CN109086954B - 基于资金流预测收益率的预测方法、装置、设备及介质 - Google Patents
基于资金流预测收益率的预测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN109086954B CN109086954B CN201811322112.3A CN201811322112A CN109086954B CN 109086954 B CN109086954 B CN 109086954B CN 201811322112 A CN201811322112 A CN 201811322112A CN 109086954 B CN109086954 B CN 109086954B
- Authority
- CN
- China
- Prior art keywords
- sequence
- monthly data
- data sequence
- monthly
- delta
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012360 testing method Methods 0.000 claims abstract description 54
- 238000007476 Maximum Likelihood Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims description 40
- 238000007689 inspection Methods 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 208000011580 syndromic disease Diseases 0.000 claims 5
- 230000010354 integration Effects 0.000 claims 2
- 230000002195 synergetic effect Effects 0.000 claims 2
- 238000001744 unit root test Methods 0.000 abstract description 20
- 239000002131 composite material Substances 0.000 abstract description 13
- 238000013277 forecasting method Methods 0.000 abstract description 9
- 238000004891 communication Methods 0.000 description 6
- 238000012937 correction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000010998 test method Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000000977 Dickey–Fuller test Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000000780 augmented Dickey–Fuller test Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开基于资金流预测收益率的预测方法、装置、设备及介质,该预测方法包括：获取采样的宏观资金流变量和上证指数收益率的月度数据序列,宏观资金流变量包括货币供应量和银行隔夜拆借利率；对月度数据序列进行单位根检验,确定单位根检验后的月度数据序列的单位根特性是否满足多变量协整检验的宽限条件；单位根特性为月度数据序列为Ni阶单整序列,Ni≥0；在单位根特性满足多变量协整检验的宽限条件的情况下,利用Johansen极大似然估计法确定宏观资金流变量月度数据序列与上证指数收益率月度数据序列的协整关系；根据基于协整关系建立的VECM模型对上证指数收益率进行预测。本发明的预测方法填补现有中尚缺少宏观资金流指标对中国股票指数进行预测的空白。
Description
技术领域
本发明涉及数据处理领域,尤其涉及基于资金流预测收益率的预测方法、装置、设备及介质。
背景技术
在我国股票市场发展过程中,宏观经济政策及变化对股市往往具有更为重要影响，与国外成熟市场相比，从某种意义上说,我国股市则更像是一个“资金市”，股市涨跌受到货币供应、利率等宏观资金推动的很大影响，投资者也非常关注宏观资金层面的松紧和变化情况。
由于股票市场的数据以时间序列为主，它们具有海量，不平稳，非正态，高噪声等特点，并且影响股市的因素很多，因此股票分析是比较复杂的过程。在股价众多影响因素中，资金流信息不仅可以在市场层面上反映股票(特别是短期)的供需关系，而且可以反映宏观层面的资金情况以及企业的内在价值各种形态转化的整个过程。其他绝大多数因素都离不开“资金”这一重要载体，他们通过资金的各种形式传递信息并对股价发挥作用。考虑到股票价格指数在很大程度上反映了我国股市的发展状况，研究在一定市场规模下的股票价格指数与货币供应量和利率的关系，可以更好地认识到我国股票市场与国民经济之间的关系，可以更深入地探究我国的利率及货币供应量等货币政策是否对股票市场有重要影响等，这对我国股票市场的进一步发展和我国相关政策的制定都有着重要的理论意义和实践意义。
针对相关技术中的上述问题,目前尚缺较佳的技术方案。
发明内容
本发明的解决的技术问题是提供一种基于资金流预测收益率的预测方法、装置、设备及介质,以至少填补现有中尚缺少宏观资金流指标对中国股票指数进行预测的技术方案的空白。
根据本发明的第一方面,提供一种基于资金流预测收益率的预测方法,所述方法包括：
获取采样的宏观资金流变量和上证指数收益率的月度数据序列,所述宏观资金流变量包括货币供应量(M2)和银行隔夜拆借利率(SHIBOR)；
对月度数据序列进行单位根检验,确定单位根检验后的月度数据序列的单位根特性是否满足多变量协整检验的宽限条件；所述单位根特性为月度数据序列为Ni阶单整序列,Ni≥0；
在单位根特性满足多变量协整检验的宽限条件的情况下,利用Johansen极大似然估计法确定宏观资金流变量月度数据序列与上证指数收益率月度数据序列的协整关系；
根据基于协整关系建立的VECM模型对上证指数收益率进行预测。
优选地，所述获取采样的宏观资金流变量和上证指数收益率的月度数据序列之前,所述方法包括：
取每月收盘日对应的货币供应量(M2)并作对数化处理而获取货币供应量(M2)的月度数据序列LNM2；
取每月最后一日报价的银行隔夜拆借利率(SHIBOR)为当月银行隔夜拆借利率(SHIBOR)的月度数据序列R1M；
取每月最后收盘价的上证指数(SHZS)为上证指数月度数据,并通过月频数据获取上证指数收益率序列(SHIDX)。
优选地，所述对月度数据序列进行单位根检验,确定单位根检验后的月度数据序列的单位根特性是否满足多变量协整检验的宽限条件包括：
将月度数据序列逐一进行单位根检验并确定月度数据序列的单整序列阶数Ni,Ni≥0；所述月度数据序列的单整序列阶数Ni包括上证指数收益率序列(SHIDX)之单整序列阶数N1、银行隔夜拆借利率(SHIBOR)的月度数据序列(R1M)之单整序列阶数N2和货币供应量(M2)的月度数据序列LNM2之单整序列阶数N3；
在N1、N2和N3满足如下公式的情况下，确定月度数据序列的单位根特性满足多变量协整检验的宽限条件，
所述公式为：N1≥N2,N1≥N3,N1≤N2+N3。
优选地，所述将月度数据序列逐一进行单位根检验并确定月度数据序列的单整序列阶数Ni包括：
将每一月度数据序列顺次输入含趋势项的OLS方程模型、含常数项的OLS方程模型及不含常数项的OLS方程模型中,并确定δ1、δ2、δ3的数值：
含趋势项的OLS方程模型:
含常数项的OLS方程模型:
不含常数项的OLS方程模型:
其中,Xt、Xt-1为月度数据序列,ΔXt、ΔXt-1表示对Xt、Xt-1进行差分，δ1、δ2、δ3均为月度数据系数,α为常数项,γt为时间趋势项,γ为趋势项系数,m为ΔXt-1滞后的阶数,εt为白噪声序列；
在当次输入月度数据序列确定的δ1、δ2和δ3不全为0的情况下,对该月度数据序列进行j次差分处理直至δ1、δ2和δ3全为0,j为对应月度数据序列的单整序列阶数Ni；
在当次输入月度数据序列确定的δ1、δ2和δ3均为0的情况下,确定匹配的月度数据序列为平稳序列,记该月度数据序列为Xt～Ι(k),k≥0。
优选地，所述在当次输入月度数据序列确定的δ1、δ2和δ3不全为0的情况下,对该月度数据序列进行j次差分处理直至δ1、δ2和δ3全为0包括：
获取对当次输入的月度数据序列进行差分处理后的差分月度数据序列；
将获取的差分月度数据序列顺次输入含趋势项的OLS方程模型、含常数项的OLS方程模型及不含常数项的OLS方程模型中,并确定δ1、δ2、δ3的数值；
在确定δ1、δ2、δ3全为0的情况下，停止对月度数据序列进行差分处理并确定差分次数j。
优选地，所述在单位根特性满足多变量协整检验的宽限条件的情况下,利用Johansen极大似然估计法确定宏观资金流变量月度数据序列与上证指数收益率月度数据序列的协整关系包括：
确定宏观资金流变量月度数据序列的单整序列阶数Ni,并根据宏观资金流变量月度数据序列的单整序列阶数Ni选取匹配的协整检验方程模型；
根据选取的协整检验方程模型确定上证指数收益率序列(SHIDX)与银行隔夜拆借利率(SHIBOR)的月度数据序列(R1M)和货币供应量(M2)的月度数据序列LNM2之间的协整关系个数,并确定宏观资金流变量月度数据序列与上证指数收益率月度数据序列的协整关系,所述协整关系包括正相关和负相关。
优选地,所述根据基于协整关系建立的VECM模型对上证指数收益率进行预测包括：
根据确定的协整关系个数和协整关系建立VECM模型；
对由VECM模型生成的残差序列采用AEG检验法进行检验,并根据检验结果确定VECM模型的回归特性,所述回归特性包括伪回归模型和非伪回归模型；
在VECM模型为非伪回归模型的情况下,对上证指数收益率进行预测。
根据本发明的另一方面，提供一种基于资金流预测收益率的装置，包括
获取模块,用于获取采样的宏观资金流变量和上证指数收益率的月度数据序列,
检验模块,用于对月度数据序列进行单位根检验,确定单位根检验后的月度数据序列的单位根特性是否满足多变量协整检验的宽限条件；
处理模块,用于在单位根特性满足多变量协整检验的宽限条件的情况下,利用Johansen极大似然估计法确定宏观资金流变量月度数据序列与上证指数收益率月度数据序列的协整关系；
预测模块，用于根据基于协整关系建立的VECM模型对上证指数收益率进行预测。
第三方面,本发明实施例提供了一种计算机设备,包括：至少一个处理器、至少一个存储器以及存储在存储器中的计算机程序指令，当计算机程序指令被处理器执行时实现如上述实施方式中第一方面的方法。
第四方面,本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序指令，当计算机程序指令被处理器执行时实现如上述实施方式中第一方面的方法。
本发明的基于资金流预测收益率的预测方法的有益效果在于:本发明的预测方法基于上证指数、广义货币供应量M2以及上海银行间同业拆借利率，使用单位根检验、Johansen协整检验等方法对数据进行处理，使用向量误差修正模型(VECM)对宏观货币供应量和货币市场资金价格对上证指数收益率进行预测；本发明的方法采集的样本数据多且全面,且能较佳的从宏观货币供应量和货币市场资金价格角度来分析资金流信息对股价变动的影响。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中：
图1是本发明实施例的基于资金流预测收益率的预测方法的流程图；
图2是根据本发明实施例的实时预测机场安检人数的装置的结构示意图。
图3是本发明实施例提供的计算机设备的硬件结构示意图。
具体实施方式
下面结合附图对本发明作进一步详细的说明。
通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
再阐述具体实施例之前,此处先对以下技术予以阐述说明,从而方便下文对具体实施例解释说明。首先，本文的变量包括如下：货币供应量,是指一国在某一时点上社会经济运转中的货币存量，由存款货币和现金货币两部分构成，M2主要反映的是社会总需求的变化和未来通过膨胀的压力等状况，是货币政策调控的中长期目标；通常情况下，中央银行可通过法定存款准备金率、再贴现政策等工具来对货币供应量进行调节，并最终影响货币和资本市场的资金供求。
宏观货币供给量的波动会给股票市场和实体经济带来很大影响，从供求角度来说，银根松，表明市场上货币流动性高，资金流入股市推动股价上涨；从宏观层面上说，银根松，货币流动性充足时，企业可以扩张经营或投资建设一些长期的项目，有利于实体经济发展。因此货币政策作为政府调节经济活动所采取的措施，在市场上发挥重要的作用。
利率作为社会平均资金利润率，主要从企业融资成本、投资者交易的资金成本和结构等方面来影响股市资金量，是投资者做出投资决策的重要参考，因而具有丰富的资金流信息。我们可以从股息贴现模型清晰地看出,利率上升，无风险收益增加，会削弱投资者购买股票的热情，导致放入银行的存款增加，也就是说股票市场资金供应量减少，最终带来股价下跌，反之股价则上升，其具体表达式如下：
其中P是股票当前的价格,Dt指在未来t时期给投资者的股利,M是指在n+1时期出售股票时的现值收入,而i是指特定风险下的股票贴现率,它包括市场利率和股票风险报酬率两个部分；DDM模型表明证券市场的股票价格等于未来各期预期股利以及出售股票后收入的现值的总和。从DDM模型可以看出,证券市场的股票价格是与股票的收益成正比的。本文中,涉及到的相应理论包括如下：
1.基于ADF检验的数据平稳性检验
通过时间序列数据的平稳性检验,判断时间序列数据是否随时间t的变化而变化，即时间序列数据是否平稳。避免直接对不平稳时间序列进行线性回归，导致构建的回归模型可能存在“虚假回归”问题。常用的数据平稳性检验方法有DF检验(Dickey-Fuller Test)和ADF检验(Augmented Dickey-Fuller Test)两种方法。
由于DF检验实在假设残差序列独立且同方差的情况下进行,只适用于时间序列为1阶滞后的自相关,无法满足时间序列可能存在的高阶滞后自相关的情况。因此采用适用于时间序列高阶滞后自相关的ADF检验。
ADF(Augmented Dickey-Fuller)单位根法检验序列的平稳性,本质上，对任意变量Xt检验零假设Xt～Ι(1)相当于检验ΔXt是平稳的，即不存在单位根。实际中，ADF单位根检验过程基于如下两个一般形式的OLS方程：
其中，T表示线性趋势，k为被选做使εt成为白噪声残差的滞后阶数。ADF检验的原假设是：
如果α1显著小于零，则可拒绝存在一个单位根的零假设，得出Xt～Ι(0)的结论；
检验Xt中存在一个单位根(Xt～Ι(1))的零假设相当于检验上式中α1＝0。
如果α1＝0并且γ1显著小于零，则可得出Xt～Ι(1)的结论。
如果γ1＝0，则ΔXt存在单位根，因此其可能是Xt～Ι(2)序列。
2.协整检验
经典计量经济学理论认为，对于多个实际序列X(X1,X2,...,Xn)，其中某个时间序列Xi可能是非平稳的，而多个时间序列的组合则可能是平稳的。如果这样一种平稳的线性组合存在，则这些非平稳时间序列存在协整关系。
对于k个时间序列yt＝(y1t,y2t,...,ykt)’(t＝1,2,...,T),讨论这k个经济指标之间是否具有协整关系。协整的定义如下：
K维向量时间序列yt的分量间被称为d,b阶协整，记为yt～CI(d,b)，如果满足：
(1)yt～Ι(d)，要求yt的每个分量都是d阶单整的；
(2)存在非零向量β，使的βyt～I(d-b),0<b≤d；则称yt是协整的，向量β又称为协整向量。在进行Johansen协整检验时，需要设定协整方程的形式。有如下5中形式的协整检验方程：
(1)序列Yt无确定性趋势且协整方程无截距项，即
H2(r):∏Yt-1+BXt＝αβ′Yt-1
(2)序列Yt无确定性趋势且协整方程只有截距项，即
(3)序列Yt有确定性趋势但协整方程只有截距项，即
H1(r):∏Yt-1+BXt＝α(β′Yt-1+ρ0)+α⊥γ0
(4)序列Yt有线性趋势但协整方程有截距和趋势，即
H*(r):∏Yt-1+BXt＝α(β′Yt-1+ρ0+ρ1t)+α⊥γ0
(5)序列Yt有二次趋势但协整方程有截距和线性趋势，即
H(r):∏Yt-1+BXt＝α(β′Yt-1+ρ0+ρ1t)+α⊥(γ0+γ1t)
其中矩阵α⊥是矩阵α的正交互补矩阵，即αα⊥＝0。
3.向量误差修正模型(VECM)
VECM模型是含有协整约束的VAR模型,多应用于具有协整关系的非平稳时间序列建模中,根据Johansen的定义,n维向量Xt的向量自回归(VAR)模型(包含p阶之后变量)可以表述为以下过程：
Xt＝A1Xt-1+A2Xt-2+…+ApXt-p+εt (3-1)
每一个Ai都是n*n的参数矩阵，εt为服从独立均匀分布的n维向量，上述方程可写成向量误差修正模型(VECM)的形式：
Xt＝A1Xt-1+A2Xt-2+…+ApXt-p+εt (3-2)
其中，
Granger表达式定理表明,若系数矩阵B的秩r＝0,则式(3-3)是通常的一阶差分VAR模型；若r小于n,则存在n*r矩阵α和β,其秩均为r,使得B＝αβ′且β′Xt是平稳的；式(3.3)为向量误差修正模型，βXt-i为误差修正项,从中可以得到变量的协整关系。R是协整变量的个数(协整秩),β中的每一列都是协整向量,α中的元素为调整系数。
实施例1
本发明提供一种基于资金流预测收益率的预测方法,图1是本发明基于资金流预测收益率的预测方法的流程图，如图1所示,该预测方法的步骤包括：
步骤S102:获取采样的宏观资金流变量和上证指数收益率的月度数据序列,所述宏观资金流变量包括货币供应量(M2)和银行隔夜拆借利率(SHIBOR)；
步骤S104:对月度数据序列进行单位根检验,确定单位根检验后的月度数据序列的单位根特性是否满足多变量协整检验的宽限条件；所述单位根特性为月度数据序列为Ni阶单整序列,Ni≥0；
步骤S106:在单位根特性满足多变量协整检验的宽限条件的情况下,利用Johansen极大似然估计法确定宏观资金流变量月度数据序列与上证指数收益率月度数据序列的协整关系；
步骤S108:根据基于协整关系建立的VECM模型对上证指数收益率进行预测。
在本实施例中，变量的选取参考如下表1：
表1
而在本实施例可选的实施方式中,在步骤S102的获取采样的宏观资金流变量和上证指数收益率的月度数据序列之前,所述方法还包括如下步骤：
步骤S101-1，取每月收盘日对应的货币供应量(M2)并作对数化处理而获取货币供应量(M2)的月度数据序列LNM2；
步骤S101-2,取每月最后一日报价的银行隔夜拆借利率(SHIBOR)为当月银行隔夜拆借利率(SHIBOR)的月度数据序列R1M；
步骤S101-3,取每月最后收盘价的上证指数(SHZS)为上证指数月度数据,并通过月频数据获取上证指数收益率序列(SHIDX)，所谓月频数据就是取每月最后一日的数据。
需要说明的是,上述选取的M2，1月SHIBOR利率为在实际中具有重要作用的宏观层面资金流指标，而对上述选取的变量的处理为：对于原始频率为每日数据，通过取每月最后收盘价的方法得到月度数据；由于M2有较强的趋势性，为了平滑M2的变动趋势，对M2做对数化处理记为LNM2，对于R1M,通过取每月最后一日报价作为当月1月SHIBOR利率,得到月度数据；对于上证指数(SHZS),通过取每月最后收盘价的方法得到月度数据,并通过月频数据计算出上证指数每月收益率,记为SHIDX,实际中，对数据进行处理后的数据参考如下表2：
表2
在本实施例可选的实施方式中,步骤S104中的所述对月度数据序列进行单位根检验,确定单位根检验后的月度数据序列的单位根特性是否满足多变量协整检验的宽限条件通过如下步骤实现：
步骤S104-1,将月度数据序列逐一进行单位根检验并确定月度数据序列的单整序列阶数Ni,Ni≥0；所述月度数据序列的单整序列阶数Ni包括上证指数收益率序列(SHIDX)之单整序列阶数N1、银行隔夜拆借利率(SHIBOR)的月度数据序列(R1M)之单整序列阶数N2和货币供应量(M2)的月度数据序列LNM2之单整序列阶数N3；
步骤S104-2,在N1、N2和N3满足如下公式的情况下，确定月度数据序列的单位根特性满足多变量协整检验的宽限条件，所述公式为：N1≥N2,N1≥N3,N1≤N2+N3，具体的多变量协整检验的宽限条件为:被解释变量单阶整数不高于任何一个解释变量单阶整数，同时必须有2个及以上解释变量单阶整数高于被解释变量单阶整数。
需要说明的是,在实际中对一组变量进行单位根检验的过程及结果如下：
在利用AIC与SC准则确定变量的滞后阶数的基础上,对上证指数收益率(SHIDX)及其影响因素LNM2、R1M进行单位根检验；检验结果表明，SHIDX为平稳的；LNM2为二阶单整，其二阶差分都在1％的显著性水平下拒绝了存在单位根的原假设；R1M为一阶单整，其一阶差分都在1％的显著性水平下拒绝了存在单位根的原假设，具体如下表3所示，
表3
注：***表示在1％显著水平上显著,
由于分析数据序列含非平稳序列，不符合VAR建模的条件，但非平稳数据之间的某种线性组合可能是平稳的，即各数据序列之间可能具有协整关系。如果两个或多个时间序列是非平稳的,但是他们的某种线性组合是平稳的,我们称它们之间存在协整关系,协整反映了变量之间的长期均衡关系。
在本实施例可选的实施方式中,步骤104-1中的所述将月度数据序列逐一进行单位根检验并确定月度数据序列的单整序列阶数Ni通过如下步骤实现：
步骤S104-3,将每一月度数据序列顺次输入含趋势项的OLS方程模型、含常数项的OLS方程模型及不含常数项的OLS方程模型中,并确定δ1、δ2、δ3的数值：
含趋势项的OLS方程模型:
含常数项的OLS方程模型:
不含常数项的OLS方程模型:
其中,Xt、Xt-1为月度数据序列,ΔXt、ΔXt-1表示对Xt、Xt-1进行差分，δ1、δ2、δ3均为月度数据系数,α为常数项,γt为时间趋势项,γ为趋势项系数,m为ΔXt-1滞后的阶数,εt为白噪声序列；
步骤S104-4,在当次输入月度数据序列确定的δ1、δ2和δ3不全为0的情况下,对该月度数据序列进行j次差分处理直至δ1、δ2和δ3全为0,j为对应月度数据序列的单整序列阶数Ni；
步骤S104-5,在当次输入月度数据序列确定的δ1、δ2和δ3均为0的情况下,确定匹配的月度数据序列为平稳序列,记该月度数据序列为Xt～Ι(k),k≥0。
在本实施例可选的实施方式中,步骤S104-4中的所述在当次输入月度数据序列确定的δ1、δ2和δ3不全为0的情况下,对该月度数据序列进行j次差分处理直至δ1、δ2和δ3全为0通过如下步骤实现：
步骤S104-6,获取对当次输入的月度数据序列进行差分处理后的差分月度数据序列；
步骤S104-7,将获取的差分月度数据序列顺次输入含趋势项的OLS方程模型、含常数项的OLS方程模型及不含常数项的OLS方程模型中,并确定δ1、δ2、δ3的数值；
步骤S104-8在确定δ1、δ2、δ3全为0的情况下，停止对月度数据序列进行差分处理并确定差分次数j。
在本实施例可选的实施方式中,步骤S106中的所述在单位根特性满足多变量协整检验的宽限条件的情况下,利用Johansen极大似然估计法确定宏观资金流变量月度数据序列与上证指数收益率月度数据序列的协整关系通过如下步骤实现：
步骤S106-1,确定宏观资金流变量月度数据序列的单整序列阶数Ni,并根据宏观资金流变量月度数据序列的单整序列阶数Ni选取匹配的协整检验方程模型；
步骤S106-2,根据选取的协整检验方程模型确定上证指数收益率序列(SHIDX)与银行隔夜拆借利率(SHIBOR)的月度数据序列(R1M)和货币供应量(M2)的月度数据序列LNM2之间的协整关系个数,并确定宏观资金流变量月度数据序列与上证指数收益率月度数据序列的协整关系,所述协整关系包括正相关和负相关。
在本实施例可选的实施方式中,步骤S108中的所述根据基于协整关系建立的VECM模型对上证指数收益率进行预测通过如下步骤实现：
步骤S108-1,根据确定的协整关系个数和协整关系建立VECM模型；
步骤S108-2,对由VECM模型生成的残差序列采用AEG检验法进行检验,并根据检验结果确定VECM模型的回归特性,所述回归特性包括伪回归模型和非伪回归模型；
步骤S108-3,在VECM模型为非伪回归模型的情况下,对上证指数收益率进行预测。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机、计算机、服务器,或者网络设备等)执行本发明各个实施例的方法。
实施例2
在本实施例中还提供了一种基于资金流预测收益率的装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的，术语“模块”、“单元”可以是实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图2是根据本发明实施例的基于资金流预测收益率的装置的结构示意图,如图2所述,该装置包括：
获取模块22,用于获取采样的宏观资金流变量和上证指数收益率的月度数据序列,
检验模块24,与获取模块22耦合连接，用于对月度数据序列进行单位根检验,确定单位根检验后的月度数据序列的单位根特性是否满足多变量协整检验的宽限条件；
处理模块26,与检验模块24耦合连接，用于在单位根特性满足多变量协整检验的宽限条件的情况下,利用Johansen极大似然估计法确定宏观资金流变量月度数据序列与上证指数收益率月度数据序列的协整关系；
预测模块28,与处理模块26耦合连接，用于根据基于协整关系建立的VECM模型对上证指数收益率进行预测。
优选的,本实施例中所涉及的获取模块22之前可以包括:
第一获取单元，用于取每月收盘日对应的货币供应量(M2)并作对数化处理而获取货币供应量(M2)的月度数据序列LNM2；第二获取单元，用于取每月最后一日报价的银行隔夜拆借利率(SHIBOR)为当月银行隔夜拆借利率(SHIBOR)的月度数据序列R1M；第三获取单元，用于取每月最后收盘价的上证指数(SHZS)为上证指数月度数据,并通过月频数据获取上证指数收益率序列(SHIDX)。
优选的,本实施例中所涉及的检验模块24可以包括：
检验单元24-1,用于将月度数据序列逐一进行单位根检验并确定月度数据序列的单整序列阶数Ni,Ni≥0；所述月度数据序列的单整序列阶数Ni包括上证指数收益率序列(SHIDX)之单整序列阶数N1、银行隔夜拆借利率(SHIBOR)的月度数据序列(R1M)之单整序列阶数N2和货币供应量(M2)的月度数据序列LNM2之单整序列阶数N3；
确定单元24-2，与检验单元24-1耦合连接，用于在N1、N2和N3满足如下公式的情况下，确定月度数据序列的单位根特性满足多变量协整检验的宽限条件，所述公式为：N1≥N2,N1≥N3,N1≤N2+N3。
优选的,本实施例中所涉及的检验单元24-1可以包括：
第一检验单元，用于将每一月度数据序列顺次输入含趋势项的OLS方程模型、含常数项的OLS方程模型及不含常数项的OLS方程模型中,并确定δ1、δ2、δ3的数值：
含趋势项的OLS方程模型:
含常数项的OLS方程模型:
不含常数项的OLS方程模型:
其中,Xt、Xt-1为月度数据序列,ΔXt、ΔXt-1表示对Xt、Xt-1进行差分，δ1、δ2、δ3均为月度数据系数,α为常数项,γt为时间趋势项,γ为趋势项系数,m为ΔXt-1滞后的阶数,εt为白噪声序列；
第一处理单元，与第一检验单元耦合连接，用于在当次输入月度数据序列确定的δ1、δ2和δ3不全为0的情况下,对该月度数据序列进行j次差分处理直至δ1、δ2和δ3全为0,j为对应月度数据序列的单整序列阶数Ni；
第一确定单元，与第一检验单元和第一处理单元耦合连接，用于在当次输入月度数据序列确定的δ1、δ2和δ3均为0的情况下,确定匹配的月度数据序列为平稳序列,记该月度数据序列为Xt～Ι(k),k≥0。
优选地，本实施例中所涉及的第一处理单元可以包括：
第一获取单元,用于获取对当次输入的月度数据序列进行差分处理后的差分月度数据序列；
第二处理单元,与第一获取单元耦合连接,用于将获取的差分月度数据序列顺次输入含趋势项的OLS方程模型、含常数项的OLS方程模型及不含常数项的OLS方程模型中,并确定δ1、δ2、δ3的数值；
第三处理单元,与第二处理单元耦合连接,用于在确定δ1、δ2、δ3全为0的情况下，停止对月度数据序列进行差分处理并确定差分次数j。
优选的,本实施例中所涉及的处理模块26可以包括：
第三处理单元26-1，用于确定宏观资金流变量月度数据序列的单整序列阶数Ni,并根据宏观资金流变量月度数据序列的单整序列阶数Ni选取匹配的协整检验方程模型；
第四处理单元26-2，与第三处理单元26-1耦合连接，用于根据选取的协整检验方程模型确定上证指数收益率序列(SHIDX)与银行隔夜拆借利率(SHIBOR)的月度数据序列(R1M)和货币供应量(M2)的月度数据序列LNM2之间的协整关系个数,并确定宏观资金流变量月度数据序列与上证指数收益率月度数据序列的协整关系,所述协整关系包括正相关和负相关。
优选的,本实施例中所涉及的预测模块28可以包括：
第一创建单元28-1，用于根据确定的协整关系个数和协整关系建立VECM模型；
第二检验单元28-2,与第一创建单元28-1耦合连接,用于对由VECM模型生成的残差序列采用AEG检验法进行检验,并根据检验结果确定VECM模型的回归特性,所述回归特性包括伪回归模型和非伪回归模型；
第一预测单元28-3，与第二检验单元28-2耦合连接，用于在VECM模型为非伪回归模型的情况下,对上证指数收益率进行预测。
需要说明的是,上述各个模块、各单元是可以通过软件或硬件来实现的,对于后者,可以通过以下方式实现,但不限于此:上述模块均位于同一处理器中；或者,上述模块分别位于多个处理器中。
另外，结合图1描述的本发明实施例的基于资金流预测收益率的预测方法可以由计算机设备来实现。图3示出了本发明实施例提供的计算机设备的硬件结构示意图。
计算机设备可以包括处理器401以及存储有计算机程序指令的存储器402。
具体地，上述处理器401可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，ASIC)，或者可以被配置成实施本发明实施例的一个或多个集成电路。
存储器402可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器402可包括硬盘驱动器(Hard Disk Drive，HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus，USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器402可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器402可在数据处理装置的内部或外部。在特定实施例中，存储器402是非易失性固态存储器。在特定实施例中，存储器402包括只读存储器(ROM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
处理器401通过读取并执行存储器402中存储的计算机程序指令，以实现上述实施例中的LTE弱覆盖问题小区识别方法。
在一个示例中，计算机设备还可包括通信接口403和总线410。其中，如图3所示，处理器401、存储器402、通信接口403通过总线410连接并完成相互间的通信。
通信接口403，主要用于实现本发明实施例中各模块、装置、单元和/或设备之间的通信。
总线410包括硬件、软件或两者，将计算机设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线410可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线，但本发明考虑任何合适的总线或互连。
该计算机设备可以基于获取到的参数，执行本发明实施例中的基于资金流预测收益率的预测方法。
另外,结合上述实施例中的基于资金流预测收益率的预测方法，本发明实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令：该计算机程序指令被处理器执行时实现上述实施例中的任意一种基于资金流预测收益率的预测方法。
需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
以上并非对本发明的技术范围作任何限制,凡依据本发明技术实质对以上的实施例所作的任何修改、等同变化与修饰,均仍属于本发明的技术方案的范围内。
Claims (6)
1.一种基于资金流预测收益率的预测方法,其特征在于,所述预测方法包括：
获取采样的宏观资金流变量和上证指数收益率的月度数据序列,所述宏观资金流变量包括货币供应量(M2)和银行隔夜拆借利率(SHIBOR)；
对月度数据序列进行单位根检验,确定单位根检验后的月度数据序列的单位根特性是否满足多变量协整检验的宽限条件；所述单位根特性为月度数据序列为Ni阶单整序列,Ni≥0；
在单位根特性满足多变量协整检验的宽限条件的情况下,利用Johansen极大似然估计法确定宏观资金流变量月度数据序列与上证指数收益率月度数据序列的协整关系；
根据基于协整关系建立的VECM模型对上证指数收益率进行预测，其中，所述对月度数据序列进行单位根检验,确定单位根检验后的月度数据序列的单位根特性是否满足多变量协整检验的宽限条件包括：
将月度数据序列逐一进行单位根检验并确定月度数据序列的单整序列阶数Ni,Ni≥0；所述月度数据序列的单整序列阶数Ni包括上证指数收益率序列(SHIDX)之单整序列阶数N1、银行隔夜拆借利率(SHIBOR)的月度数据序列(R1M)之单整序列阶数N2和货币供应量(M2)的月度数据序列LNM2之单整序列阶数N3；
在N1、N2和N3满足如下公式的情况下，确定月度数据序列的单位根特性满足多变量协整检验的宽限条件，
所述公式为：N1≥N2,N1≥N3,N1≤N2+N3；
其中，所述将月度数据序列逐一进行单位根检验并确定月度数据序列的单整序列阶数Ni包括：
将每一月度数据序列顺次输入含趋势项的OLS方程模型、含常数项的OLS方程模型及不含常数项的OLS方程模型中,并确定δ1、δ2、δ3的数值：
含趋势项的OLS方程模型:
含常数项的OLS方程模型:
不含常数项的OLS方程模型:
其中,Xt、Xt-1为月度数据序列,ΔXt、ΔXt-1表示对Xt、Xt-1进行差分，δ1、δ2、δ3均为月度数据系数,α为常数项,γt为时间趋势项,γ为趋势项系数,m为ΔXt-1滞后的阶数,εt为白噪声序列；
在当次输入月度数据序列确定的δ1、δ2和δ3不全为0的情况下,对该月度数据序列进行j次差分处理直至δ1、δ2和δ3全为0,j为对应月度数据序列的单整序列阶数Ni；
在当次输入月度数据序列确定的δ1、δ2和δ3均为0的情况下,确定匹配的月度数据序列为平稳序列,记该月度数据序列为Xt～Ι(k),k≥0；
其中，所述在当次输入月度数据序列确定的δ1、δ2和δ3不全为0的情况下,对该月度数据序列进行j次差分处理直至δ1、δ2和δ3全为0包括：
获取对当次输入的月度数据序列进行差分处理后的差分月度数据序列；
将获取的差分月度数据序列顺次输入含趋势项的OLS方程模型、含常数项的OLS方程模型及不含常数项的OLS方程模型中,并确定δ1、δ2、δ3的数值；
在确定δ1、δ2、δ3全为0的情况下，停止对月度数据序列进行差分处理并确定差分次数j；
其中，所述在单位根特性满足多变量协整检验的宽限条件的情况下,利用Johansen极大似然估计法确定宏观资金流变量月度数据序列与上证指数收益率月度数据序列的协整关系包括：
确定宏观资金流变量月度数据序列的单整序列阶数Ni，并根据宏观资金流变量月度数据序列的单整序列阶数Ni选取匹配的协整检验方程模型；
根据选取的协整检验方程模型确定上证指数收益率序列(SHIDX)与银行隔夜拆借利率(SHIBOR)的月度数据序列(R1M)和货币供应量(M2)的月度数据序列LNM2之间的协整关系个数，并确定宏观资金流变量月度数据序列与上证指数收益率月度数据序列的协整关系,所述协整关系包括正相关和负相关。
2.根据权利要求1所述的一种基于资金流预测收益率的预测方法,其特征在于,所述获取采样的宏观资金流变量和上证指数收益率的月度数据序列之前,所述方法包括：
取每月收盘日对应的货币供应量(M2)并作对数化处理而获取货币供应量(M2)的月度数据序列LNM2；
取每月最后一日报价的银行隔夜拆借利率(SHIBOR)为当月银行隔夜拆借利率(SHIBOR)的月度数据序列R1M；
取每月最后收盘价的上证指数(SHZS)为上证指数月度数据,并通过月频数据获取上证指数收益率序列(SHIDX)。
3.根据权利要求1所述的一种基于资金流预测收益率的预测方法,其特征在于,所述根据基于协整关系建立的VECM模型对上证指数收益率进行预测包括：
根据确定的协整关系个数和协整关系建立VECM模型；
对由VECM模型生成的残差序列采用AEG检验法进行检验,并根据检验结果确定VECM模型的回归特性,所述回归特性包括伪回归模型和非伪回归模型；
在VECM模型为非伪回归模型的情况下,对上证指数收益率进行预测。
4.一种基于资金流预测收益率的装置,其特征在于,包括：
获取模块，用于获取采样的宏观资金流变量和上证指数收益率的月度数据序列；
检验模块，用于对月度数据序列进行单位根检验,确定单位根检验后的月度数据序列的单位根特性是否满足多变量协整检验的宽限条件；其中，所述检验模块还用于将月度数据序列逐一进行单位根检验并确定月度数据序列的单整序列阶数Ni,Ni≥0；所述月度数据序列的单整序列阶数Ni包括上证指数收益率序列(SHIDX)之单整序列阶数N1、银行隔夜拆借利率(SHIBOR)的月度数据序列(R1M)之单整序列阶数N2和货币供应量(M2)的月度数据序列LNM2之单整序列阶数N3；在N1、N2和N3满足如下公式的情况下，确定月度数据序列的单位根特性满足多变量协整检验的宽限条件，所述公式为：N1≥N2,N1≥N3,N1≤N2+N3；所述检验模块还用于将每一月度数据序列顺次输入含趋势项的OLS方程模型、含常数项的OLS方程模型及不含常数项的OLS方程模型中,并确定δ1、δ2、δ3的数值：含趋势项的OLS方程模型:
含常数项的OLS方程模型:
不含常数项的OLS方程模型:
其中,Xt、Xt-1为月度数据序列,ΔXt、ΔXt-1表示对Xt、Xt-1进行差分，δ1、δ2、δ3均为月度数据系数,α为常数项,γt为时间趋势项,γ为趋势项系数,m为ΔXt-1滞后的阶数,εt为白噪声序列；在当次输入月度数据序列确定的δ1、δ2和δ3不全为0的情况下,对该月度数据序列进行j次差分处理直至δ1、δ2和δ3全为0,j为对应月度数据序列的单整序列阶数Ni；在当次输入月度数据序列确定的δ1、δ2和δ3均为0的情况下,确定匹配的月度数据序列为平稳序列,记该月度数据序列为Xt～Ι(k),k≥0；所述检验模块还用于获取对当次输入的月度数据序列进行差分处理后的差分月度数据序列；将获取的差分月度数据序列顺次输入含趋势项的OLS方程模型、含常数项的OLS方程模型及不含常数项的OLS方程模型中,并确定δ1、δ2、δ3的数值；在确定δ1、δ2、δ3全为0的情况下，停止对月度数据序列进行差分处理并确定差分次数j；
处理模块，用于在单位根特性满足多变量协整检验的宽限条件的情况下,利用Johansen极大似然估计法确定宏观资金流变量月度数据序列与上证指数收益率月度数据序列的协整关系，以及用于确定宏观资金流变量月度数据序列的单整序列阶数Ni，并根据宏观资金流变量月度数据序列的单整序列阶数Ni选取匹配的协整检验方程模型；根据选取的协整检验方程模型确定上证指数收益率序列(SHIDX)与银行隔夜拆借利率(SHIBOR)的月度数据序列(R1M)和货币供应量(M2)的月度数据序列LNM2之间的协整关系个数，并确定宏观资金流变量月度数据序列与上证指数收益率月度数据序列的协整关系,所述协整关系包括正相关和负相关；
预测模块，用于根据基于协整关系建立的VECM模型对上证指数收益率进行预测。
5.一种计算机设备,其特征在于,包括:至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令,当所述计算机程序指令被所述处理器执行时实现如权利要求1-3中任一项所述的方法。
6.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，当所述计算机程序指令被处理器执行时实现如权利要求1-3中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811322112.3A CN109086954B (zh) | 2018-11-08 | 2018-11-08 | 基于资金流预测收益率的预测方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811322112.3A CN109086954B (zh) | 2018-11-08 | 2018-11-08 | 基于资金流预测收益率的预测方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109086954A CN109086954A (zh) | 2018-12-25 |
| CN109086954B true CN109086954B (zh) | 2022-01-25 |
Family
ID=64844655
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811322112.3A Active CN109086954B (zh) | 2018-11-08 | 2018-11-08 | 基于资金流预测收益率的预测方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109086954B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111897852A (zh) * | 2020-07-01 | 2020-11-06 | 中国建设银行股份有限公司 | 异常数据的确定方法、装置、电子设备及可读存储介质 |
| CN112989555B (zh) * | 2020-12-31 | 2024-04-16 | 京东科技控股股份有限公司 | 一种时间序列数据处理方法、装置、设备及计算机介质 |
| CN114593411B (zh) * | 2022-02-28 | 2024-03-29 | 中国大唐集团科学技术研究院有限公司西北电力试验研究院 | 基于向量自回归水煤比寻优直流炉给水控制方法及系统 |
| TWI838277B (zh) * | 2023-06-15 | 2024-04-01 | 玉山商業銀行股份有限公司 | 判斷貨幣匯率共整合關係以選擇交易標的之系統及方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003044678A (ja) * | 2001-07-27 | 2003-02-14 | Mizuho Corporate Bank Ltd | 金融商品評価方法及び金融商品評価プログラム |
| US7882001B2 (en) * | 2008-02-01 | 2011-02-01 | Infinancials Sa | Graphical system for determining the relative attractiveness of investments |
| CN103455943A (zh) * | 2013-09-02 | 2013-12-18 | 深圳市国泰安信息技术有限公司 | 一种股票或股票投资组合波动率的预测方法、装置 |
| CN108717585A (zh) * | 2018-05-14 | 2018-10-30 | 国网福建省电力有限公司 | 一种远期电力需求预测方法 |
-
2018
- 2018-11-08 CN CN201811322112.3A patent/CN109086954B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003044678A (ja) * | 2001-07-27 | 2003-02-14 | Mizuho Corporate Bank Ltd | 金融商品評価方法及び金融商品評価プログラム |
| US7882001B2 (en) * | 2008-02-01 | 2011-02-01 | Infinancials Sa | Graphical system for determining the relative attractiveness of investments |
| CN103455943A (zh) * | 2013-09-02 | 2013-12-18 | 深圳市国泰安信息技术有限公司 | 一种股票或股票投资组合波动率的预测方法、装置 |
| CN108717585A (zh) * | 2018-05-14 | 2018-10-30 | 国网福建省电力有限公司 | 一种远期电力需求预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 中国资本项目管制有效性分析;黄益平等;《金融发展评论》;20100630(第6期);第107-134页 * |
| 股市波动、金融政策和宏观经济关系研究;岳朝龙等;《广东金融学院学报》;20101130;第25卷(第6期);第3-16页 * |
| 黄益平等.中国资本项目管制有效性分析.《金融发展评论》.2010,(第6期),第107-134页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109086954A (zh) | 2018-12-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TW530234B (en) | Methods and systems for efficiently sampling portfolios for optimal underwriting | |
| TWI248001B (en) | Methods and apparatus for automated underwriting of segmentable portfolio assets | |
| CN109086954B (zh) | 基于资金流预测收益率的预测方法、装置、设备及介质 | |
| CN112598500A (zh) | 一种无额度客户的授信处理方法及系统 | |
| CN111383091A (zh) | 一种资产证券化定价方法和装置 | |
| US7644011B2 (en) | Method and apparatus for determining investment manager skill | |
| Bhabra et al. | Corporate governance and the sensitivity of investments to cash flows | |
| CN110473111A (zh) | 投资组合的业绩分析方法、装置、可读存储介质 | |
| CN113962526A (zh) | 电力交易服务费违约风险评估方法、设备和计算机可读存储介质 | |
| JP2018514889A (ja) | 当初証拠金標準モデルに基づいて当初証拠金を計算及び提供する方法及びシステム | |
| CN113159545A (zh) | 确定价值属性值的方法、装置、电子设备和存储介质 | |
| Gogol et al. | Cross-Rollup MEV: Non-Atomic Arbitrage Across L2 Blockchains | |
| Menichini | On the value and determinants of the interest tax shields | |
| Brassil et al. | Identifying interbank loans from payments data | |
| Liu et al. | A new market risk management approach for commercial banks' fixed‐income securities trading accounts | |
| CN114418776A (zh) | 一种数据处理方法、装置、终端设备及介质 | |
| Berdiyarov | Basic Requirements Of The Basel Committee On Regulating Capital Adequacy And Liquidity Of Commercial Banks | |
| CN109299889A (zh) | 计算机数据处理方法、装置、介质及电子设备 | |
| CN112541813A (zh) | 债券批量计息的方法及装置 | |
| Nshala | The effect of credit risk management on the financial performance of commercial banks in Tanzania | |
| Blatter et al. | Risk Management in Banks and Insurance Companies | |
| Wijayanti et al. | Analysis of Net Profit and Car Based on PSAK 71 on Stock Prices in Registered Banking Companies | |
| Zhou et al. | Study on the Risk-Return Mathematical Model Based on LSTM Time-Series Model and Monte Carlo Simulations | |
| CN119090608A (zh) | 一种计算活期存款核心存款比例的实现方法及系统 | |
| Singh | Data-driven risk forecasting and algorithmic trading models for cryptocurrencies |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |