检索结果-南通市图书馆

统计研究 2022年第9期39卷 128-144页

作者：陶长琪徐玉婷江西财经大学统计学院

分位数回归的贝叶斯推断目前几乎都建立在非对称拉普拉斯分布(ALD)之上。ALD中尾且缺乏控制尾部参数的弊端使得其在实际数据出现尖峰厚尾以及偏斜分布时不能灵活地反映数据特征,导致贝叶斯分位数估计出现偏差。为克服这一缺陷,本文采用... 详细信息

分位数回归的贝叶斯推断目前几乎都建立在非对称拉普拉斯分布(ALD)之上。ALD中尾且缺乏控制尾部参数的弊端使得其在实际数据出现尖峰厚尾以及偏斜分布时不能灵活地反映数据特征,导致贝叶斯分位数估计出现偏差。为克服这一缺陷,本文采用具有左右尾参数的非对称指数幂(AEP)分布和基于Gibbs的自适应Metropolis–Hastings抽样方法,对经典贝叶斯分位数回归方法进行了扩展与改进,形成了基于AEP分布的贝叶斯自适应Lasso分位数回归方法,并将该方法首次应用于面板数据中。同时,为检验AEP方法的有效性,本文将该方法与基于偏指数幂(SEP)分布和基于ALD分布的贝叶斯自适应Lasso分位数回归方法进行了模拟比较。结果显示,AEP方法比SEP和ALD方法更不易受极端值的影响,性能更稳定。并且,在不同扰动项分布假设和不同分位数水平下,该方法具有更高精度的变量筛选功能。最后,选取36家我国零售类上市公司为实证研究对象,运用AEP方法对其股票收益率影响因素进行筛选和回归估计,进一步验证了该方法在实际问题中进行变量选择和参数估计的能力。

关键词：面板数据贝叶斯自适应Lasso 分位数回归非对称指数幂分布

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于非对称指数幂分布之财务预警模型研究

基于非对称指数幂分布之财务预警模型研究

引用

作者：陈文芯南开大学

学位级别：硕士

本文针对台湾企业,以提升危机预测能力为目的,在二元类别为前提下,引入Zhu和Zinde-Walsh(2009)等人所提出的非对称指数幂分布(Asymmetric Exponential Power Distribution, AEPD),将其取均值为0,方差为1,即成为标准非对称指数幂分布(Sta... 详细信息

本文针对台湾企业,以提升危机预测能力为目的,在二元类别为前提下,引入Zhu和Zinde-Walsh(2009)等人所提出的非对称指数幂分布(Asymmetric Exponential Power Distribution, AEPD),将其取均值为0,方差为1,即成为标准非对称指数幂分布(Standard Asymmetric Exponential Power Distribution, SAEPD),并且使用过去文献预测效果较佳的财务会计变量,包括：流动比率、负债比率、税后息前之总资产报酬率、总资产周转率以及营运现金流量比率,设计出一个创新的模型。实证分析使用台湾经济新报数据库所定义的财务危机作为危机公司和正常公司之分类,将1999至2005年的财务危机公司与正常公司,透过随机抽样以及采取一比一的配对方式,得到样本区间内的财务数据,再利用极大似然估计法对新模型中的参数进行估计,进一步对2006至2008年全部公司做样本外预测。另外,将模型与过去常用的预警模型-Logit和Probit模型进行比较。实证结果发现,进行样本内预测时,SAEPD模型所计算之概率经过判别,整体准确率为92.12%,比Logit (91.5%)和Probit (91.1%)模型准确;SAEPD模型在危机公司能被预测为危机公司的准确率也提升至55.44%,而Logit和Probit模型分别为50.26%和46.11%;进行样本外预测时,SAEPD模型与Logit和Probit模型区别力反而不大,但透过讯息标准比较,可得知SAEPD模型较Logit和Probit佳,因此,本文建议可以将二元类别之SAEPD模型与Logit或Probit模型互相搭配来提升预测准确度。

关键词：财务预警模型 Logit模型 Probit模型非对称指数幂分布极大似然估计

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

贝叶斯分位数自回归方法的研究及在香港恒生指数风险测度上的应用

贝叶斯分位数自回归方法的研究及在香港恒生指数风险测度上的应用

引用

作者：朱玲南京财经大学

学位级别：硕士

贝叶斯分位数回归方法是近年来国内外的研究热点,把贝叶斯分位数回归方法应用于金融风险测度是一个重要的研究课题,而计算风险价值VaR是金融市场风险测度的主流方法.本文探讨基于贝叶斯分位数自回归方法的VaR建模,并用该方法研究香港恒... 详细信息

贝叶斯分位数回归方法是近年来国内外的研究热点,把贝叶斯分位数回归方法应用于金融风险测度是一个重要的研究课题,而计算风险价值VaR是金融市场风险测度的主流方法.本文探讨基于贝叶斯分位数自回归方法的VaR建模,并用该方法研究香港恒生指数的VaR风险测度.第一章阐述了选题的背景以及研究意义,并进行了国内外文献综述.第二章是基本概念及其方法的简要概述,包括：分位数回归,贝叶斯分析的相关理论和方法,以及VaR的概念与主要性质.第三章从理论上构建了基于贝叶斯分位数自回归的VaR建模框架.本章分成两大部分.第一部分,分别针对误差项服从非对称拉普拉斯分布(ALD)和误差项服从非对称指数幂分布(AEPD)的分位数回归模型,通过设定参数的先验分布及确定样本的似然函数,根据贝叶斯原理,利用MCMC中算法按照参数的满条件后验分布交替采样,得到具有平稳分布的马氏链的一个样本实现,该平稳分布就是参数的后验分布.由于均方误差损失下,参数的最优贝叶斯估计就是其后验均值,所以可以用马氏链的样本均值作为参数的最优估计.值得说明的是：由于ALD和AEPD都是非标准分布,所以在采样前,本文对它们的似然函数进行了变换.第二部分,作为上述贝叶斯分位数回归模型的一种特殊类型,遵循上述思路,构建了贝叶斯分位数自回归VaR模型,具体做法是：在提出了分位数自回归VaR模型之后,按照AIC信息选择准则给出此模型的定阶方法,利用第一部分给出的方法对参数进行贝叶斯估计,并给出不同分位水平下VaR模型的评价方法.第四章是在第三章给出的理论建模框架的基础上,将贝叶斯分位数自回归VaR模型应用于香港恒生指数的风险测度中.选取香港恒生指数2010年1月4日到2014年1月10日收盘价,通过对数变换后获得对数收益率数据,再从均值、标准差、偏度、峰度、JB统计量、ADF值、自相关系数与偏相关系数几个方面,对这些数据进行特征分析后,发现了数据具有非正态性、尖峰厚尾性、平稳性和自相关性,因而能确定本章模型类型隶属于第三章的贝叶斯分位数自回归VaR模型.根据第三章构建的理论建模框架,首先应用AIC信息准则确定模型的自回归阶数为5阶.然后,选取卡方分布为σ的先验分布,其余参数则选取正态分布为先验分布,按照3.1节和3.2节给出的似然函数,根据贝叶斯原理,利用第三章给出的MCMC算法结合R语言中的R2WinBUGS,得到了香港恒生指数分位水平分别为0.01、0.025与0.05的贝叶斯分位数自回归VaR模型的参数估计、各个参数的后验密度图、动态迭代图以及GR统计量收敛性图.通过对上述结果的一系列分析表明：基于ALD的贝叶斯分位数自回归VaR模型和基于AEPD的贝叶斯分位数自回归VaR模型的各个分位水平下的马氏链均是收敛的,且参数估计的误差较小.此外分别从同一分位水平角度比较了不同滞后期的自变量对VaR值的影响,以及从不同分位水平下同一滞后期的自变量对VaR值的影响.根据上述所建的模型可以计算不同置信水平(分别对应不同的分位水平)下的香港恒生指数的VaR值.通过比较VaR实际值和VaR估计值,可知大部分VaR实际值小于VaR估计值,说明大部分损失在模型预测之内.同时通过比不同置信水平的VaR实际值和VaR估计值可知,置信水平越高,估计越保守,实际值超过预测值的可能性越小.第五章应用Kupiec失败率检验法,对第四章所建的基于ALD的贝叶斯分位数自回归VaR模型和基于AEPD的贝叶斯分位数自回归VaR模型进行效果评价.通过得到的失败区间、失败数、失败率、LR值以及LR临界值来比较两个模型,结果表明：基于AEPD的VaR模型比基于ALD的VaR模型的失败数更少,失败率更小.并把基于AEPD的VaR模型与计算VaR的传统的历史模拟法进行比较.结果发现基于AEPD的VaR模型效果更好.最后在第六章,对全文进行了总结与展望.

关键词：非对称拉普拉斯分布非对称指数幂分布贝叶斯分位数回归模型贝叶斯分位数自回归VaR模型 MCMC算法贝叶斯估计 VaR风险测度模型评价

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：