）、有机物含量（化学需氧量、氨氮）、酸碱度（pH）等角度单一分析水质状况,较少挖掘水质时序数据中隐含的信息,存在水质事件难以快速有效检出等不足。本文即是围绕在线监测数据的挖掘利用,开展了基于多指标时序数据的河道水质异常检测方法研究,重点研究了水质预测、水质异常检出、污染源类型定性判别,对河道水质在线监测过程中可能存在的异常事件给出预警信息和决策支持。论文主要工作与创新点如下:（1）研究了基于多指标时序数据的水质预测方法。针对水质监测数据受多种外因影响而呈现非线性、非平稳性等动态特性,提出了基于时序依赖性和特征相关性的双注意力机制长短期记忆网络（LSTM）的水质预测方法。在LSTM挖掘多指标水质参数之间的相互关系和时序动态变化规律基础上引入双注意力机制,自适应调整历史时间点和多维特征对当前预测目标的影响权重,从历史水质多指标时间序列中提取关键时间点和关键特征,以捕捉水质波动中隐含的时序信息。利用城市河道水质的真实监测数据进行了预测实验分析,并对比了采用不同预测模型的性能。为后续异常检出提供良好的支撑。（2）研究了基于预测模型的水质异常检出方法。鉴于传统阈值法常常出现误报漏报等问题,本文结合水质预测模型,提出了一种基于波动特征的异常检测改进方法,通过引入波动熵特征,关注水质指标波动的自相似性而非具体的幅值;进而分析异常事件引起的多指标序列的关联相似性。最后,融合多个细粒度波动特征判断异常概率,挖掘水质波动中隐含的异常,以提高对异常事件的检出率。（3）基于异常检测结果构建了常见污染源样本库,根据多参数水质指标与不同污染源的联合响应关系,利用堆叠稀疏自编码器挖掘多指标间的非线性关联,为了使不同污染源特征有一定的独立性和差异性,结合K-means++方法构建了具有污染源区分能力的特征库;通过分析余弦相似度对检出的异常事件进行污染源判别。利用所研究方法对不同污染程度的工业废水、生活污水、泥浆水、畜禽养殖废水等污染类型进行了判别,并将检出的未知污染类型加入污染源样本库。综上所述,本文基于常规多指标水质时序数据,开展了城市河道水质异常检测方法的研究。经实验验证和分析,该方法对城市河道水质监测场景的在线异常事件检测表现出了一定的优势,该研究对智能化、自动化的实时预警系统提供了一种可实践的在线异常事件检测方法。
吴筱菲[6]（2021）在《基于结构突变的人民币汇率与股票市场间动态溢出效应研究》文中提出随着人民币汇率频繁波动,中国股票市场宽度和厚度的增加,两者关联性愈益趋强,其动态溢出效应已经影响到中国金融市场的稳定发展。在资本流动、信息高频传导下,一个市场价格变动及其幅度迅速扩散到另一市场,两者间溢出效应呈异质性、阶段性、联动性、滞后性等复杂性特征。与2008年次贷危机不同,2018年中美贸易战等政治经济关系变化,不仅对人民币汇率产生巨大冲击,而且也会影响中国金融市场的资产价值和股票市场的走势。因此,在我国金融市场之间的动态溢出效应趋强的态势下,需要具体研究溢出效应的特征和结构突变位置,分析哪些国内外影响因素会导致结构突变和特征变化,从而进一步警惕和规避金融市场的系统性风险,有助于中国经济稳定发展。结构突变是指在未知时间点的突然的、重大的变化,其在各种学科中具有普遍性,虽然发生的概率不高,但造成的一系列后续影响辐射面广而深。金融危机、贸易战、英国脱欧、疫情爆发等都是此类事件的典型代表,金融领域中的“黑天鹅”、“灰犀牛”等不容忽视的大事件往往造成时间序列数据内部的结构突变,而不仅仅是断层和跳跃极值。本文基于结构突变,从三方面研究人民币汇率与股票市场的动态溢出效应。首先,分析均值溢出和波动溢出的时变走势中是否含有结构突变,通过搜寻条件相关系数得到结构突变位置,分析由哪些重大经济事件造成影响。由数据本身内生性进行结构突变分段,避免人为分段的主观性和金融时间序列的“伪回归”。通过分析突变前、突变中、突变后的一系列动态溢出过程,可以更加有效地得知宏观或者微观因素会影响汇率市场和股票市场的结构突变。其次,分析信息溢出效应即均值溢出效应和波动溢出两个层面结合,综合反映金融市场收益和风险的不同含义。基于方差分解的信息溢出指数,系统性度量收益率和波动率两种不同的溢出的方向、强度以及记忆性等特征。最后,本文以问题为导向,研究人民币汇率与股票市场间的溢出效应传导路径及主要影响因素,深化认知负面溢出效应蕴含交叉叠加感染的风险,提出相关政策建议。特别地,结构突变有可能使得市场之间溢出效应的溢出方和接收方角色发生转变。在我国面临突发性危机和金融尾部风险时,期望有益于监管部门能够应对市场结构变化的突发事件,避免诱发系统性风险。文章的主要内容和结论如下:一、分析人民币汇率与股票市场的溢出效应传导路径及结构突变因素。从金融时间序列数据的规律归纳动态溢出效应的特征,进一步揭示人民币汇率与股票市场的形成机理。人民币与股市两者关系的经济学理论包括流量导向模型、存量导向模型和戈登模型等,在此基础上得到四条主要传导渠道,具体为:国际贸易进出口企业（中美贸易战）、国际资本流动（境外资金净流入）、心理预期（资本市场的开放程度加深）和货币供应量（外汇占款减少）。括号内为中国新常态下会对两者之间溢出效应造成结构突变因素,通过分析得出,在当前错综复杂国内外背景下两者间溢出效应可能造成的不同影响。其中,股票市场跨境资金的流入流出与外汇市场呈现具有前后不同时滞效应的互相引导关系。另外,人民币汇率对于投资者心理预期的正面积极效应大于负面消极情绪和心态,主要是通过渗入宏观经济层面改善整体景气程度预判。第三章从四条传导路径对人民币汇率与股票市场进行现状分析,为构建人民币汇率和股票市场实证模型提供理论和现实的准备。二、构建时变t-Copula与Bai-Perron结构突变检验法研究均值溢出效应。选取GJR（1,1）的偏t分布对人民币汇率与股市的对数收益率进行拟合得到边缘参数估计,拟合的残差通过KS检验后,构造时变t-Copula模型得到两者之间的条件相关系数,其动态参数α和β均在5%的置信水平下显着。Copula模型能够将金融时间序列不同形态分布的尾部联合在一起,突破了传统聚集性、非对称性造成的限制等。设定最大个数m=5,ε=0.05的步长进行均值结构突变点搜索,在1%的显着性水平下得到两个结构突变点,突变点的位置均发生在2018年6月20日,净均值变化大于0.2;在10%的显着性水平下新增一个点,位置在2018年5月15日。分析三个结构突变点的位置得出,中美贸易战是人民币汇率与股票市场的收益率结构突变主要影响因素,且其对人民币汇率与股票市场双方面均较大影响,产生双重叠加溢出效应。三、构建DCC-GARCH与修正的ICSS结构突变检验法研究波动溢出效应。选取DCC-GARCH（1,1）的t分布对人民币汇率与股市的波动率进行拟合得到两者之间的动态条件相关系数,满足α+β小于1的假设条件,且在1%的置信水平下显着。其中沪深300股指与恒生指数的DCCα+β最接近1,易受到历史波动和市场变动情况的影响,且具有持续性。将四个指数两两一组形成六组数据进行方差结构突变检验,通过修正的ICSS算法克服了方差是稳定的假设条件,并且避免了金融时间序列的“尖峰厚尾”和波动的聚集性导致的样本扭曲。实证结果表明离岸人民币与沪深300指数的动态相关系数存在2个结构突变点,将样本时间段分为三个子区间;分别是2014.05.05-2015.03.25、2015.03.26-2015.09.11、2015.9.14-2019.12.31。2015年3月到9月,标准差从0.2712上升到0.3851,变化幅度为0.1139。汇改机制为人民币汇率与股票市场的波动率结构突变的主要影响因素,市场化的改革机制有助于进一步缩小在岸与离岸人民币汇率之间的数值差额。四、构建基于方差分解的静动态溢出指数模型研究信息溢出效应。构建VAR（4）阶方差分解的溢出指数,设定200个滚动窗口度量动态收益率和波动率的信息溢出值,从总体信息溢出值、单一市场净溢出、成对净溢出等方面完善溢出效应的动态方向性及持续性,通过溢出方（TO）和接受方（FROM）的差值计算得到动态净溢出的特征。为进一步检验模型的稳定性和结论的可靠性将设置VAR为2-6阶,预测期设定在5-10天的范围内。实证结果表明,在大小强度上,细分各个市场的收益率溢出效应与波动率溢出存在相反走势的情况,即两者之间收益率相关性不高,不代表两者之间的风险交织感染传递的概率低。在方向持续性上,波动率的溢出效应均为双向交替,即风险的传染者和承受方。需要系统地从收益率和波动率两个层面探求人民币汇率与股票市场间的动态信息溢出。本文的主要创新点:一、运用均值与方差两种内生结构检验与动态模型相结合来捕捉结构异动。鉴于现有的动态模型思路为得到条件相关系数进行动态溢出效应分析,并未深究条件相关系数的结构性问题。在结构突变点的判别及样本分段上,大多数文章采用主观进行子样本或者区间分段构建模型,避免平稳性问题。收益率层面选择均值结构突变检验,波动率层面选择方差结构突变检验,使得结构突变检验对应的研究对象符合经济学含义。本文根据收益率与波动率的序列特征构建动态实证模型和两种结构突变检验相结合的方法,对数据内部产生的过程进行结构突变点的搜寻。此外,Bai-Perron突变检验将默认的ε=0.15调整为0.05,提高结构突变点寻找过程的精度,将修正的ICSS算法进行调整,提高运算速度。二、运用时变参数及滚动窗口两种方法来刻画非线性动态关系,提高研究度量的精准度。由于非线性模型的假设条件等限制较多,较少涉及到动态方程和滚动窗口两种方式。在实证模型的选择上,选取时变t-Copula和DCC-GARCH来研究收益率与波动率。Engle提出的条件相关系数可以研究多维变量模型,将常相关系数的假设条件用动态方程替换,可以用来估计大规模的相关系数矩阵,研究不同市场的市场信息时具有良好的计算优势。滚动窗口的含义可以理解为指定一个单位长度的窗口,通过不断滚动测量时间序列的统计量达到时变动态。类似于,在量尺上固定窗口大小的滑块,不断滚动得到每个单位的数据和观测值。两种方法均为目前金融领域主流的时变性研究方法,使得本文的动态溢出效应更为全面。三、构建基于方差分解的溢出指数,对比分析四个指数在两个不同经济含义层面。目前大部分文章研究两者之间的动态关系未考虑收益率与波动率两个层面,并且仅能够两两一组进行研究,研究仅仅停留在相关系数层面,未能体现出溢出的方向性等特征。采用静态和动态的方法同时研究四个指数作为一个整体,其中不但包含了总体的溢出程度,还能针对一个指数,分析其他三个指数对其的信息溢入和溢出效应,比较研究分析收益率和波动率。信息溢出指数模型增加了动态方向性转变,反映溢出方和接受方的方向性主导关系,体现出其方向结构性交替转换与重大事件金融事件之间的联系。
王锦[7]（2020）在《分形市场理论下中国债券市场长期记忆性研究》文中研究说明金融时间序列的长期记忆性是现代金融热门的研究方向之一。基于分形市场理论,可以有效地刻画金融时间序列元素之间的长期依赖关系。国内债券市场作为金融市场的重要组成部分,对其进行长期记忆性研究不仅可以帮助我们理解和分析市场特征,而且能够向前预测较长时期的资产价格变化趋势,从现实出发具有重要意义。因此,本文在分形市场理论的框架下,运用分形分析方法和时间序列分析法对我国债券市场进行如下研究:运用两种分布特征检验方法检验样本数据的正态性并采用Q统计量和BDS检验方法验证样本数据的相关性;然后利用经典R/S分析法、修正R/S分析法和DFA分析法检验样本的长期记忆性;最后采用经典R/S分析法计算出的统计量对长期记忆性持续时间进行度量。结果表明,国债指数和企业债指数日收益率序列均不满足正态分布,具备尖峰厚尾的分布特征,存在非线性相关结构;两组指数日收益率序列都拥有长期记忆性,且企业债指数的长期记忆性较强;国债指数与企业债指数收益率波动的最短循环周期分别为24天和55天,最长循环周期分别为244天和330天。考察时间因素对长期记忆性检验结果的影响。分别在不同时间标度和不同区间尺度下对样本数据的长期记忆性进行检验估计。结果表明,选取的样本区间长度不同和时间标度不同都会影响长期记忆性估计的结果。本文的实证对象在不同区间尺度和不同时间标度下均存在长期记忆性。构建可以描述时间序列长期记忆性的参数模型:分整自回归移动平均（ARFIMA）模型和调和分整自回归移动平均（ARTFIMA）模型。结果表明,从谱密度拟合的角度来看,ARTFIMA模型在调和参数的作用下对低频处数据进行了更好的拟合;从预测结果看,ARTFIMA模型在国债指数收盘价的预测中表现更好;在预测企业债指数收盘价时,ARFIMA模型表现更出色。最后通过对比分析法验证了ARTFIMA模型在预测长期记忆性较弱的时间序列过程时具有优势,而ARFIMA模型在预测长期记忆性较强的时间序列占有优势。
韩灵怡[8]（2020）在《物联网时序数据的建模与分析方法研究》文中指出随着物联网这项新兴信息技术的发展,城市建设的内涵已经从“数字城市”转为“智慧城市”。智慧城市指的是运用信息和通信技术手段感知、分析、整合城市运行核心系统的各项数据,从而对包括民生、环保、公共安全、城市服务、工商业活动在内的各种需求做出智能响应。然而,由于物联网时间序列数据（时序数据）的非平稳性、非线性等特点,现有的时序数据分析方法无法满足物联网业务多样性和差异性的需求。因此,如何有效地对物联网时序数据进行建模与分析成为了目前亟待解决的问题之一。当前深度学习的发展,为物联网时序数据的建模与分析提供了更灵活有效的解决思路。然而,由于数据缺失或者感知周期过短,某些场景下只能采集到少量时序数据。如何针对不同大小数据集,构建面向数据特征的物联网时序数据建模与分析算法,以及如何在大规模网络中高效地使用算法,为物联网应用提供高效精准的服务,是本文研究的关键所在。首先,针对小样本数据集,提出了基于集成学习的时间序列短期预测算法。然后,着手研究基于深度学习的大样本时序数据建模与分析方法:面向单点场景,即仅包含单个或少数几个时间序列,设计了基于深度神经网络的长期预测算法;在此基础上,面向网络场景,即包含多个时间序列,研究高效的时间序列预测与缺失值补全算法,以满足大规模网络的业务需求。具体而言,本文主要研究内容包括:（1）小样本时序数据的建模与短期预测算法研究针对小样本数据集,设计了一种基于集成学习的时间序列短期预测算法。首次提出了一种加法表达式来对时间序列建模。加法表达式将时间序列分解为两部分,即由外部影响因素描述的外部变化分量和由自身结构决定的内部平稳分量。在此基础上,进一步提出了一种由几个简单学习器组成的提升回归学习算法,来学习内部分量和外部分量。在对全局属性局部化后,采用回归算法诸如多层感知器,通过挖掘序列模式与局部属性之间的关系来提取外部分量。然后,采用经典时间序列分析方法诸如自回归滑动平均（AutoRegressive Moving Average,ARMA）模型,通过对历史观测数据建模,来学习内部分量。最后,通过基于实际电网数据的实验结果表明,在小样本数据场景下,所提算法能够显着提高时间序列短期预测精度。（2）大样本时序数据的建模与长短期预测算法研究在大样本数据集下,现有的时间序列预测技术通过建模外界影响因素与时序数据间的关系来获得良好的预测性能。然而,由于长期的外界影响因素难以获取,现有的预测技术通常无法用于长期预测任务。为了解决这一不足,本文提出了两种只输入历史观测值而不依赖于外界影响因素的DNN预测算法:时间依赖卷积神经网络（Time Dependent-Convolutional Neural Network,TD-CNN）和周期性的长短期记忆（Cycle based-Long Short Term Memory,C-LSTM）网络。特别地,TD-CNN将时序数据建模为像素点,按周期排列成二维矩阵,从而将时间序列的时间相关性转换为空间相关性,有效利用CNN卷积核保持序列的长期记忆性。此外,为了高效地提取序列之间的时间相关性,所提的C-LSTM算法将原始序列映射为一个低维序列,从而达到显着减小时间步长的作用。实验结果表明,相比于传统深度神经网络,所提算法能够显着降低计算复杂度,并实现时间序列的可靠长期预测。（3）基于深度聚类的时间序列预测技术网络化方法研究面向复杂网络场景,提出了将现有时间序列预测技术推广到大规模网络中的可行方法,包括深度聚类（DeepCluster）和深度预测（DeepPre-diction）两个模块。DeepCluster模块通过深度表示学习,有效地对时间序列进行聚类,获得时间序列典型变化模式。特别地,DeepCluster首先将原始序列按周期划分为若干子序列,以此生成三元组,并提出了一种改进的分桶方法来可视化时间序列。然后,利用带三元损失函数的CNN来学习序列变化的形状特征。在此基础上,DeepPrediction进一步提出了模型共享机制,通过建立模式模型（Pattern Model,PM）来实现整个网络的高效预测。不同于个体模型（Individual Model,IM）只用于单时间序列,或总体模型（Whole Model,WM）用于网络中所有时间序列,PM适用于一类时间序列的典型变化模式。所提方法不仅显着减少预测模型的数量,并且通过增加训练样本的数目来达到提高预测模型泛化能力的目的。本文选取某个城市实际路网交通流速数据对所提方法进行了评估。实验结果表明,DeepCluster能够有效地对路段进行聚类;并且,在预测模型数量较少的情况下,PM可以达到与IM相当的预测精度。（4）面向网络场景的时序数据缺失值补全算法研究在物联网中,基于大数据技术决策的前提在于数据的完整性。然而,由于传感器及传输数据等局限,数据缺失的情况无法避免。由于复杂度较高,现有基于张量的时间序列补全技术难以在大规模网络中广泛应用。针对该问题,本文设计了一种面向网络场景的批量时序数据补全算法。为了保持时序数据在不同时间模式间的相关性,采用张量对时间序列进行建模,从而将时序数据缺失值补全问题转变为张量补全问题。在此基础上,提出了一种基于生成对抗网络（Generative Adversarial Net,GAN）的时序数据补全算法。具体而言,所提算法将建模后的序列张量看作是来自于一个未知分布的样本,并采用设计的GAN学习该张量分布。基于训练完成的GAN,建立了一个采用GAN生成的张量逼近缺失张量对应的原始张量的目标问题。该目标问题同时考虑相邻时间和相邻节点的影响,以最小化生成张量与缺失张量之间的距离并保证生成张量的真实性。实验结果表明,所提算法能够有效支持大规模网络中时间序列补全的应用。
刘雅坤[9]（2020）在《带趋势项时间序列的自回归模型优化》文中研究表明在时间序列的研究分析中,可以发现观测数据往往具有某种类似于递增或者递减的未知趋势,并且还有一部分是无法观测到的残差项.传统的线性统计模型更适用于线性情况,对于时间序列的平稳性要求比较高.但是在实际研究中观测到的数据,尤其是金融时间序列分析中,诸如股票、期货等贸易及金融数据很难有较明确的规律性,数据往往是非线性非平稳的.本文研究的问题就是在模型中引入局部回归以及移动平均的思想,拟合具有非线性特征的数据.观测到的数据具有某种趋势,但是并不一定是简单的线性趋势,所以本文引入局部回归思想对数据先进行趋势项拟合,将趋势项剔除后再对残差进行自回归估计.首先介绍了可以用来判别序列的非线性和记忆性的Hurst指数以及R/S分析法计算指数,进一步判定序列是否需要使用本文介绍的模型进行估计.论文假设模型是由一个未知的趋势项函数加上一个残差项形成的,在已有的局部加权线性回归估计趋势项结合自回归（AR）模型估计误差项的方法的基础上引入平均场的概念,提出一种优化时间序列拟合模型.即先对数据进行移动平均处理,再运用局部加权线性回归估计趋势项,并讨论不同窗宽以及不同自回归系数的模型分析效果.本文利用这步平均处理对数据进行初步去噪,中和自回归部分对于趋势项估计的干扰.数据模拟结果显示,对于某一些形式的数据这一方法明显优化了估计效果.进一步为了使模型的适用范围更广,本文引入函数系数自回归模型进行趋势项估计,其中系数函数使用局部加权线性平滑技术估计,这一模型构造皆源于数据本身,灵活性比较强.为了选择最优带宽以及确定模型的依赖变量,提出了非参数化的APE准则.但是通过数据模拟显示这一模型再结合AR模型会出现过拟合状况,而且当阶数比较大的情况下模型的效率比较低,计算比较复杂.因此对模型进行拆解,选出趋势项部分作为整体的趋势项估计,再对残差项进行自回归模型拟合.通过模拟研究可以看到,这一模型的适用范围更广且估计拟合表现更好.
程弘[10]（2020）在《中美股票市场的长期记忆性与趋势比较研究》文中研究说明本文的主要研究目标是探寻中国与美国股票市场收益率序列的长期记忆性,对两国股票市场价格的趋势进行预测,并对比分析中美两国股票市场的差异。本文主要通过多种量化方法如修正的重标极差分析法、对数周期图法、局部Whittle似然函数法以及精准的局部Whittle似然函数法对中美两国股票市场四支具有代表性的股票指数的周度收益率原始序列序列与去突变序列进行长期记忆参数的估计与真伪长期记忆性检验。检验结果表明,中国股票市场具有显着的长期记忆性,美国股票市场不具有长期记忆性。同时,本文建立了时变长期记忆参数模型,对中国股票市场价格运行趋势进行了预测,保持了80%以上的预测成功率,但是在对美国股票市场进行趋势预测时,预测结果比较差。此外,本文还具体以SSECI为例,对比分析长期记忆模型ARFIMA模型和传统的短期记忆模型ARMA模型对SSECI周度收盘价格序列的预测能力。结果表示,相较于传统的短期记忆模型,长期记忆模型ARFIMA模型具有更加优异的拟合预测能力。最后,深入探究了造成中美两国股票市场在长期记忆性以及整体运行趋势上不同表现的原因,并提出相应的政策建议,推动中国股票市场的健康、稳健发展。
二、时间序列数据记忆性的判别方法（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、时间序列数据记忆性的判别方法（论文提纲范文）
（1）农业经济发展对宏观经济增长及波动的作用机制研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 论文研究背景 |
| 1.1.1 论文研究的历史背景 |
| 1.1.2 论文研究的现实背景 |
| 1.2 论文选题的意义 |
| 1.2.1 研究的理论意义 |
| 1.2.2 研究的实践意义 |
| 1.3 论文研究的主要内容与创新点 |
| 1.3.1 论文研究的主要内容 |
| 1.3.2 创新点 |
| 1.4 论文的研究方法 |
| 1.5 论文研究的技术路线图与实证研究逻辑框架 |
| 1.5.1 论文研究的技术线路 |
| 1.5.2 论文实证研究的逻辑框架 |
| 1.6 相关概念界定及说明 |
| 1.6.1 概念界定 |
| 1.6.2 相关说明 |
| 2 文献综述 |
| 2.1 农产品价格的文献回顾 |
| 2.1.1 农产品价格波动的相关文献 |
| 2.1.1.1 关于农产品价格波动的特征研究的文献回顾 |
| 2.1.1.2 农产品价格长记忆性特征研究的相关文献回顾 |
| 2.1.1.3 其它有关农产品价格研究文献 |
| 2.2 农产品价格与宏观经济相互影响的相关文献回顾 |
| 2.3 农业经济发展的文献回顾 |
| 2.4 农业与经济增长的文献回顾 |
| 2.4.1 关于农业金融与经济的文献回顾 |
| 2.4.2 关于农业投资与经济增长的文献回顾 |
| 2.4.3 关于农(副)产品价格与经济增长的文献回顾 |
| 2.4.4 关于农业总要素生产率(TFP)与经济增长的文献回顾 |
| 2.4.5 农业与经济增长关系研究方法的文献回顾 |
| 3 论文研究的理论基础 |
| 3.1 农业发展理论 |
| 3.1.1 农业发展理论概述 |
| 3.1.2 农业发展理论的历史演进 |
| 3.1.3 农业发展理论的内涵 |
| 3.1.4 农业发展理论在中国农业发展和经济增长的运用 |
| 3.2 本文研究涉及的其它相关理论 |
| 3.2.1 农产品价格理论 |
| 3.2.2 经济周期理论 |
| 3.2.3 经济增长理论 |
| 4 农产品价格及其不确定性的长期记忆性与关联性检验 |
| 4.1 农产品价格及其不确定性的长期记忆性实证检验 |
| 4.1.1 长期记忆性分析方法 |
| 4.1.1.1 ARFIMA模型构建 |
| 4.1.1.2 FIGARCH模型构建 |
| 4.1.2 农产品价格的数据选择与描述 |
| 4.1.3 农产品价格及其不确定性的长期记忆性检验 |
| 4.2 农产品价格与其不确定性之间的关联性检验 |
| 4.2.1 向量自回归(VAR)模型构建 |
| 4.2.2 单位根检验 |
| 4.2.3 Granger因果关系的计量检验 |
| 4.2.4 VAR模型的脉冲响应及方差分解 |
| 4.3 本章小结 |
| 5 农产品价格及其波动性对中国经济的影响研究 |
| 5.1 农产品价格与中国经济增长之间的关联性检验 |
| 5.1.1 农产品价格序列与中国经济增长序列的选取和描述 |
| 5.1.2 时间序列的平稳性检验 |
| 5.1.3 向量自回归(VAR)模型的构建与估计 |
| 5.1.4 Granger因果关系检验 |
| 5.1.5 冲击响应函数估计与方差分解分析 |
| 5.2 农产品价格波动与中国经济增长波动性之间的关联性检验 |
| 5.2.1 ADF单位根检验 |
| 5.2.2 影响的方向及影响作用的程度分析 |
| 5.2.3 Granger因果关系检验 |
| 5.2.4 冲击反应的时间变化路径刻画 |
| 5.2.5 影响的贡献程度判别 |
| 5.3 本章小结 |
| 6 农业经济发展与宏观经济增长的周期性路径判别 |
| 6.1 非线性MS(M) –AR(P)模型构建 |
| 6.2 农业经济发展与宏观经济增长的周期性数据选择 |
| 6.3 中国农业经济发展与宏观经济增长的周期性路径刻画 |
| 6.3.1 非线性MS(M)-AR(p)模型的参数估计 |
| 6.3.2 中国农业经济以及宏观经济增长的区制转移概率 |
| 6.3.3 中国农业经济及宏观经济处于各增长区制的平均持续期 |
| 6.3.4 中国农业经济及宏观经济不同增长区制间的转移路径刻画 |
| 6.4 本章小结 |
| 7 农业经济发展在宏观经济运行过程的作用研究 |
| 7.1 非线性MS(M) -VAR(P)的模型设定 |
| 7.2 对农业总产值增长率及宏观经济增长率的时间动态轨迹的刻画 |
| 7.3 农业经济发展在宏观经济增长过程中的作用机制检验与分析 |
| 7.3.1 非线性MS(M) -VAR(p)模型的参数估计 |
| 7.3.2 农业经济发展对宏观经济增长作用机制的周期性变迁识别 |
| 7.3.3 农业经济发展对宏观经济增长作用机制的区制转移特征测度 |
| 7.4 农业经济发展在宏观经济波动过程中的作用机制检验与分析 |
| 7.4.1 非线性MS(M) -VAR(p)模型的参数估计 |
| 7.4.2 农业经济发展对宏观经济波动作用机制的周期性变迁识别 |
| 7.4.3 农业经济发展对宏观经济波动作用机制的区制转移特征测度 |
| 7.5 本章小结 |
| 8 结论 |
| 8.1 结论 |
| 8.2 政策建议 |
| 8.3 研究的不足与展望 |
| 参考文献 |
| 附录 A |
| 索引 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（2）随机波动与Lévy态金融交互系统模型构建理论及统计分析研究（论文提纲范文）
| 致谢 |
| 摘要 |
| 英文摘要 |
| 第1章 绪论 |
| 1.1 研究背景与现状 |
| 1.2 重要理论基础 |
| 1.3 创新点及主要研究成果 |
| 第2章 具有连续渗流跳跃的Ising金融动力模型与多尺度分析 |
| 2.1 引言 |
| 2.2 金融价格模型构建理论 |
| 2.2.1 随机Ising动力系统理论 |
| 2.2.2 连续渗流系统理论 |
| 2.3 Agent-Based金融价格模型的构建 |
| 2.4 模型收益率过程的有限维概率分布 |
| 2.5 收益率序列的统计分析, 复杂性分析及尺度分析 |
| 2.5.1 时间序列统计分析 |
| 2.5.2 Anderson-Darling检验 |
| 2.5.3 收益率序列长期记忆性分析 |
| 2.5.4 波动聚集性的自相关分析 |
| 2.6 多尺度熵分析和去q-阶多尺度熵分析 |
| 2.6.1 q-阶多尺度熵 |
| 2.6.2 时间序列多尺度熵分析 |
| 2.6.3 随机重排序列多尺度熵分析 |
| 2.6.4 时间序列q-阶多尺度熵分析 |
| 2.7 本章小结 |
| 第3章 基于Potts模型和定向渗流的Lévy态金融模型与复杂性分析 |
| 3.1 引言 |
| 3.2 金融价格模型构建理论 |
| 3.2.1 Potts动力系统理论 |
| 3.2.2 定向渗流系统理论 |
| 3.3 Agent-Based金融价格模型的构建 |
| 3.4 金融价格模型收益率过程的有限维分布 |
| 3.4.1 价格模型交互作用的概率分布收敛 |
| 3.4.2 整体价格模型波动的概率分布 |
| 3.5 价格动态模型波动的统计性质 |
| 3.5.1 金融价格模型的基本统计性质 |
| 3.5.2 收益率的自相关分析 |
| 3.5.3 收益率的幂率行为 |
| 3.6 价格动态模型波动的非线性性质 |
| 3.6.1 收益率和|r(t)|~q序列的Lempel-Ziv复杂性 |
| 3.6.2 分数阶样本熵 |
| 3.7 本章小结 |
| 第4章 具有复合Poisson跳跃的接触过程金融模型与复杂性分析 |
| 4.1 引言 |
| 4.2 随机接触过程理论 |
| 4.3 Agent-Based金融价格模型的构建 |
| 4.3.1 具有跳跃的金融价格模型 |
| 4.3.2 模型收益率过程的有限维概率分布 |
| 4.4 金融价格动态模型的实证研究 |
| 4.4.1 收益率序列的基本统计性质 |
| 4.4.2 排列熵和分数阶排列熵 |
| 4.4.3 样本熵和分数阶样本熵 |
| 4.5 本章小结 |
| 第5章 总结 |
| 参考文献 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（3）动力煤价格中短期预测方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 选题背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 计量经济学方法研究现状 |
| 1.2.2 机器学习方法研究现状 |
| 1.2.3 深度学习方法研究现状 |
| 1.2.4 煤价预测中影响变量组合研究现状 |
| 1.3 论文研究内容和结构安排 |
| 1.3.1 研究内容 |
| 1.3.2 结构安排 |
| 第二章 动力煤价格预测的理论基础 |
| 2.1 动力煤市场分析 |
| 2.1.1 动力煤价格组成 |
| 2.1.2 动力煤价格形成机制 |
| 2.1.3 动力煤价格影响因素 |
| 2.2 LSTM模型预测原理 |
| 2.2.1 循环神经网络 |
| 2.2.2 LSTM模型原理 |
| 2.2.3 LSTM模型的优劣 |
| 2.3 注意力机制 |
| 2.3.1 注意力机制的概念 |
| 2.3.2 注意力机制的分类 |
| 2.3.3 典型的注意力机制 |
| 2.4 生成对抗网络 |
| 2.4.1 生成对抗网络原理 |
| 2.4.2 Wasserstein GAN |
| 2.5 本章小结 |
| 第三章 基于注意力机制的动力煤价指数深度学习预测方法 |
| 3.1 引言 |
| 3.2 动力煤价指数序列特征分析 |
| 3.2.1 非平稳性 |
| 3.2.2 季节性分解 |
| 3.2.3 时序相关性 |
| 3.2.4 影响因素相关性检验 |
| 3.3 构建基于注意力机制的动力煤价指数深度学习预测模型 |
| 3.3.1 模型设计思想与架构 |
| 3.3.2 双向LSTM长时序信息提取模块 |
| 3.3.3 CNN特征提取模块 |
| 3.3.4 横向注意力机制 |
| 3.4 实验与结果分析 |
| 3.4.1 数据预处理 |
| 3.4.2 模型训练与优化 |
| 3.4.3 实验结果及分析 |
| 3.5 本章小结 |
| 第四章 基于生成对抗网络的动力煤期货价格预测方法研究 |
| 4.1 动力煤期货价格分析 |
| 4.1.1 动力煤期货市场与期货价格组成 |
| 4.1.2 动力煤期货与现货价格的联系与差异 |
| 4.2 构建基于生成对抗网络的期货价格预测模型 |
| 4.2.1 网络设计思想与问题描述 |
| 4.2.2 基于生成对抗网络的预测网络设计 |
| 4.2.3 目标函数优化设计 |
| 4.3 实验与结果分析 |
| 4.3.1 模型训练及优化 |
| 4.3.2 模型评价指标 |
| 4.3.3 实验结果及分析 |
| 4.4 本章小结 |
| 第五章 总结和展望 |
| 5.1 论文工作总结 |
| 5.2 论文下一步工作方向 |
| 参考文献 |
| 致谢 |
（4）基于ARFIMA-GRACH-SVM模型的股指预测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要研究内容 |
| 1.4 本文创新点 |
| 第二章 分形市场假说 |
| 2.1 有效市场假说 |
| 2.2 有效市场失效 |
| 2.3 分形市场假说 |
| 2.4 时间序列的长记忆性 |
| 2.4.1 长记忆的定义 |
| 2.4.2 重标极差分析法 |
| 第三章 经验模态分解 |
| 3.1 经验模态分解基础理论 |
| 3.2 经验模态分解过程 |
| 第四章 时间序列模型 |
| 4.1 时间序列基础理论 |
| 4.1.1 特征统计量 |
| 4.1.2 时间序列的平稳性及检验 |
| 4.2 分数阶差分自回归移动平均模型 |
| 4.2.1 ARFIMA模型定义 |
| 4.2.2 ARFIMA模型建模步骤 |
| 4.2.3 分数阶差分的意义 |
| 4.2.4 分数阶差分推导 |
| 4.2.5 ARFIMA模型预测公式推导 |
| 4.3 广义自回归条件异方差模型 |
| 4.3.1 时间序列异方差 |
| 4.3.2 GARCH模型定义 |
| 4.3.3 GARCH模型相关统计特征 |
| 4.3.4 GARCH模型建模步骤 |
| 4.3.5 ARCH效应的拉格朗日乘数检验 |
| 4.4 模型优化准则 |
| 第五章 支持向量机 |
| 5.1 线性可分支持向量机 |
| 5.2 非线性可分支持向量机 |
| 5.2.1 软间隔 |
| 5.2.2 核函数 |
| 5.2.3 对偶问题 |
| 5.2.4 分离超平面表达式推导 |
| 5.3 支持向量回归 |
| 第六章 股指预测实证分析 |
| 6.1 样本选取与建模步骤 |
| 6.1.1 样本选取 |
| 6.1.2 指标选取 |
| 6.1.3 建模步骤 |
| 6.2 沪深300预测模型 |
| 6.2.1 基于EMD的序列分解与重构 |
| 6.2.2 ARFIMA-GARCH股指预测模型 |
| 6.2.3 SVC预测模型 |
| 6.2.4 SVR预测模型 |
| 6.2.5 ARFIMA-GARCH-SVM组合模型 |
| 6.3 中证500预测模型 |
| 6.3.1 基于EMD的序列分解与重构 |
| 6.3.2 ARFIMA-GARCH股指预测模型 |
| 6.3.3 SVC预测模型 |
| 6.3.4 SVR预测模型 |
| 6.3.5 ARFIMA-GARCH-SVM组合模型 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 学位论文评阅及答辩情况表 |
（5）基于多指标时序数据的城市河道水质异常检测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 水质异常检测研究现状 |
| 1.2.2 污染源判别研究现状 |
| 1.2.3 现有研究存在的问题 |
| 1.3 论文主要研究内容和安排 |
| 1.3.1 研究课题的提出 |
| 1.3.2 论文章节内容安排 |
| 第二章 水质异常事件检测相关理论概述 |
| 2.1 常规水质监测参数特点及水质异常定义 |
| 2.1.1 常规水质指标介绍 |
| 2.1.2 水质波动主要类型 |
| 2.1.3 水质异常事件定义 |
| 2.2 城市河道常见污染源水质指标响应及实验平台 |
| 2.2.1 常见城市河道污染源 |
| 2.2.2 河道污染源判别可行性分析 |
| 2.2.3 污染源水样采集平台介绍 |
| 2.3 水质异常事件检测关键技术 |
| 2.3.1 常用的水质异常检测算法 |
| 2.3.2 水质异常检测技术步骤 |
| 2.3.3 性能评价标准 |
| 2.4 本章小结 |
| 第三章 基于时序依赖和指标相关性的水质预测方法 |
| 3.1 引言 |
| 3.1.1 水质时序数据的特性分析 |
| 3.1.2 常用的水质预测方法分析与对比 |
| 3.2 基于时序依赖和指标相关性的水质预测方法 |
| 3.2.1 算法整体流程 |
| 3.2.2 长短期记忆神经网络的结构 |
| 3.2.3 指标相关和时序依赖双重注意力机制 |
| 3.3 基于时序依赖性和相关性的水质预测模型设计 |
| 3.3.1 水质预测模型设计 |
| 3.3.2 模型训练总体流程 |
| 3.4 实验结果及对比分析 |
| 3.4.1 预测模型评价指标 |
| 3.4.2 预测结果与对比分析 |
| 3.4.3 算法有效性分析 |
| 3.5 本章小结 |
| 第四章 基于预测和波动分析的水质异常检出 |
| 4.1 引言 |
| 4.1.1 传统异常检测的特点 |
| 4.1.2 改进的迫切性 |
| 4.2 基于预测和残差阈值法的水质异常检测 |
| 4.2.1 基于预测模型的水质异常检测方法框架 |
| 4.2.2 基于残差阈值法的水质异常检测 |
| 4.3 基于预测和波动特征融合的水质异常检测改进 |
| 4.3.1 改进的水质异常检测方法总体流程 |
| 4.3.2 基于熵和波动相关性的波动特征提取 |
| 4.3.3 基于孤立森林的多参数异常概率融合 |
| 4.4 实验分析 |
| 4.4.1 模拟水质异常 |
| 4.4.2 基于预测和残差阈值法的水质异常检测 |
| 4.4.3 基于波动特征融合的改进水质异常检测 |
| 4.4.4 改进前后算法性能对比分析与讨论 |
| 4.5 本章小结 |
| 第五章 基于特征相似性分析的污染源判别方法 |
| 5.1 引言 |
| 5.1.1 污染源判别的必要性 |
| 5.1.2 特征库构建的必要性 |
| 5.2 基于特征相似性分析的污染源在线判别技术 |
| 5.2.1 样本库构建 |
| 5.2.2 污染源特征提取方法 |
| 5.2.3 特征库构建方法 |
| 5.2.4 特征相似性度量方法 |
| 5.2.5 污染源判别方法 |
| 5.3 案例分析讨论 |
| 5.3.1 特征库构建效果分析 |
| 5.3.2 污染源判别效果分析 |
| 5.3.3 算法相关讨论 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 不足与展望 |
| 参考文献 |
| 致谢 |
| 作者简历 |
| 作者攻读硕士学位期间发表的学术论文与取得的其他研究成果 |
（6）基于结构突变的人民币汇率与股票市场间动态溢出效应研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与研究意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 研究内容及创新点 |
| 1.2.1 研究内容 |
| 1.2.2 主要创新点 |
| 1.3 国内外文献综述 |
| 1.3.1 结构突变相关文献综述 |
| 1.3.2 溢出效应相关文献综述 |
| 1.3.3 文献评述 |
| 1.4 技术路线图 |
| 第2章 人民币汇率与股票市场的动态溢出效应理论研究 |
| 2.1 结构突变理论 |
| 2.1.1 结构突变的分类 |
| 2.1.2 结构突变参数估计方法 |
| 2.1.3 结构突变检测方法 |
| 2.2 人民币汇率与股票市场溢出效应的经典理论 |
| 2.2.1 流量导向模型 |
| 2.2.2 存量导向模型理论 |
| 2.2.3 戈登模型 |
| 2.3 溢出效应的特征及形成机理 |
| 2.3.1 溢出效应的含义 |
| 2.3.2 溢出效应的特征 |
| 2.3.3 溢出效应的形成机理 |
| 2.4 人民币汇率与股票市场溢出效应的传导机制 |
| 2.4.1 以国际贸易为渠道的传导机制 |
| 2.4.2 以国际资本流动为渠道的传导机制 |
| 2.4.3 以心理预期为渠道的传导机制 |
| 2.4.4 以货币供应量为渠道的传导机制 |
| 2.5 本章小结 |
| 第3章 人民币汇率与股票市场的动态溢出效应现状分析 |
| 3.1 人民币汇率的现状分析 |
| 3.1.1 人民币汇率国际化发展 |
| 3.1.2 人民币汇率监管政策 |
| 3.1.3 人民币汇率间的动态溢出效应分析 |
| 3.2 股票市场的现状分析 |
| 3.2.1 股票市场市场化发展 |
| 3.2.2 股票市场监管措施 |
| 3.2.3 股票市场间的动态溢出效应分析 |
| 3.3 人民币汇率与股票市场的动态溢出效应分析 |
| 3.3.1 国际贸易影响因素 |
| 3.3.2 国际资本流动影响因素 |
| 3.3.3 心理预期影响因素 |
| 3.3.4 货币供应量影响因素 |
| 3.4 本章小结 |
| 第4章 均值结构突变下人民币汇率与股市的动态溢出效应 |
| 4.1 均值溢出模型与方法 |
| 4.1.1 时变t-Copula模型 |
| 4.1.2 Bai-Perron均值结构突变检验 |
| 4.2 样本选取及描述性统计 |
| 4.2.1 样本选取及数据处理 |
| 4.2.2 描述性统计 |
| 4.3 边缘参数估计 |
| 4.4 t-Copula动态均值溢出效应 |
| 4.5 Bai-Perron均值溢出结构突变 |
| 4.6 本章小结 |
| 第5章 方差结构突变下人民币汇率与股市的动态溢出效应 |
| 5.1 波动溢出的模型与方法 |
| 5.1.1 DCC-GARCH模型 |
| 5.1.2 修正的ICSS算法 |
| 5.2 样本选取及描述性统计 |
| 5.2.1 样本选取及数据处理 |
| 5.2.2 描述性统计 |
| 5.3 DCC-GARCH动态波动溢出效应 |
| 5.4 修正ICSS算法波动溢出结构突变 |
| 5.5 本章小结 |
| 第6章 信息溢出指数下人民币汇率与股市的动态溢出效应 |
| 6.1 信息溢出指数模型及样本选取 |
| 6.1.1 静态溢出指数表 |
| 6.1.2 动态溢出指数模型 |
| 6.1.3 样本选取与数据处理 |
| 6.2 静态信息溢出效应实证研究 |
| 6.2.1 静态收益率信息溢出效应 |
| 6.2.2 静态波动率信息溢出效应 |
| 6.3 动态信息溢出效应实证研究 |
| 6.3.1 总信息溢出效应 |
| 6.3.2 单个市场净信息溢出效应 |
| 6.3.3 成对净信息溢出效应 |
| 6.4 稳健性检验 |
| 6.5 本章小结 |
| 第7章 总结与展望 |
| 7.1 主要研究结论 |
| 7.2 政策建议 |
| 7.3 研究不足与展望 |
| 参考文献 |
| 攻读学位期间发表的学术论文 |
| 攻读博士学位期间主持或参加的科研项目 |
（7）分形市场理论下中国债券市场长期记忆性研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景和研究意义 |
| 1.1.1 选题背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 债券市场的分形特征研究综述 |
| 1.2.2 长期记忆性检验方法文献综述 |
| 1.2.3 长期记忆性时间序列模型文献综述 |
| 1.3 研究内容和研究方法 |
| 1.3.1 研究内容 |
| 1.3.2 主要研究方法 |
| 1.4 本文的主要创新点 |
| 第2章 理论基础 |
| 2.1 有效市场假说与分形市场理论 |
| 2.1.1 有效市场假说 |
| 2.1.2 分形市场理论 |
| 2.2 时间序列的长期记忆性基本理论 |
| 2.2.1 时间序列记忆性的概念 |
| 2.2.2 时间序列长期记忆性检验方法 |
| 2.2.3 时间序列长期记忆性模型 |
| 第3章 债券市场长期记忆性检验与强度估计 |
| 3.1 数据来源与选取说明 |
| 3.2 基本描述性统计分析及正态性检验 |
| 3.3 相关性检验 |
| 3.3.1 Ljung-Box检验 |
| 3.3.2 BDS检验 |
| 3.4 长期记忆性检验 |
| 3.5 长期记忆性强度估计 |
| 3.5.1 经典R/S分析法 |
| 3.5.2 修正R/S分析法 |
| 3.5.3 DFA分析法 |
| 3.5.4 长期记忆性持续时间度量 |
| 第4章 长期记忆性时间因素影响及预测模型构建分析 |
| 4.1 时间因素对长期记忆性的影响 |
| 4.1.1 时间标度的影响 |
| 4.1.2 时间尺度的影响 |
| 4.2 长期记忆预测模型的构建与对比研究 |
| 4.2.1 ARFIMA模型与ARTFIMA模型的参数估计 |
| 4.2.2 模型有效性检验 |
| 4.2.3 ARFIMA模型与ARTFIMA模型预测性能对比研究 |
| 第5章 总结与展望 |
| 5.1 论文工作总结 |
| 5.2 论文工作展望 |
| 参考文献 |
| 在校研究成果及奖励 |
| 致谢 |
| 附录 |
（8）物联网时序数据的建模与分析方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号列表 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 物联网时间序列 |
| 1.2.1 时间序列概念 |
| 1.2.2 物联网时序数据典型特征 |
| 1.2.3 时间序列分析任务 |
| 1.3 时序数据建模与分析的研究现状以及挑战 |
| 1.3.1 国内外研究现状 |
| 1.3.2 现有研究存在的问题 |
| 1.4 论文主要贡献及组织结构 |
| 1.4.1 论文主要工作与创新 |
| 1.4.2 论文结构与内容 |
| 第二章 小样本时序数据的建模与短期预测算法研究 |
| 2.1 引言 |
| 2.2 问题描述 |
| 2.3 基于集成学习的时间序列建模与预测算法 |
| 2.3.1 加法表达式 |
| 2.3.2 提升回归算法 |
| 2.4 实验结果及分析 |
| 2.5 本章小结 |
| 第三章 大样本时序数据的建模与长短期预测算法研究 |
| 3.1 引言 |
| 3.2 时间序列长期预测所面临的挑战以及目标问题 |
| 3.3 时变卷积神经网络:TD-CNN |
| 3.4 周期递归神经网络:C-LSTM |
| 3.5 实验结果及分析 |
| 3.5.1 数据集 |
| 3.5.2 实验设置 |
| 3.5.3 实验结果 |
| 3.6 本章小结 |
| 第四章 基于深度聚类的时间序列预测技术网络化方法研究 |
| 4.1 引言 |
| 4.2 问题描述 |
| 4.3 时间序列预测技术网络化方法 |
| 4.3.1 基于表示学习的深度聚类模块:DeepCluster |
| 4.3.2 深度预测模块:DeepPrediction |
| 4.4 实验结果及分析 |
| 4.4.1 数据集 |
| 4.4.2 实验配置 |
| 4.4.3 实验结果 |
| 4.5 本章小结 |
| 第五章 面向网络场景的时序数据缺失值补全算法研究 |
| 5.1 引言 |
| 5.2 时间序列建模与目标问题 |
| 5.2.1 时间序列的张量建模 |
| 5.2.2 问题描述 |
| 5.3 基于内容感知的时序数据GAN补全算法:CA-GAN |
| 5.3.1 张量生成模型 |
| 5.3.2 张量补全 |
| 5.4 性能评估与分析 |
| 5.4.1 数据集 |
| 5.4.2 实验配置 |
| 5.4.3 交通生成模型 |
| 5.4.4 交通流速补全性能评估 |
| 5.4.5 性能比较 |
| 5.5 本章小结 |
| 第六章 结束语 |
| 6.1 论文主要工作总结 |
| 6.2 全文展望 |
| 附录一 缩略语列表 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（9）带趋势项时间序列的自回归模型优化（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.2.1 现实意义 |
| 1.2.2 理论意义 |
| 1.3 研究创新点 |
| 1.3.1 研究方法 |
| 1.3.2 创新内容 |
| 1.4 研究思路与结构安排 |
| 1.4.1 研究思路 |
| 1.4.2 结构安排 |
| 第二章 局部加权回归模型 |
| 2.1 相关概念介绍 |
| 2.1.1 r次最近邻点 |
| 2.1.2 权函数的确定 |
| 2.2 局部加权回归 |
| 2.2.1 稳健局部加权回归 |
| 2.3 参数选择 |
| 2.3.1 多项式阶数 |
| 2.3.2 选择迭代次数t |
| 2.3.3 窗口宽度 |
| 2.4 统计性质 |
| 第三章 AR模型和Hurst指数 |
| 3.1 AR模型介绍 |
| 3.2 AR模型系数估计 |
| 3.3 Hurst指数 |
| 第四章 带趋势项的自回归模型 |
| 4.1 局部加权模型 |
| 4.2 移动平均带趋势项自回归模型算法实现 |
| 4.3 基于局部加权回归的函数系数自回归模型 |
| 4.3.1 系数函数估计 |
| 4.3.2 带宽和模型依赖变量的选择 |
| 4.3.3 拆解变系数自回归(DFAR)模型 |
| 第五章 模拟研究 |
| 5.1 Hurst指数计算 |
| 5.2 MA带趋势项自回归模型 |
| 5.3 DFAR带趋势项自回归模型 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 6.2.1 存在的不足 |
| 6.2.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 学位论文评阅及答辩情况表 |
（10）中美股票市场的长期记忆性与趋势比较研究（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 第一章 绪论 |
| 第一节 研究背景与研究意义 |
| 第二节 研究内容与基本框架 |
| 第三节 文章结构安排 |
| 第四节 创新与不足之处 |
| 第二章 文献综述与理论基础 |
| 第一节 有效市场假说与分形市场假说 |
| 第二节 长期记忆性研究综述 |
| 第三节 长期记忆性理论基础概述 |
| 第四节 长期记忆参数估计方法 |
| 第五节 伪长期记忆性检验 |
| 第三章 样本数据与统计性说明 |
| 第一节 样本统计性说明 |
| 第二节 上证综指波动周期 |
| 第四章 实证分析 |
| 第一节 长期记忆性检验 |
| 第二节 “去突变”序列长期记忆性检验 |
| 第三节 股票价格趋势预测 |
| 第四节 预测性能检验 |
| 第五章 中美股票市场差异 |
| 第一节 投资者行为差异 |
| 第二节 投资者结构差异 |
| 第三节 股票市场制度差异 |
| 第四节 资本市场完善程度差异 |
| 第六章 总结与建议 |
| 第一节 主要结论 |
| 第二节 政策建议 |
| 结语 |
| 参考文献 |
| 附录 |
| 后记 |
四、时间序列数据记忆性的判别方法（论文参考文献）
- [1]农业经济发展对宏观经济增长及波动的作用机制研究[D]. 郭向东. 北京交通大学, 2021(02)
- [2]随机波动与Lévy态金融交互系统模型构建理论及统计分析研究[D]. 王倚端. 北京交通大学, 2021(02)
- [3]动力煤价格中短期预测方法研究[D]. 郭嘉宁. 北京邮电大学, 2021(01)
- [4]基于ARFIMA-GRACH-SVM模型的股指预测研究[D]. 彭宇灿. 山东大学, 2021(11)
- [5]基于多指标时序数据的城市河道水质异常检测方法研究[D]. 王李想. 浙江大学, 2021(01)
- [6]基于结构突变的人民币汇率与股票市场间动态溢出效应研究[D]. 吴筱菲. 东华大学, 2021(01)
- [7]分形市场理论下中国债券市场长期记忆性研究[D]. 王锦. 湖北工业大学, 2020(04)
- [8]物联网时序数据的建模与分析方法研究[D]. 韩灵怡. 北京邮电大学, 2020(02)
- [9]带趋势项时间序列的自回归模型优化[D]. 刘雅坤. 山东大学, 2020(12)
- [10]中美股票市场的长期记忆性与趋势比较研究[D]. 程弘. 湖南师范大学, 2020(01)