全部版块 我的主页
论坛 经济学人 二区 外文文献专区
936 18
2022-06-24
英文标题:
《Identification of short-term and long-term time scales in stock markets
  and effect of structural break》
---
作者:
Ajit Mahata, Debi Prasad Bal and Md Nurujjaman
---
最新提交年份:
2019
---
英文摘要:
  The paper presents the comparative study of the nature of stock markets in short-term and long-term time scales with and without structural break in the stock data. Structural break point has been identified by applying Zivot and Andrews structural trend break model to break the original time series (TSO) into time series before structural break (TSB) and time series after structural break (TSA). The empirical mode decomposition based Hurst exponent and variance techniques have been applied to the TSO, TSB and TSA to identify the time scales in short-term and long-term from the decomposed intrinsic mode functions. We found that for TSO, TSB and TSA the short-term time scales and long-term time scales are within the range of few days to 3 months and greater than 5 months respectively, which indicates that the short-term and long-term time scales are present in the stock market. The Hurst exponent is $\\sim 0.5$ and $\\geq 0.75$ for TSO, TSB and TSA in short-term and long-term respectively, which indicates that the market is random in short-term and strongly correlated in long-term. The identification of time scales at short-term and long-term investment horizon will be useful for investors to design investment and trading strategies.
---
中文摘要:
本文对股票数据有无结构性突破的短期和长期时间尺度下的股票市场性质进行了比较研究。通过应用Zivot和Andrews结构趋势突变模型将原始时间序列(TSO)分解为结构突变前的时间序列(TSB)和结构突变后的时间序列(TSA),确定了结构突变点。基于Hurst指数和方差的经验模态分解技术已应用于TSO、TSB和TSA,以从分解的固有模态函数中识别短期和长期的时间尺度。我们发现,对于TSO、TSB和TSA,短期时间尺度和长期时间尺度分别在几天到3个月和大于5个月的范围内,这表明股票市场存在短期和长期时间尺度。短期和长期内,TSO、TSB和TSA的赫斯特指数分别为0.5美元和0.75美元,这表明市场在短期内是随机的,在长期内是强相关的。确定短期和长期投资期限的时间尺度将有助于投资者设计投资和交易策略。
---
分类信息:

一级分类:Quantitative Finance        数量金融学
二级分类:Statistical Finance        统计金融
分类描述:Statistical, econometric and econophysics analyses with applications to financial markets and economic data
统计、计量经济学和经济物理学分析及其在金融市场和经济数据中的应用
--

---
PDF下载:
-->
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

全部回复
2022-6-24 07:38:41
确定股票市场的短期和长期时间尺度,以及结构brea kAjit Mahata,1,a)Debi Prasad Bal,2,b)和Md.Nurujjaman1,c)1)印度拉凡拉锡金国立理工学院物理系,锡金737139。2) 印度锡金国立理工学院人文社会科学系,拉万格拉,锡金737139(日期:2019年7月9日)。本文对股票数据中有无结构性BRE ak的短期和长期时间尺度的股票市场性质进行了比较研究。通过应用Zivot和Andrewsstructural trend break模型将原始时间序列(TSO)分解为结构突变前的时间序列(TSB)和结构突变后的时间序列(TSA),确定了结构突变点。基于Hurst指数和方差e技术的经验模态分解已应用于TSO、TSB和TSA,以从分解的固有模态函数中识别短期和长期的时间尺度。我们发现,对于TSO、TSB和TSA,短期时间尺度和长期时间尺度分别在几天到3个月和大于5个月的范围内,这表明股票市场存在短期时间尺度和长期时间尺度。赫斯特指数为~ 0.5和≥ TSO、TSB和TSA在短期和长期分别为0.75,这表明市场在短期内是随机的,在长期内是强相关的。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-6-24 07:38:44
确定短期和长期投资期限的时间尺度将有助于投资者制定投资和交易策略。PACS编号:05.45。Tp,89.65。GgKeywords:股票市场、时间序列、结构突变、EMD、Hurst指数投资者在投资时间范围内的短期和长期决策中采用不同的策略,因为股票市场在不同的时间尺度上表现出不同的动态。因此,识别短期和长期的时间尺度非常重要。使用基于经验模式分解的Hurst指数和归一化方差技术确定了时间尺度。Zivot和Andrews结构趋势突变模型进一步证实了分析的可靠性。股票市场在短期内表现出随机性,时间尺度从几天到近3个月不等,在长期内表现出与大于5个月的时间尺度的长期相关性。我们希望这些结果可以帮助投资者更好地制定短期和长期交易策略。简介股票市场是一个非线性、非平稳和复杂的系统,其动态行为主要受不同类型投资者的参与以及各种外部参数的控制,动态行为反映在股票价格变动1-5中。长期以来,人们认为股票市场的价格变化是由随机过程产生的,随后,人们建议使用随机游走模型来发送电子邮件:ajitnonlinear@gmail.comb)电子邮件:debi@nitsikkim.ac.inc)电子邮件:jamannonlinear@yahoo.co.inexplain未来价格变化的变动不依赖于过去的价格,也与经济和基本信息无关。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-6-24 07:38:47
Fama(1965)基于Random walktheory提出了有效市场假说(EMH),该假说认为当前的股票价格反映了所有可用的公共信息,所有投资者都知道这些信息,因此,由于市场的有效性,任何人都无法持续盈利。与此相反,Mandelbrot在随机理论的发展阶段表明,股票市场具有长记忆,可以用分数布朗运动来描述,随后的几项研究表明,市场具有长记忆2,9-16,EMH理论17,18不能完全描述。对不同国家的基金管理人和交易所交易员以及各种其他工作的调查结果表明,投资者在时间尺度上将市场划分为两个主要投资期,即应用技术分析的短期投资期(STIH)和使用基本面分析的长期投资期(LTIH)19,20。这里,根据经验选择STIH和LTIH的时间尺度。此外,还发现,由于投资者的反应和交易策略以及各种外部参数的不同,股票价格在不同的时间尺度上的变动是不同的21–24。因此,确定STIH和LTIH的时间尺度对于实施投资战略至关重要。最近,参考文献表明,可以使用基于经验模态分解的赫斯特指数(EMDH)分析来分离STIH和LTIH的时间尺度,其中,整个时间序列已用于分析。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-6-24 07:38:51
然而,据观察,由于各种因素25-27,股票数据可能会发生结构变化,因此,分析考虑到结构突变的股票数据非常重要。本文对股票市场在短期和长期投资期的性质进行了比较研究。运用Zivot a和Andr e w s结构趋势突变模型、基于Hurst指数的经验模式分解和方差技术来识别短期和长期时间尺度,我们发现短期和长期时间尺度分别在几天到3个月和大于5个月的范围内。确定的时间尺度表明,股票市场存在短期和长期时间尺度。利用赫斯特指数分析,我们发现市场在短期内是随机的,在长期内是强相关的。论文的其余部分组织如下:第二节讨论分析方法,第三节介绍分析的股票数据。第。IV讨论结果和讨论,最后C。第五章为结论。二、分析方法我们使用Zivot和Andrews(ZA)(1992)结构趋势突变模型C来确定股票指数时间序列中的结构突变,如下所示:Xt=c+αXt-1+βt+θDUt+γdttxj=1djXt公司-j+t,(1)其中 是变量的第一个差异,DUT是在时间趋势中断(TB)时发生的美国变化的虚拟变量指标,其中1<TB<T。dtt是对应的趋势位移变量,是白噪声干扰项,k是额外的回归子,用于消除干扰中的时间依赖性导致的测试统计量极限分布中可能存在的有害参数依赖性。DUT和DTTAR定义为以下DUT=(1,如果t>TB;0,其他eandDTt=(t- TB,如果t>TB;0,否则。。方程的零假设。1是α=0。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-6-24 07:38:53
这表明时间序列具有单位根,漂移不包括任何结构断点。其中,替代假设α<0表示时间序列是一个具有一个结构断点的趋势平稳。利用ZA检验将s-tock数据的原始时间序列(TSO)分为结构突变前的时间序列(TSB)和结构突变后的时间序列(TSA)。经验模式分解(EMD)技术已应用于TSO、TSB和TSA,以识别短期和长期的时间尺度。EMD技术用于分解信号,其中信号的非线性和非平稳性保持不变29,30。EMD技术的主要优势在于,它将信号分解为多个不同时间尺度的固有模式函数(IMF)。国际货币基金组织满足以下两个必要条件:(a)信号中的极值和零交叉数将相等或相差一;(b) 由局部极大值定义的包络和由局部极小值定义的包络的平均值为零。计算IMF的具体算法如下:1。下包络U(t)和上包络V(t)分别通过样条拟合连接数据的最小值和最大值来绘制。2、从原始时间序列中减去包络m=[U(t)+V(t)]/2的平均值,得到新的数据集h=X(t)- m、 3。通过将h视为新数据集重复过程(a)和(b),直到IMF条件[(a)和(b)]得到满足。一旦条件得到满足,过程终止,h存储为IMF1。根据数据s et d(t)=X(t),重复上述步骤(1)-(3)计算IMF2- IM F 1。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

点击查看更多内容…
相关推荐
栏目导航
热门文章
推荐文章

说点什么

分享

扫码加好友,拉您进群
各岗位、行业、专业交流群