股票變化之穩健預測

以作者查詢圖書館館藏

、以作者查詢臺灣博碩士

、以作者查詢全國書目

、勘誤回報

、線上人數：89

、訪客IP：13.59.226.71

姓名

楊文熙(Wen-Hsi Yang) 查詢紙本館藏

畢業系所

統計研究所

論文名稱

股票變化之穩健預測

相關論文

★ 藥物最低有效劑量之無母數鑑別	★ 根據貝氏檢定建構的第一期臨床試驗設計
★ 第一期臨床試驗之貝氏調適設計	★ 強餘震之即時貝氏預測
★ 鑑別最佳添加藥物劑量的兩階段早期臨床試驗設計	★ 臺灣地區地下水品質之統計研究
★ 右設限存活資料之下每日可服劑量之研究	★ 集集餘震之統計研究
★ 多群資料下最低有效劑量之聯合鑑別	★ 最大餘震規模之統計分析
★ 最大餘震發生時間之統計分析	★ 地震預測之統計分析
★ 加權Kaplan-Meier統計量之推廣	★ 鑑別藥物最低有效劑量之檢定
★ 餘震序列RJ模型之貝氏分析	★ 藥物最低有效劑量之穩健鑑別

檔案

[Endnote RIS 格式]

[Bibtex 格式]

[相關文章]

[文章引用]

[完整記錄]

[館藏目錄]

[檢視]

[下載]

本電子論文使用權限為同意立即開放。
已達開放權限電子全文僅授權使用者為學術研究之目的，進行個人非營利性質之檢索、閱讀、列印。
請遵守中華民國著作權法之相關規定，切勿任意重製、散佈、改作、轉貼、播送，以免觸法。

摘要(中)

摘要
本文研究股票指數及股票報酬率的預測。由於上述資料屬於非平穩(nonstationary)非線性(nonlinear)時間數列，本文首先參考Huang et al. (1998)提出的經驗協振分解(empirical mode decomposition，記作EMD)，取用其中變化量較大的數個本質協振函數(intrinsic mode function，記作IMF)，描述上述時間數列。然後藉由配適資料預測未來數值。本文分析的資料除台灣的加權平均股票變化，亦包含美國高科技的那斯達克指數(Nasdaq index)及道瓊工業指數(Dow Jones industrial average index)的變化。

關鍵字(中)

★ 經驗振協分解

關鍵字(英)

★ IMF
★ EMD

論文目次

1.1 研究動機………………………………………………...1
1.2 研究方法………………………………………………...3
第二章文獻回顧………………………………………………………5
2.1 經驗協振分解……………………………….…………..5
2.2 南方震盪指數分析……………………………………...9
第三章股票指數分析………………………………………………..10
3.1 台灣加權平均指數分析……………………………….10
3.2 道瓊工業平均指數分析……………………………….11
3.3 那斯達克指數分析…………………………………….12
第四章股票報酬率分析……………………………………………..14
4.1 台灣加權平均指數週報酬率分析…………………….14
4.2 道瓊工業平均指數週報酬率分析…………………….15
4.3 那斯達克指數週報酬率分析………………………….16
第五章結論…………………………………………………………..18
參考文獻………………………………………………………………..50

參考文獻

參考資料
Bollerslev, T. (1986). Generalized autoregressive conditional heteroskedasticity. J. Econometrics, 31, 307-327.
Dahlhaus, R. (1996). On the Kullback-Leibler information divergence of locally stationary processes. Stochastic Process. Appl., 62, 139-168.
Engle, R. F. (1982). Autoregressive conditional heteroscedasticity with estimates of the variance of United Kingdom inflation. Econometrica, 50, 987-1007.
Fama, E. F. (1965), The behavior of Stock Market Prices. Journal of Business 38, 34-105.
Huang, N. E., Shen, Z., Long, S. R., Wu, M. C., Shih, H.-H., Zheng, Q., Yen, N.-C., Tung, C.-C., and Liu, H.-H. (1998). The empirical mode decomposition and the Hilbert spectrum for nonlinear and nonstationary time series analysis. Proc. Roy. Soc. London Ser. A, 454, 903-995.
Kim, W. (1998). Econometric analysis of locally stationary time series models. Manuscript, Yale University.
Kokoszka, P., and Leipus, R. (2002). Change-point estimation in ARCH models. Bernoulli, 6, 513-539.
Nason, G. P., von Sachs, R., and Kroisandt, G. (2000). Wavelet processes and adaptive estimation of the evolutionary wavelet spectrum. Journal of the Royal Statistical Society. Series B, 62, 271-292.
Piotr, F., Modeling and forecasting financial log-returns as locally stationary wavelet processes. Submitted for publication.
Salisbury, J. I., and Wimbush, M. (2002). Using modern time series analysis techniques to predict ENSO events from the SOI time series. Nonlinear Processes in Geophysics, 9, 341-345.
Taylor, S. J. (1986). Modeling Financial Time Series. Chichester: Wiley.

指導教授

陳玉英(Yu-Ying Chen)

審核日期

2003-7-16

推文