本文關鍵詞：實物交易指數(shù)的深度學習：經(jīng)濟定價、統(tǒng)計識別和數(shù)據(jù)驅動　出處：《浙江工商大學》2017年博士論文　論文類型：學位論文

  更多相關文章： CAPM模型 經(jīng)濟定價 統(tǒng)計識別 數(shù)據(jù)驅動 狀態(tài)空間模型

【摘要】：中國輕紡城市場是中國紡織品實物交易的重要市場.作為紡織品實物交易風向標的柯橋紡織指數(shù),發(fā)布于2007年10月,至今已有九年多,其影響深刻而廣泛,一直是行業(yè)和社會關注的焦點.對價格指數(shù)進行定量分析,探究紡織指數(shù)本身,以及紡織行業(yè)的發(fā)展,有著十分重要的意義.但是,至今仍未見有系統(tǒng)的定量分析和研究.本文以技術面為導向,利用純技術指標,基于大數(shù)據(jù)分析理念,把描述性統(tǒng)計過渡到推斷性統(tǒng)計,把經(jīng)典的情景分析導入可檢驗的模擬預測中.從經(jīng)濟定價到傳統(tǒng)的統(tǒng)計識別,直至數(shù)據(jù)學習,重構紡織價格指數(shù).本文的研究從經(jīng)濟定價到傳統(tǒng)的統(tǒng)計識別,即從局限的經(jīng)濟定價要素到苛刻的統(tǒng)計假設條件,然后是完全放寬的數(shù)據(jù)驅動模式,最后是數(shù)據(jù)學習,到實時預測,這樣一條主線展開.以計量經(jīng)濟學、統(tǒng)計學和數(shù)學多學科交叉的方法研究紡織價格指數(shù).利用經(jīng)典的資本資產(chǎn)定價模型對紡織價格指數(shù)做經(jīng)濟意義上的定價.用統(tǒng)計檢驗方法推斷紡織價格指數(shù)總體的性質.據(jù)此,利用完全數(shù)據(jù)驅動的非參數(shù)回歸的性質,對影響紡織指數(shù)的因素進行篩選和識別,在此基礎上建立半?yún)?shù)時變系數(shù)回歸模型,分析各因素在整個指數(shù)中所占的比重.再用經(jīng)典的簡單模型和時間序列模型對紡織價格指數(shù)做統(tǒng)計學意義上的定價或預測.最后建立狀態(tài)空間模型,利用卡爾曼濾波實時預測紡織價格指數(shù).對比分析法和描述性研究法貫穿整篇文章的實證分析.本文建立不同的模型對紡織價格指數(shù)進行模擬,通過描述性研究,把模擬的結果展示出來;通過對比分析,說明各種因素對紡織指數(shù)的影響程度,以及不同模型用于紡織指數(shù)的預測時的優(yōu)劣.用探索性研究法確立總體模型的參數(shù),通過非參數(shù)路徑分析法揭示非線性變量的變動對被解釋變量的直接的和間接的影響.本文的主要研究內(nèi)容如下:(1)梳理金融資產(chǎn)、實物資產(chǎn)的定價模型,特別是資本資產(chǎn)定價模型(CAPM)的應用及其模型假設的檢驗.(2)用經(jīng)典的資本資產(chǎn)定價模型對紡織價格指數(shù)進行經(jīng)濟學意義上的定價.由于現(xiàn)實中沒有符合CAPM模型假設中的無風險收益,所以用方差最小的與市場組合零協(xié)方差證券組合的期望收益作為無風險收益建立零貝塔CAPM模型,檢驗不同類型的產(chǎn)品市場是否適用CAPM模型,進一步地測算不同類型產(chǎn)品的市場風險和檢驗其定價的合理性.(3)對紡織價格指數(shù)時間序列的樣本進行統(tǒng)計分析和檢驗.采用描述性統(tǒng)計分析,正態(tài)性檢驗,平穩(wěn)性檢驗,序列自相關檢驗,游程檢驗,獨立同分布檢驗.所有的數(shù)學模型,包括統(tǒng)計模型都有其適用的條件和范圍,在對實際問題建立模型之前,必須通過樣本檢驗模型假設是否成立,即總體是否具有這些性質,否則所建模型是不可靠的,得到的結論也沒有實際價值.(4)用數(shù)據(jù)驅動的方法建模.應該沒有完全符合模型假設的實際問題,常常只是近似滿足,近似程度越高,模型的可靠性越好,所以本文采用條件相對寬松的完全數(shù)據(jù)驅動的非參數(shù)方法.首先基于大數(shù)據(jù)的理念,確定可能直接影響紡織價格指數(shù)的因素集,從中篩選影響顯著的因素,并對這些具有顯著影響的因素進行識別,區(qū)分其對紡織價格指數(shù)的影響是線性的還是非線性的,然后建模分析各因素對紡織指數(shù)影響的強度.(5)建立預測模型.一個合理的模型體系應該具備預測功能.CAPM模型有嚴苛的難以檢驗的假設和現(xiàn)實中很難滿足的前提,而用半?yún)?shù)模型進行預測之前,必須先預測線性的和非線性的自變量的值,所以都只有理論上的預測功能.最后建立狀態(tài)空間模型,利用Kalman濾波,實現(xiàn)對紡織價格指數(shù)的實時預測.我們?nèi)?007年5月到2016年12月作為樣本期間,通過研究得到如下結論:(1)經(jīng)濟定價的結果.我們把CAPM模型用于實物交易指數(shù)的定價,分別對紡織價格的周指數(shù)和月指數(shù)建立CAPM模型,發(fā)現(xiàn)對月指數(shù)建立的模型好于對周指數(shù)建立的模型.在統(tǒng)計意義上,后者方程的決定系數(shù)較大;在經(jīng)濟意義上,方程的常數(shù)項不能拒絕為0的原假設,即認為定價合理.一次項系數(shù)顯著不為0,即價格受市場風險的影響,其中的超額收益是市場風險溢價.但是對30個中類指數(shù)建模的結果發(fā)現(xiàn),只有9個中類月指數(shù)模型的常數(shù)項不能拒絕為0的原假設,且常數(shù)項系數(shù)顯著大于0.考慮到現(xiàn)實中并不存在可以無限借貸的無風險利率,用零貝塔CAPM模型再對各中類市場進行檢驗,計算得5個大類市場,即原料、坯布、服裝面料、家紡和服飾輔料市場在樣本期內(nèi)的零協(xié)方差證券組合的月期望收益率的估計值分別為0.9479%、0.1448%、0.1037%、-0.0483%、0.1535%,樣本期內(nèi)一年期存款基準利率的月化利率是0.125%,坯布市場、服裝面料市場和服飾輔料市場的零協(xié)方差組合的月期望收益率與之相當,而家紡類的市場零協(xié)方差組合的月收益率小于零.零貝塔CAPM模型的估計結果與CAPM模型的估計結果相差不多.究其原因,應該是中國輕紡城紡織品交易市場以及市場經(jīng)營者對市場的交易的期望與CAPM的假設條件相去甚遠,所以需要通過樣本揭示紡織價格指數(shù)總體的性質.(2)統(tǒng)計識別的結果.基本統(tǒng)計分析的結果認為紡織價格指數(shù)厚尾右偏,不服從正態(tài)分布.ADF檢驗和KPSS檢驗的結果認為紡織價格指數(shù)序列存在一階單位根;自相關性檢驗的結果認為存在序列自相關性;游程檢驗的結果認為序列不是隨機游走過程;BDS檢驗的結果確實不是獨立同分布的.所以,紡織價格指數(shù)的性質并不適合前提嚴格的模型.(3)數(shù)據(jù)驅動的變量選擇和識別的結果.首先依據(jù)產(chǎn)業(yè)經(jīng)濟學和宏觀經(jīng)濟學理論,選取了 14個可能影響紡織品價格指數(shù)的變量,以 LCLS(Local Constant Least-squared)方法估計方程,并用 LSCV(Least-Squared Cross-Validation)法選取各控制變量的窗寬,認為窗寬大于兩倍樣本標準差的6個控制變量對因變量沒有顯著影響,將其剔除.對余下的控制變量做識別,以LLLS(Local Linear Least-Squared)方法重新估計方程,仍用LSCV法選取各控制變量的窗寬,認為其中窗寬大于兩倍樣本標準差的4個控制變量對因變量的影響是線性的,其余變量對因變量的影響是非線性的.篩選的結果是,原油平均現(xiàn)價、商品零售價格指數(shù)、工業(yè)品出廠價格指數(shù)、因變量的滯后一階變量、棉花“指數(shù)A”、貨幣供應量、金融機構企業(yè)存款、金融機構短期貸款、匯率水平和期末國家外匯儲備等變量對紡織品價格指數(shù)有顯著影響;識別的結果是,原油平均現(xiàn)價、商品零售價格指數(shù)、工業(yè)品出廠價格指數(shù)、以及因變量的滯后一階變量4個變量的窗寬大于兩倍的樣本標準差,認為這4個變量對紡織品價格指數(shù)的影響是線性的.棉花“指數(shù)A”、貨幣供應量、金融機構企業(yè)存款、金融機構短期貸款、匯率水平和期末國家外匯儲備對紡織價格指數(shù)的影響是非線性的,稱之為控制變量.根據(jù)選擇和識別的結果,建立半?yún)?shù)變系數(shù)回歸方程,用來模擬各非參數(shù)變量對被解釋變量的影響強度.(4)半?yún)?shù)模型的模擬結果.建立關于線性變量和非線性變量的半?yún)?shù)回歸方程,并且計算各個參數(shù)項和包括7個控制變量的非參數(shù)項在紡織價格指數(shù)中所占的比重.4個參數(shù)項在紡織品價格指數(shù)中所占的比例近80%,非參數(shù)項則占20%強.在所有6個控制變量中,棉花“指數(shù)A”起著主要的作用,實證和模擬的結果認為,在樣本期內(nèi)如果棉花“指數(shù)A”不超過兩倍的樣本均值,可以使得各部分的占比不出現(xiàn)極端值,不超過平均占比的兩倍.(5)建立實時預測模型.用三類模型,即簡單模型、時間序列模型和狀態(tài)空間模型(Kalman濾波)對紡織品價格總指數(shù)進行樣本期內(nèi)預測(估計)和一期外推預測,在樣本期內(nèi),用均方根誤差衡量預測誤差,誤差均在可接受的范圍內(nèi),而時間序列模型的預測誤差比簡單模型要大,說明時間序列模型的設定正確.狀態(tài)空間模型的遞推預測結果受初始值的影響,但是當遞推次數(shù)足夠多以后,初值的影響會消除,所以舍棄狀態(tài)空間模型預測序列的最初60期以后,預測精確度高于時間序列模型.無論從預測精確度還是可計算性,這三個模型中狀態(tài)空間模型是最優(yōu)的。
[Abstract]:Chinese Textile City market is an important market for textile Chinese barter barter. As the textile barometer of Keqiao textile index, released in October 2007, has been more than nine years, its profound and extensive influence, has been a focus of concern in the industry and society. The price index for quantitative analysis, research and development of textile and textile index itself. The industry, has a very important significance. However, quantitative analysis and systematic study has yet to surface. In this paper, technology oriented, the use of pure technical indicators, based on the concept of big data analysis, the descriptive statistics to inferential statistical analysis, the classic scenario simulation test. The prediction of import from to identify the traditional economic pricing statistics, until the data reconstruction study, textile price index. This paper from the economic pricing to traditional statistical recognition, namely from the Bureau of economic limit set The price of the elements to the statistical hypothesis of harsh conditions, and then the data is completely relaxed driving mode, and data learning, to real-time prediction, such a masterstroke. In econometrics, statistics and mathematical methods of interdisciplinary research in textile price index. The economic sense of textile pricing price index by capital asset pricing the classic model. The statistical test method is used to infer the overall price index of textile properties. Accordingly, the use of fully data-driven non parametric regression, screening and identification of factors affecting the textile index, based on semi parametric variable coefficient regression model, analysis of various factors in the whole index in proportion. Simple model and time series model, and then do the classic statistical significance on pricing or prediction of textile price index. Finally, the state space model is established, using the card The Kalman filter real-time prediction of textile price index. Empirical analysis comparative analysis and descriptive research method throughout the article. This paper establish different models of textile price index is simulated by descriptive study, show the simulation results; through the comparative analysis, explain the influence degree of various factors on the textile index, and different model for forecasting the quality of the textile index. Through exploratory research to establish the overall model parameter method, reveal the nonlinear variables by non parametric path analysis changes on the explanatory variables of the direct and indirect influence. The main contents of this paper are as follows: (1) pricing model combing financial assets, real assets, especially the capital the capital asset pricing model (CAPM) test and application of model assumptions. (2) the economics of textile price index with the classical capital asset pricing model The meaning of pricing. Because the real risk-free income does not meet the CAPM model hypothesis, so with the minimum variance of the market portfolio and zero covariance portfolio expected return as a risk return model of zero beta CAPM, inspection of different types of products the market is suitable for CAPM model, further to estimate the different types of products in the market the risk and test the pricing rationality. (3) the textile price index time series samples were analyzed and tested. By using descriptive statistical analysis, normality test, stability test, serial autocorrelation test, runs test, independent and identically distributed test. All mathematical models, including statistical models have their the applicable conditions and scope, before establishing the model for the actual problem, must through the sample test model hypotheses, namely whether these properties, or model Is not reliable, the conclusion is of no practical value. (4) modeling method using a data driver. There should be no problem in line with the actual model hypothesis completely, often only approximate, approximation degree is higher, the better reliability model, so this paper uses the non parametric method of complete data conditions relatively loose driving. Firstly, based on the concept of data, determine the factors that may directly affect the textile price index set, select significant factors from, and identification of the significant influencing factors, distinguish the influence on textile price index is linear or nonlinear, then the modeling and analysis of influence of various factors on the strength of the textile index. (5) prediction model is established. A reasonable model system should have prediction function of.CAPM model is difficult to meet the premise hypothesis and the harsh reality is difficult to test the use of semi parametric Before the number of models must forecast the linear and nonlinear variable value, so only the theoretical prediction function. Finally, the state space model is established, using Kalman filter, to achieve real-time prediction of textile price index from May 2007 to December 2016. We take as the sample period, the results are as follows: (1) the economic valuation results. We put the CAPM model for real exchange index pricing, the price index of textile week and month index to establish the CAPM model, found on index models in index models built for the week. In the statistical sense, the latter decision coefficient equation is relatively large; economically, constant cannot refuse to the original equation hypothesis 0, that is reasonably priced. A coefficient is not significantly affected by the market price of 0, the risk of excess income, which is the market risk But for the premium. 30 class index modeling results show that the constant term is not only the 9 class index model to 0 original hypothesis, and the constant coefficient is significantly higher than the risk-free interest rate of 0. taking into account the reality does not exist unlimited borrowing, with zero beta CAPM model of each class in the market test, calculation of 5 big markets, which estimated the expected rate of return of the raw materials, fabric, apparel fabrics, home textiles and apparel accessories market in the sample period of the zero covariance portfolio values were 0.9479%, 0.1448%, 0.1037%, -0.0483%, 0.1535%, the sample period
【學位授予單位】：浙江工商大學
【學位級別】：博士
【學位授予年份】：2017
【分類號】：F224;F426.81;F768.1

【相似文獻】

相關期刊論文 前10條

1 趙松山;關于經(jīng)濟系統(tǒng)的狀態(tài)空間模型及其構建研究[J];南京財經(jīng)大學學報;2004年03期

2 王雪峰;;中國金融穩(wěn)定狀態(tài)指數(shù)的構建——基于狀態(tài)空間模型分析[J];當代財經(jīng);2010年05期

3 葉寅;游亞戈;王文勝;盛松偉;劉洋;;狀態(tài)空間模型在振蕩浮子式液壓系統(tǒng)波能吸收裝置中應用[J];海洋工程;2011年02期

4 張杰;龔新蜀;;基于狀態(tài)空間模型的新疆城鎮(zhèn)化發(fā)展研究[J];軟科學;2011年08期

5 楊剛;王洪衛(wèi);;金融支持對上海房地產(chǎn)市場發(fā)展的影響研究——基于狀態(tài)空間模型的實證檢驗[J];現(xiàn)代管理科學;2012年03期

6 張虎;劉素勤;;變點對狀態(tài)空間模型預測的影響分析[J];合肥學院學報(自然科學版);2012年01期

7 肖創(chuàng)柏,程炳洵,曾慶福;顫振邊界預測——狀態(tài)空間模型和李雅普諾夫直接法的應用[J];湘潭大學自然科學學報;1990年01期

8 薛永剛;張明麗;;基于狀態(tài)空間模型的人民幣有效匯率對我國出口影響實證分析[J];內(nèi)蒙古農(nóng)業(yè)大學學報(社會科學版);2012年03期

9 李寶禮;胡雪萍;;基于狀態(tài)空間模型的城鄉(xiāng)收入差距的影響因素分析[J];統(tǒng)計與決策;2012年19期

10 楊德權,袁佩良,史克祿,胡運權;狀態(tài)空間模型、協(xié)調積分與股票價格預測[J];系統(tǒng)工程理論與實踐;1999年05期

相關會議論文 前7條

1 潘雄鋒;史曉輝;王蒙;;我國科技發(fā)展的財政金融政策效應研究——基于狀態(tài)空間模型的分析[A];第七屆中國科技政策與管理學術年會論文集[C];2011年

2 劉貫春;岳意定;賀磊;;兩因子隨機死亡率狀態(tài)空間模型及長壽風險測度[A];第八屆（2013）中國管理學年會——金融分會場論文集[C];2013年

3 劉明明;顧興源;王偉;;基于狀態(tài)空間模型的隨機多變量廣義預測控制[A];1991年控制理論及其應用年會論文集（上）[C];1991年

4 楊淑君;;基于狀態(tài)空間模型的我國房地產(chǎn)上市公司財務流動性的實證研究[A];中國會計學會財務管理專業(yè)委員會2009年學術年會論文集[C];2009年

5 高子建;;投資、消費和出口對經(jīng)濟增長的動態(tài)影響分析——基于狀態(tài)空間模型[A];2008年中國經(jīng)濟特區(qū)論壇：紀念改革開放30周年學術研討會論文集[C];2008年

6 張璋;高潮;;多元統(tǒng)計與經(jīng)濟系統(tǒng)狀態(tài)空間模型[A];全國青年管理科學與系統(tǒng)科學論文集（第2卷）[C];1993年

7 李雪松;婁峰;;中國城鎮(zhèn)居民收入差距對消費影響的動態(tài)效應分析:基于面板數(shù)據(jù)和狀態(tài)空間模型的實證研究[A];中國社會科學院第三屆中國經(jīng)濟論壇論文集（下）[C];2007年

相關博士學位論文 前5條

1 何靜慧;實物交易指數(shù)的深度學習：經(jīng)濟定價、統(tǒng)計識別和數(shù)據(jù)驅動[D];浙江工商大學;2017年

2 陳學華;狀態(tài)空間模型理論與算法及其在金融計量中的應用[D];暨南大學;2007年

3 文巧鈞;基于狀態(tài)空間模型的復雜動態(tài)過程監(jiān)測方法研究[D];浙江大學;2015年

4 唐曉彬;Markov機制轉換的狀態(tài)空間模型及其在我國經(jīng)濟周期分析中的應用研究[D];西南財經(jīng)大學;2010年

5 杜世昌;多源多工序加工系統(tǒng)偏差流建模、診斷和控制系統(tǒng)研究[D];上海交通大學;2008年

相關碩士學位論文 前10條

1 王瑞;稀疏縱向數(shù)據(jù)下狀態(tài)空間模型統(tǒng)計推斷問題研究[D];西安電子科技大學;2014年

2 王雪;基于快速檢測的MIMO雷達真假彈頭識別技術研究[D];電子科技大學;2015年

3 唐愛萍;線性混合效應狀態(tài)空間模型的統(tǒng)計推斷及應用[D];西安電子科技大學;2014年

4 朱彥丞;我國新能源產(chǎn)業(yè)發(fā)展狀況的實證分析[D];云南大學;2016年

5 徐捷;碳纖維復合芯導線載流溫升狀態(tài)空間模型研究[D];南京理工大學;2016年

6 郝艷婷;視頻行人檢測與跟蹤的方法研究[D];青島科技大學;2016年

7 魯宗科;云南省旅游業(yè)與地區(qū)經(jīng)濟增長關系的實證分析[D];云南大學;2016年

8 李彩雯;基于狀態(tài)空間模型的房地產(chǎn)“情緒指數(shù)”研究[D];海南師范大學;2016年

9 彭琦;基于動態(tài)狀態(tài)空間模型的滾動軸承壽命預測研究[D];北京化工大學;2016年

10 趙玉宏;基于狀態(tài)空間模型的風速預測研究[D];西安電子科技大學;2015年

，

本文編號：1341146