共计 2080 个字符，预计需要花费 6 分钟才能阅读完成。
全文链接：http://tecdat.cn/?p=32511
原文出处：拓端数据部落公众号
工夫序列模型的实践曾经十分丰盛, 模型的利用也相当宽泛。但现实生活中, 越来越多的工夫序列模型呈现出了非线性的特点, 因而, 钻研非线性工夫序列模型的实践及对其参数进行预计有着极其重要的意义。门限模型作为非线性工夫序列模型的一种, 与个别的工夫序列模型不同的是模型中蕴含跳跃, 即有门限, 因而对模型的参数估计还需先对门限的选取探讨。
本文钻研的对象也只有两个，即沪深 300 指数和沪深 300 股指期货指数，别离为 St, 和 Ft，如国内外文献纷纷证实，他们之间存在一种非线性关系，适宜采纳门限协整模型建模，这和基于持有老本模型的无套利区间模型不约而同。无套利区间模型从实践上阐明了无套利区间的存在，并给出了计算公式，然而公式中的很多变量变幻无穷，甚至是无奈预计的，因而无奈得出理论的套利区间。然而转换一个思路，采纳门限误差修改模型，通过对工夫序列的建模，能够间接计算出门限值，失去无套利区间，对投资者更具备实际意义。
本文依据门限误差修改模型，帮忙客户在 R 软件编程后失去门限值，以及门限误差修改模型 (TVECM) 的参数估计。
门限误差修改模型
首先引入误差修改模型(ECM)，它是由 Davidson、Hendry、Srba 和 Yeo 在 1978 年提出的。为便于叙述，通过一个具体的模型来介绍它的构造。
当滞后阶数为一阶时，变量 X 和 Y 有如下 (1，1) 阶散布滞后模式
该模型显示出第 t 期的 Y 值，不仅与 X 的变动无关，而且与 t．1 期的 X 与 Y 值无关。对上式间接变形失去：
上式意味着，被解释变量 y 的短期稳定能够由解释变量的短期稳定和两个变量的长期平衡误差两局部来解释。即 y 的变动决定了 x 的变动以及前一时期的非均衡误差。因而,y 的值已对后期的非均衡水平做出了修改。上式称为一阶误差修改模型。
Hansen 和 Seo(2002）思考了在协整矩阵和门限未知的状况下，扩大了门限协整模型。Kim (2010)使用了 SupLM 测验统计量来测验双门限。三区域的门限调整模型可能依照下述示意:
数据
datad=cbind(diff(data[,1]),diff(data[,2]))
预测 TVECM 模型
datal=log(abs(datad))
tv<-TCM(dat
print(tv)
进行基差的筛选
jicha=log(abs(datad\[,1]))-log(abs(datad\[,2]))
运行后后果如下：
该结果显示：咱们最终要找的门限值有两个，下门限和上门限别离为 59.959 和 86.233。这样将整个区间分成了三段，w< 59.959，59.959≤w<86.233，w≥86.233。
前面咱们别离将对三个区间的数据用 EXCEL 进行筛选，而后进行 ADF 和协整性测验，确定无套利区间，以给投资者更好的投资倡议。
另外，该后果还给出了三个区间的门限误差修改模型的参数估计值。
下图在 R 软件中应用 bootstrap 格点搜寻法寻找两门限的过程，纵轴为残差平方和，横轴为门限参数 gamma 和 beta，当残差平方和为最小的时候对应的门限参数 gamma 和 beta 即为所求的下门限和上门限。
而后应用 r 进行基差的筛选。
(1)区间一：w< 59.959
通过 R 软件筛选，428 组数据中一共有 332 组数据落入该区间，该区间称作套利区间的下区间，基差如下图所示：
在该区间里，现货价格远低于期货价格，排除手续费等交易成本后存在套利的可能性，能够买入现货卖出期货，从而取得套利收益。
(2)区间二：59.959≤W<86.233
通过数据筛选，428 组数据中一共有 38 组数据落入该区间，该区间称作无套利区间，基差如下图所示：
在该区间里，现货价格围绕期货价格高低小幅稳定，因为手续费等交易成本的存在，因而没有套利的可能性，该区间也被称作无套利区问，该实证后果也同时验证了无套利区间模型。
(3)区间三：w．≥86.233
通过数据筛选，428 组数据中一共有 58 组数据落入该区间，该区间被称作套利上区间，基差如下图所示：
在该区间里，现货价格远高于期货价格，排除手续费等交易成本后扔存在套利的可能性，能够买入现货卖出期货，从而取得套利收益。
最受欢迎的见解
1. 在 python 中应用 lstm 和 pytorch 进行工夫序列预测
2.python 中利用长短期记忆模型 lstm 进行工夫序列预测剖析
3.Python 用 RNN 循环神经网络：LSTM 长期记忆、GRU 门循环单元、回归和 ARIMA 对 COVID-19 新冠疫情新增人数工夫序列
4.Python TensorFlow 循环神经网络 RNN-LSTM 神经网络预测股票市场价格工夫序列和 MSE 评估准确性
5.r 语言 copulas 和金融工夫序列案例
6.R 语言用 RNN 循环神经网络、LSTM 长短期记忆网络实现工夫序列长期利率预测
7.Matlab 创立向量自回归（VAR）模型剖析消费者价格指数 (CPI) 和失业率工夫序列
8.r 语言 k -shape 工夫序列聚类办法对股票价格工夫序列聚类
9. R 语言联合新冠疫情 COVID-19 股票价格预测：ARIMA，KNN 和神经网络工夫序列剖析
