导读:本文包含了相依时间序列论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:序列,模型,时间,函数,参数,多维,状态。
相依时间序列论文文献综述
李余琪,赵银平,甘敏[1]（2013）在《基于状态相依自回归模型的季节时间序列预测》一文中研究指出基于一种状态相依自回归模型来预测季节时间序列。为提高模型的预测性能,同时考虑了模型的输入变量的选择和参数的优化。采用随机搜索和基于梯度的搜索相结合的优化方法,网络的结点数目、输入变量的选择都采用二进制编码,并用遗传算法来优化。对一组季节时间序列的预测被用来检验模型的性能。比较实验结果表明了提出方法的有效性。(本文来源于《第叁十二届中国控制会议论文集（E卷）》期刊2013-07-26）
高伟,李佼瑞[2]（2012）在《多维时间序列的条件独立性检验及其在股市相依关系中的应用》一文中研究指出提出多维时间序列中各分量之间直接联系存在性的信息论检验方法,构造了条件互信息统计量检验分量间的条件独立性,统计量的显着性用置换检验决定。将提出的方法应用到国际股票市场,研究收益率序列相依关系,结果表明,此方法能有效检验各分量之间的直接联系和间接联系。(本文来源于《统计与信息论坛》期刊2012年09期）
马云艳[3]（2012）在《相依数据下协变量调整回归模型及其在金融时间序列中的应用》一文中研究指出经典的统计学是建立在独立性假设之上的。独立随机变量的极限理论在20世纪30年代至40年代已经得到完善的发展,这些极限理论在统计学中起着至关重要的作用,是人们进行统计推断的理论基础。虽然独立性假设在某些时候是合理的,但是要验证一个样本的独立性是很困难的。而且在大部分的实际问题中,样本也并非是独立的观测值,因此,在20世纪50年代,随机变量的相依性概念引起了概率统计学家的研究兴趣,在概率论与数理统计的某些分支,如马氏链,随机场理论以及时间序列分析等学科中被相继提出,取得了大量的研究成果。在相依数据的研究中混合相依是广泛应用的概念。混合相依是指序列变量之间的相依关系是以时间或空间的距离衰退的,即当随机变量的指标只差趋于无穷时,随机变量是渐近独立的。在经济金融,气象,水文,工程技术,自然科学和社会科学各个领域中,人们会遇到各种各样的数据,这些数据大多以时间序列的形式出现的。例如股票的每日收盘价格,产品的年销量,国民生产总值的年数据等等。因此,对时间序列进行研究,可以揭示各种现象变化和发展的内在规律,对于人们正确的认识事物并且由此作出科学的决策具有重要的现实意义。协变量调整回归模型是最近新提出的一种统计分析方法。假设X和Y分别为预测变量和响应变量,在传统的回归模型中,通过(X,Y)的观测值来研究X和Y之间的关系。但是,在实际问题中,变量X和Y有可能会受到其他因素的干扰,如果在进行统计分析时没有把干扰因素考虑进来,就可能会得到不准确的或者是错误的统计推断。而协变量调整回归模型就是考虑干扰因素的影响,称干扰因素为协变量,研究在协变量影响下X和Y之间的关系。协变量调整模型提出以后,由于其重要的现实意义和应用价值,受到了人们的广泛关注,出现了各种各样的推广,主要包括数据类型的推广和模型类型的推广。数据类型的推广大多是把独立同分布场合推广到纵向数据场合。模型类型的推广主要包括变系数模型,非线性模型和部分线性模型等等。本文中,我们在数据类型和模型类型两方面都做了推广。数据类型方面,我们把独立同分布场合推广到相依数据场合,从而应用到金融数据中。模型类型方面,我们分别讨论了相依数据下的参数回归模型和非参数回归模型。1.相依数据下协变量调整参数回归模型在第二章,我们讨论了相依数据下的协变量调整参数回归模型,其中Xi0=1,φ0(·)叁1。假设不可观测数据{(Ui,Xi,Yi),i=1,2,...,n}为一个满足α-混合条件的严平稳过程。我们的目标是,基于观预测数据{(Ui,Xi,Yi),i=1,2,...,n}估计未知回归参数γr(r=0,1.2,...,p)并且研究估计的渐近性质。我们提出了一个两步估计方法第一步.首先把协变量调整模型转换为其中这是一个函数型系数模型。我们采用局部线性平滑方法估计模型中的系数函数βr(·),r=0,…p。记最小化下面的加权平方和可以得到θ的最小二乘估计则系数函数βr(·)的估计为其中erT,2p+2为2p+2维向量,第r个元素为1,其他元素为零。第二步.我们提出回归参数γrm=0,1,...,p)的估计为其中我们讨论参数估计的渐进性质。定理2.1证明了估计的相合性,并且给出了收敛速度。定理2.2证明了参数估计的渐近正态性。定理2.1.(相合性定理)假设模型满足§2..6节中的条件(C2-1)-(C2-9),则下面的结论成立定理2.2.(渐近正态性)假设模型满足§2.6节中的条件(C2-1)-(C2-9),当n→∞时,下面的结论成立其中为了比较协变量调整模型和一般线性模型对数据的拟合程度,我们提出了一种拟合优度检验。设协变量调整模型转换为下面的函数型系数模型如果函数βr(·)(r=0.1)为常数,即βr(U)叁βr(r=0,1),则模型转换为一个简单的线性回归模型这说明线性回归模型与数据拟合地更好,否则,若βr(·)(r=0.1)不恒为常数,则函数型系数模型与数据拟合地更好。设原假设为检验统计量为若Tn取值较大,则拒绝原假设。我们提出了一种非参Bootstrap方法来计算上述拟合优度检验的?)值。为了阐明提出的方法,我们研究金融市场中铜现货价格CSP(响应变量)和铜期货价格CFP(预测变量)的关系。一个简单的线性回归关系为另外,沪深300股指期货(IF)对CSP和CFP之间的关系有显着地影响。因此,我们把IF作为协变量U,考虑下面的函数型系数回归模型为了对模型进行检验,我们采用§2.4中提出拟合优度检验。结果说明CSP和CFP之间存在非线性关系并且两者之间的关系随着IF的变化而变化。2.相依数据下协变量调整非参数回归模型在第叁章,我们提出了相依数据下协变量调整非参数回归模型,其样本形式为假设不可观测样本{(U,Xi,Yi),i=1,2,...,n}为联合严平稳α-混合序列。为了估计回归函数,我们如下的两步估计方法：第一步.干扰函数ψ(U)和φ(U)的估计为我们可以建立一个协变量调整模型的近似表达第二步.我们提出回归函数的Nadaraya-Watson估计为其中定理3.1证明了回归函数的估计m(χ)的渐近收敛性,并且给出了收敛速度。定理3.1如果§3.5中条件(A3-1)-似3-3)以及(C3-1)-(C3-5)满足,则下面的结论成立.我们通过模拟计算和实际数据应用表明了协变量调整非参数回归方法的优良性。3.基于局部LRS方法的稀疏信号片段检测稀疏信号检测问题一直是信号处理中的热点问题。在高维数据中进行稀疏信号检测时经常会面临会两个挑战,一是如何提高检测精度,二是如何降低计算复杂度。在第四章,我们提出了一个局部LRS方法。与一般的LRS方法相比,局部LRS方法能显着地提高检测精度,降低计算复杂度。假设观测样本{Xi,i=1,2,...,n}来自于模型其中I,,I2,…Iq为不相交区间,表示位置未知的信号片段,μ1,,μ2,…,μq为未知的信号强度。q=q(n)为未知的信号片段的个数,会随着n的增加而增加。{乙,i=1,2,...,n}为噪声,令Ⅱ={I1,I2,...,Iq}表示所有的信号片段的集合。我们的目标是检测信号片段是否存在,如果存在,识别信号片段的位置。我们把上述信号片段的检测和识别问题看作下面的假设检验问题,其中Φ表示空集。如果H1为真,说明信号片段存在,从而我们要确定信号片段集合Ⅱ。提出的检验统计量为检验统计量的阈值为我们提出的LRSL算法首先从所有的点中选出观测值大于t1n的“重要的”点,然后再考虑每一个“重要的”点的L-邻域。那么信号片段的合理估计应该是对应的检验统计量大于t2n并且取到最大值的那些区间。定理4.1证明了检验方法的渐近性质。定理4.1设§4.3中的条件(C4-1),(C4-2)满足,另外假设其中γn=(?)－1且∈n>0.那么,如果满足则下面的结论成立模拟结果表明,局部LRS方法可以有效地提高检测精度,降低计算复杂度。(本文来源于《山东大学》期刊2012-05-16）
易文德[4]（2011）在《金融时间序列的短期相依性研究》一文中研究指出金融资产相依结构的研究在金融风险分析中有着重要的意义。金融资产的相依结构主要有两类:一类是单个金融资产自身时间前后交易价格波动的相依关系,称为短期相依关系,另一类是金融资产间的价格波动相依结构,称为同期相依关系。针对前一种相依关系,我们应用混合相依结构M-Copula函数模型对上海综合指数、香港恒生指数和美国道琼斯指数叁种金融时间序列前后一个交易日的价格波动相依关系进行了分析。应用两步骤法对模型的参数进行估计,并对边缘分布和M-Copula模型进行了拟合优度检验。结果表明:混合M-Copula模型能够捕捉金融资产时间序列的短期相依关系的变化规律。(本文来源于《华东经济管理》期刊2011年03期）
刘琼芳[5]（2010）在《基于Copula理论的金融时间序列相依性研究》一文中研究指出经济全球化和金融国际化导致了金融市场之间的联系越来越紧密,彼此之间的关系更加复杂。准确刻画金融变量之间的相依结构是研究金融风险管理、投资组合以及资产定价等问题的基础,这对于探索金融经济系统的运行机制以及科学地进行金融决策具有重要的理论和现实意义。但是传统的相关性分析方法大多不能刻画变量间的非线性、非对称等特征,现有的多元联合分布函数也远不能满足实际分析的需要。Copula理论能描述金融时间序列间的非线性、非对称和再生性等相关性特征,还能构建许多的多元联合分布函数。本文运用Copula理论研究金融时间序列的相依结构,首先系统地论述了Copula函数及其性质,特别是嵌套的Copula及多重相关性,并对由Copula函数导出的相依性指标进行深入的探讨,论证了尾部相关系数与缓慢变化函数共同刻画尾部相关性的联合生成函数法优于常用的上、下尾部相关系数,进一步介绍了动态Copula模型的最新研究进展。其主要工作与创新体现在:①论文讨论了运用Copula模型的一个关键:边缘分布函数对数据的拟合和选取。基于Copula理论的相关性分析方法克服了传统方法的局限性,但必须正确选择边缘分布函数,论文主要讨论核密度函数、极值模型和波动模型等边缘分布函数。采用极值POT模型对中小企业板股票的极端风险进行实证研究,发现指数回归模型对于小样本POT模型阈值的定量选取是一种有效的方法,避免了样本Hill图在选取阈值时的不确定性;POT模型能更好地描述金融变量分布的厚尾和非对称等特征,因此对极端风险的估计比正态分布更有效,正态分布在股票上涨时期高估风险,而在股市下跌时期低估风险,并且很难通过检验。②论文进一步分析了Copula函数的选取。Copula函数的选取是正确运用Copula理论的另一关键。在深入探讨分别以核密度函数、极值模型和波动模型为边缘分布函数的Copula模型的基础上,采用Copula-POT模型对房地产与金融行业的股票收益率的相关性进行了实证研究。结果表明房地产与金融行业的股票收益率在股市低迷时期具有较强的相关性。研究发现在选取Copula函数时应同时考虑不同参数结构的Copula函数,以选取恰当的Copula函数描述其相关性;双参数结构的Copula函数的拟合度普遍高于单参数结构的Copula函数。选取经验分布为边缘分布函数,对常相关Copula模型与时变相关Copula模型的拟合效果进行比较,结果表明房地产与金融行业股票收益率的相依结构为时变Symmetrized Joe-Clayton copula,时变相关Copula模型比常相关Copula模型更能刻画金融时间序列的相关性。③对Copula模型能否准确刻画金融时间序列的相依结构进行深入研究。为了正确选择边缘分布函数和Copula函数,文中采用非参数核密度函数和半参数POT模型作为边缘分布,选取相应的Copula函数对沪深股市相关性进行了实证分析。研究结果表明两市在市场低迷时期的尾部相关性稍高于活跃时期的尾部相关性。研究发现非参数法对数据的尾部拟合有时要优于半参数法,半参数法的整体拟合有时要优于非参数法;虽然不同边缘分布的Copula相依结构相同;但由于边缘分布的类型不同,导致Copula模型中的参数估计值不同,从而刻画的相关程度不同。因此,Copula模型准确刻画金融时间序列的相依性,取决于边缘分布函数对数据的拟合程度。(本文来源于《重庆大学》期刊2010-09-01）
易文德,廖少毅,罗瑜[6]（2010）在《二维时间序列相依模型及其Monte-Carlo模拟研究》一文中研究指出文章结合时间序列理论和Copula函数技术,提出了研究二维时间序列的两类相依关系的相依模型以及该模型的Monte-Carlo模拟方法;通过模拟用图示检验了模型的有效性和灵活性。结果表明,二维时间序列的相依关系可以分解为叁部分进行考虑,简化了模型和计算。(本文来源于《统计与决策》期刊2010年13期）
甘敏[7]（2010）在《基于状态相依模型的非线性时间序列建模及其优化方法研究》一文中研究指出时间序列是探索现实世界运动规律的重要工具。工程技术、经济、自然科学和社会科学领域存在着大量的时间序列数据需要我们进行处理和分析。时间序列分析的一个重要问题是时间序列模型的建立。早期的线性时间序列模型常常不足以刻画复杂的实际系统,近几十年,一系列的非线性时间序列模型被陆续提出以满足更高的要求。然而,非线性模型带来的一个非常棘手的问题是其模型参数的估计。非线性时间序列的建模及其模型的优化方法已成为一个活跃而且重要研究课题。本文主要研究两类非线性时间序列的建模、预测及其模型的优化问题。一类是工业过程系统、生态系统等时间序列,其动态特性随“系统状态变量(或工作点状态)”的变化而逐渐变化。用神经网络和状态相依模型相融合的模型来描述这类时间序列,并结合基于梯度的方法和进化算法的混合优化方法来优化模型。另一类是具有强随机特性的金融时间序列,用随机波动的离散微结构模型来建模此类时间序列。此模型的状态空间形式也是状态相依模型,用进化算法来估计此模型。论文的主要研究工作及创新成果如下：(1)用一组RBF网络来逼近状态相依自回归(State-dependent autoregressive, SD-AR)模型中的函数系数可以得到RBF-AR模型。本文研究了RBF-AR模型在非线性时间序列中的建模与预测问题,分析了其稳定性条件。一种结构化非线性参数优化方法被用来辨识此模型。用RBF-AR模型预测了几组着名的时间序列,与其它一些最新提出模型的比较研究表明,采用结构化非线性参数优化方法的RBF-AR模型在预测精度上要大大优于其它一些新近提出的模型。(2)RBF-ARX模型已成功应用于非线性工业过程的建模与优化控制中。在以往的研究和应用中,用来逼近状态相依ARX模型中的函数系数所用的RBF网络全是高斯核的。本文研究了包括高斯核在内的六种基函数对RBF-ARX模型的影响。数值实验结果表明最优基函数的选择是依赖于实际问题的。因此,在实际的应用中测试和比较不同的基函数可以得到更优的结果,从而可以获得最优结构的RBF-ARX模型。(3)为进一步减少RBF-AR模型网络隐含层所需的节点数目,本文提出用带回归权重的RBF网络来逼近状态相依AR模型的函数系数,得到了一种新的变系数自回归模型(RBFRW-AR)模型。RBFRW-AR模型结合了带回归权重RBF网络函数逼近的能力和状态相依AR模型描述非线性的优势。从对各种时间序列的建模和预测结果来看,RBFRW-AR模型的预测性能要高于RBF-AR模型,也大大优于其它一些模型。RBFRW-AR模型另一个优点就是在达到相似预测精度情况下,它所需的网络隐含层的结点数目要远小于其它模型。(4)结构化的非线性参数优化方法(SNPOM)是针对RBF型模型的一种优异的基于梯度的优化算法。然而,基于梯度的搜索方法很容易陷入局部最优解。结合随机搜索方法和基于梯度的方法的混合算法可以大大增强得到全局最优解的可能,会得到比单独使用两者更好的结果。因此,针对参数空间可分为线性参数和非线性参数的RBF型模型,本文提出了几种混合的参数优化算法。对于RBF网络的参数优化,基于一种进化模型和SNPOM方法,提出了两种混合的优化算法来估计RBF网络中的参数。对于需要同时优化RBF网络的输入变量、结点和参数的情况,提出了结合遗传算法和SNPOM的混合方法。结果表明混合算法可以提高模型的性能,得到非常“紧凑”的模型,且预测精度大大优于其它算法。RBF-AR(X)和RBFRW-AR模型也属于一类RBF型模型,其模型特点为线性参数大大多于非线性参数。提出的EA-SNPOM来估计此类模型可提高它们的建模和预测精度。(5)约束优化问题广泛存在于科学和工程应用领域,用进化算法来处理这类问题已显出很强大的能力。本文提出了一种结合多目标优化和自适应惩罚函数法的约束处理技术,其主要思想是在多目标优化中引入搜索偏好。把这种约束处理技术和一个基于群的算法生成器模型相结合,得到了一种新的约束优化进化算法。对13标准测试函数的数值实验表明新算法是一种易于实现、通用性强和高稳健性的方法,它可用于处理各种约束优化问题。进一步,提出的约束优化进化算法被用来估计RBF-AR模型,以得到稳定同时又有较好预测性能的RBF-AR模型。此算法也被用于金融市场微结构模型的估计和资产分配方案的优化中。(6)金融市场一般都表现出强随机、非线性、跳跃等特性,直接对资产价格的建模和预测方法很难取得令人满意的效果。本文基于一种离散时间微结构模型研究金融市场背后隐含的两个变量：过剩需求和流动性。基于卡尔曼滤波和极大似然法,提出用进化算法来估计这种市场微结构模型,以得到其最优的结构和市场背后隐含的过剩需求和市场流动性过程。与传统方法不同,我们把过剩需求作为市场被高估或低估的决定因素,并用估计的过剩需求信息而非预测价格来指导资产分配。资产分配策略的门限参数用约束优化进化算法来估计。对中国金融市场中香港和深圳股市中的长江实业和深证综指两支时间序列作了实证分析,结果证实了建模和优化的有效性。(本文来源于《中南大学》期刊2010-05-01）
王选鹤,冯立伟,里莉[8]（2009）在《一种非平稳性时间序列的相依性分析》一文中研究指出基于时间序列中重要的自回归模型,讨论非平稳条件下的相依性.并结合色散序和线性回归模型,给出变量间相依性随机递增的新刻画方法.最后用蒙特卡罗方法模拟2种常用分布下的数值结果,验证新方法的合理性.(本文来源于《沈阳化工学院学报》期刊2009年02期）
易文德,卫贵武[9]（2009）在《二维时间序列短期相依模型及其Monte-Carlo模拟》一文中研究指出结合Copula函数技术,提出了二维时间序列的短期相依模型以及该模型的Monte-Carlo模拟方法,讨论了二资产投资组合风险值VaR的计算,并将二维时间序列的相依关系分解为3部分考虑,简化了模型和计算.(本文来源于《西南大学学报(自然科学版)》期刊2009年03期）
杨晓蓉,张立新[10]（2008）在《含均值变点时相依误差时间序列的Dickey-Fuller单位根统计量的极限分布》一文中研究指出均值带有变点的相依误差的自回归时间序列,在单位根假设条件下,自回归系数的正则化估计及其F统计量的极限分布可以表示成Wiener过程的泛函,其形式包含了变点前后的两个均值μ1和μ2.正则化估计的收敛速度在均值变点的影响下,达到Op(T-3/2)(其中T是样本容量).当μ1和μ2未知时,采用的最小二乘估计对这两个参数进行估计,其估计量μ1和μ2具有T～1/2相合性.(本文来源于《浙江大学学报(理学版)》期刊2008年06期）
相依时间序列论文开题报告
（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：
提出多维时间序列中各分量之间直接联系存在性的信息论检验方法,构造了条件互信息统计量检验分量间的条件独立性,统计量的显着性用置换检验决定。将提出的方法应用到国际股票市场,研究收益率序列相依关系,结果表明,此方法能有效检验各分量之间的直接联系和间接联系。
（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。
相依时间序列论文参考文献
[1].李余琪,赵银平,甘敏.基于状态相依自回归模型的季节时间序列预测[C].第叁十二届中国控制会议论文集（E卷）.2013
[2].高伟,李佼瑞.多维时间序列的条件独立性检验及其在股市相依关系中的应用[J].统计与信息论坛.2012
[3].马云艳.相依数据下协变量调整回归模型及其在金融时间序列中的应用[D].山东大学.2012
[4].易文德.金融时间序列的短期相依性研究[J].华东经济管理.2011
[5].刘琼芳.基于Copula理论的金融时间序列相依性研究[D].重庆大学.2010
[6].易文德,廖少毅,罗瑜.二维时间序列相依模型及其Monte-Carlo模拟研究[J].统计与决策.2010
[7].甘敏.基于状态相依模型的非线性时间序列建模及其优化方法研究[D].中南大学.2010
[8].王选鹤,冯立伟,里莉.一种非平稳性时间序列的相依性分析[J].沈阳化工学院学报.2009
[9].易文德,卫贵武.二维时间序列短期相依模型及其Monte-Carlo模拟[J].西南大学学报(自然科学版).2009
[10].杨晓蓉,张立新.含均值变点时相依误差时间序列的Dickey-Fuller单位根统计量的极限分布[J].浙江大学学报(理学版).2008
论文知识图
