一种基于天气的收益预测方法及装置与流程

本发明涉及统计、计量经济学
技术领域：
，尤其涉及一种基于天气的收益预测方法及装置。
背景技术：
：收益预测是指对产品投入市场后做一个初步的收益分析，例如根据产品情况、资费情况、支付渠道、预想的市场情况、推广投入情况等预测将能带来的收益。而天气因素在全世界的经济活动中扮演着举足轻重的角色，很多企业面临着天气变化的不确定性所带来的收益损失。然而，现有技术的收益预测大都采用单一状态的预测方法，或者是对短期收益进行预测，对未来收益预测并不准确，且未能有效地、系统地衡量天气因素对未来经济利润的影响程度。技术实现要素：本发明所要解决的技术问题是提供一种基于天气的收益预测方法及装置。本发明解决上述技术问题的技术方案如下：一种基于天气的收益预测方法，包括以下步骤：S1,获取所关注地区预设的过去时间段内的天气变量，获取所述过去时间段内对应的收益变量；S2,建立所述天气变量及所述收益变量的向量自回归模型VAR，根据所述向量自回归模型VAR获取滞后项阶数；S3,根据所述滞后项阶数建立所述天气变量及所述收益变量的协整方程；S4,基于所述协整方程建立所述天气变量及所述收益变量的区制转换向量误差修正模型；S5,对所述区制转换向量误差修正模型进行估计，根据第一估计结果对预设的未来时间段内的收益进行预测。本发明的有益效果是：天气因素作为要考察的主要影响因素，其本身的波动随时间呈现出一定的周期性变化，根据天气的变化从而对未来的收益进行预测，本质上是列出收益的影响因素，然后构建计量模型，从数据的变动规律入手，与一般计量方法不同的是，本实施例对变量的波动率状态进行建模，并给予模型的拟合和预测，能够较大地提高对未来收益预测的准确度，有效地、系统地衡量天气因素对未来经济利润的影响程度。在上述技术方案的基础上，本发明还可以做如下改进。进一步，所述步骤S4包括：根据所述协整方程计算均衡误差，以所述均衡误差作为误差修正项；根据行业或地区差异选取外生变量；获取天气变量的一阶差分及所述收益变量的一阶差分，以所述天气变量的一阶差分、所述误差修正项、所述外生变量及所述向量自回归模型VAR的滞后项为自变量，以所述收益变量的一阶差分为因变量，建立所述区制转换向量误差修正模型。采用上述进一步方案的有益效果是：通过加入误差修正项，进而反映利润向其长期均衡状态变化的趋势改变的速率，能够提供更加全面的预测信息，为风险规避者提供了一个较好的参考。进一步，所述步骤S5包括：利用Krolzig的期望值最大化算法对所述区制转换向量误差修正模型进行估计，获取第二估计结果；根据所述第二估计结果删除不显著的外生变量，改变所述区制转换向量误差修正模型的区制个数，以剩余的外生变量及改变后的区制个数对所述区制转换向量误差修正模型重新估计，并获取所述第一估计结果；根据所述第一估计结果进行超前N步预测，以对预设的未来时间段内的收益进行预测。采用上述进一步方案的有益效果是：利用Krolzig的期望值最大化算法对上述模型进行估计，能够改善极大似然估计法可能陷入局部最优解的情况。同时，误差修正项的系数，给出了收益向长期均衡状态调整的趋势及调整速度。进一步，还包括：S6,构建所述收益变量的条件方差模型，基于所述条件方差模型及所述区制转换向量误差修正模型计算预设的未来时期的收益的风险值。采用上述进一步方案的有益效果是：进一步计算预设的未来时期的收益的风险值，给出了风险收益的度量。进一步，所述步骤S6包括：根据所述区制转换向量误差修正模型计算残差，对所述残差的平方进行检验，基于检验结果选择新息的类型；利用极大似然法估计条件方差模型的系数，根据所述系数构建所述条件方差模型；根据所述构建的条件方差模型计算预设的未来时期的收益的均值及方差，基于所选择的新息的类型、所述均值及所述方差计算所述预设的未来时期的收益的风险值。采用上述进一步方案的有益效果是：本实施例可以提供对未来收益风险值的衡量，便于企业及时制定交易策略，便于对天气保险和天气衍生品进行估值。本发明解决上述技术问题的技术方案还如下：一种基于天气的收益预测装置，所述基于天气的收益预测装置包括：获取模块，用于获取所关注地区预设的过去时间段内的天气变量，获取所述过去时间段内对应的收益变量；第一建立模块，用于建立所述天气变量及所述收益变量的向量自回归模型VAR，根据所述向量自回归模型VAR获取滞后项阶数；第二建立模块，用于根据所述滞后项阶数建立所述天气变量及所述收益变量的协整方程；第三建立模块，用于基于所述协整方程建立所述天气变量及所述收益变量的区制转换向量误差修正模型；预测模块，用于对所述区制转换向量误差修正模型进行估计，根据第一估计结果对预设的未来时间段内的收益进行预测。进一步，所述第三建立模块包括：第一计算单元，用于根据所述协整方程计算均衡误差，以所述均衡误差作为误差修正项；选取单元，用于根据行业或地区差异选取外生变量；建立单元，用于获取天气变量的一阶差分及所述收益变量的一阶差分，以所述天气变量的一阶差分、所述误差修正项、所述外生变量及所述向量自回归模型VAR的滞后项为自变量，以所述收益变量的一阶差分为因变量，建立所述区制转换向量误差修正模型。进一步，所述预测模块包括：第一估计单元，用于利用Krolzig的期望值最大化算法对所述区制转换向量误差修正模型进行估计，获取第二估计结果；第二估计单元，用于根据所述第二估计结果删除不显著的外生变量，改变所述区制转换向量误差修正模型的区制个数，以剩余的外生变量及改变后的区制个数对所述区制转换向量误差修正模型重新估计，并获取所述第一估计结果；预测单元，用于根据所述第一估计结果进行超前N步预测，以对预设的未来时间段内的收益进行预测。进一步，所述基于天气的收益预测装置还包括：度量模块，用于构建所述收益变量的条件方差模型，基于所述条件方差模型及所述区制转换向量误差修正模型计算预设的未来时期的收益的风险值。进一步，所述度量模块包括：第二计算单元，用于根据所述区制转换向量误差修正模型计算残差，对所述残差的平方进行检验，基于检验结果选择新息的类型；构建单元，用于利用极大似然法估计条件方差模型的系数，根据所述系数构建所述条件方差模型；度量单元，用于根据所述构建的条件方差模型计算预设的未来时期的收益的均值及方差，基于所选择的新息的类型、所述均值及所述方差计算所述预设的未来时期的收益的风险值。附图说明图1为本发明基于天气的收益预测方法第一实施例的流程示意图；图2为本发明基于天气的收益预测方法第二实施例的流程示意图；图3为本发明基于天气的收益预测装置第一实施例的结构示意图；图4为本发明基于天气的收益预测装置第二实施例的结构示意图。具体实施方式以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。如图1所示，图1为本发明一种基于天气的收益预测方法一实施例的流程示意图，该方法包括以下步骤：S1,获取所关注地区预设的过去时间段内的天气变量，获取所述过去时间段内对应的收益变量；本实施例中，天气变量可以是以日或者以月为时间单位的变量，预设的过去时间段可以是过去某几个月，过去一年或者几年等，天气变量可以是所关注地区的月均降水量、月均气温、日均降水量、日均气温等。同时，获取该关注地区该过去时间段内对应的收益变量。S2,建立所述天气变量及所述收益变量的向量自回归模型VAR，根据所述向量自回归模型VAR获取滞后项阶数；向量自回归模型(Vectorautoregression,VAR)是基于数据的统计性质建立模型，其将单变量自回归模型推广到由多元时间序列变量组成的“向量”自回归模型。本实施例，对天气变量和收益变量进行一阶差分，对于预设的过去时间段内的天气变量的时间序列{Xt}：ΔXt＝Xt-Xt-1，其中，Xt和Xt-1对应该天气变量在时刻t和时刻t-1时的值，则ΔXt为在t时刻的一阶差分(d＝1)。同理，对于对应的收益变量的序列{Yt}：ΔYt＝Yt-Yt-1，则ΔYt为在t时刻的一阶差分(d＝1)，由于天气变量序列以及受其影响的收益变量序列必然受到季节等时间因素的影响，因此差分后的序列能够更加稳定。天气变量或收益变量的向量自回归模型VAR的形式为：Yt＝μ+Γ1Yt-1+…+ΓpYt-p+εt。向量自回归模型VAR可以被视为一个联立方程模型的缩减型，其对应结构模型为：ΘYt＝α+ΨYt-1+ωt，其中Θ是一个非奇异矩阵，var(ωt)＝∑。可以从以下方程推导出向量自回归模型VAR的系数：Γ＝Θ-1Ψ,μ＝Θ-1α,Ω＝Θ-1ΣΘ-1'。本实施例可以用普通最小二乘法来估计天气变量或收益变量的p阶向量自回归模型VAR，得到每个滞后项的估计值与标准误，并据估计值与标准误算出统计量t。然后，更改向量自回归模型VAR的滞后阶数，重新估计向量自回归模型VAR，并计算每个向量自回归模型VAR的赤池信息量准则(AIC)，选择AIC最小的模型作为最终选择的模型。AIC值定义为：其中，k是包括了截距项在内的回归元个数，n是样本数，RSS是回归残差平方和。本实施例采用AIC的优势在于，经过其筛选后的模型无论在样本内还是在样本外都能得到较好的预测，是一种建立在熵的概念基础上、可以权衡所估计模型的复杂度和此模型拟合数据的优良性的准则。最后，选择AIC最小的模型并确定滞后项阶数p。S3,根据所述滞后项阶数建立所述天气变量及所述收益变量的协整方程；本实施例中，利用Johansen检验法和极大特征值法检验两变量之间是否存在协整关系，其中滞后阶数由先前选取的向量自回归模型VAR中的滞后项阶数所确定。合适的滞后项阶数对于协整关系的检验至关重要，若滞后项阶数过小，则遗漏的信息会落入到残差项中，这样容易出现残差项的自相关问题；若滞后项阶数过大，虽然可以消除残差项中存在的自相关性，但易导致自由度减少。Johansen检验法的基本思想是基于向量自回归模型VAR将一个求极大似然函数的问题转化成一个求特征根和对应的特征向量的问题。本实施例中的Johansen检验可以使用迹检验法和极大特征值法进行检验。向量自回归模型VAR表示为：Yt＝μ+Γ1Yt-1+…+ΓpYt-p+εt，令zt表示M(p-1)个天气变量或收益变量构成的向量：zt＝[ΔYt-1,ΔYt-2,…,ΔYt-p+1]，即zt包含所有M个变量一阶差分的1至p-1阶的滞后项。利用T个可用观测值，可以推导出两个最小二乘残差T×M矩阵，即D＝ΔYt对zt回归的残差及E＝Yt-p对zt回归的残差。然后，计算的有序特征根，其中Rij为集合i和j中变量之间的(交叉)相关矩阵。最后利用检验t统计量：TRACETEST=-TΣi=r+1Mln[1-(ri*)2],]]>其服从自由度为M-r的卡方分布，利用它便可以检验协整向量数是否小于或等于r的原假设。在上述检验的过程中，涉及到了估计协整向量，将所估计出的协整向量记为[1,-θ]，根据协整向量[1,-θ]建立协整方程。S4,基于所述协整方程建立所述天气变量及所述收益变量的区制转换向量误差修正模型；本实施例中，根据协整方程计算出均衡误差，以收益变量的一阶差分为因变量，以天气的一阶差分、均衡误差以及两变量的p阶滞后项为自变量，同时根据行业或地区的差异，选取一定的外生变量作为自变量，根据上述的这些变量建立Markov区制转换向量误差修正模型(MS-VECM)。S5,对所述区制转换向量误差修正模型进行估计，根据第一估计结果对预设的未来时间段内的收益进行预测。本实施例中，对所建立的区制转换向量误差修正模型进行估计，可以使用Krolzig的期望值最大化算法对区制转换向量误差修正模型进行估计，然后根据估计的结果，进行超前N步预测，可以预测出预设的未来时间段内的收益状况。与现有技术相比，本实施例中天气因素作为要考察的主要影响因素，其本身的波动随时间呈现出一定的周期性变化，根据天气的变化从而对未来的收益进行预测，本质上是列出收益的影响因素，然后构建计量模型，从数据的变动规律入手，与一般计量方法不同的是，本实施例对变量的波动率状态进行建模，并给予模型的拟合和预测，能够较大地提高对未来收益预测的准确度，有效地、系统地衡量天气因素对未来经济利润的影响程度。在一优选的实施例中，在上述图1的实施例的基础上，上述步骤S4包括：根据所述协整方程计算均衡误差，以所述均衡误差作为误差修正项；根据行业或地区差异选取外生变量；获取天气变量的一阶差分及所述收益变量的一阶差分，以所述天气变量的一阶差分、所述误差修正项、所述外生变量及所述向量自回归模型VAR的滞后项为自变量，以所述收益变量的一阶差分为因变量，建立所述区制转换向量误差修正模型。本实施例中，上述的协整向量为[1,-θ]，根据协整向量[1,-θ]计算均衡误差：ECt＝Yt-θXt，并以均衡误差作为误差修正项。以收益变量的一阶差分为因变量，以天气的一阶差分、误差修正项以及两变量的p阶滞后项为自变量，同时根据行业或地区的差异，选取一定的外生变量作为自变量，所建立的区制转换向量误差修正模型为：ΔYt=μ(st)+Σi=1pAi(st)ΔXt-i+Σj=1rαj(st)ECt-1+Σk=1qβk(st)Zk+ϵt,ϵt|st~NID(0,Σst),]]>其中ΔYt，ΔXt-i，ECt-1为预先计算所得，μ(st)是状态st下的截距项，Ai(st)是状态st下的天气变量的系数矩阵，αj(st)是状态st下的均衡误差的系数矩阵。Zk是选取的外生变量，关于Zk的选取，可以依据企业自身的经营状况、行业分类、所处地区等因素来选择，βk(st)是在状态st下的相应外生变量的系数。本实施例中通过加入误差修正项，进而反映利润向其长期均衡状态变化的趋势改变的速率，能够提供更加全面的预测信息，为风险规避者提供了一个较好的参考。在一优选的实施例中，在上述实施例的基础上，上述步骤S5包括：利用Krolzig的期望值最大化算法对所述区制转换向量误差修正模型进行估计，获取第二估计结果；根据所述第二估计结果删除不显著的外生变量，改变所述区制转换向量误差修正模型的区制个数，以剩余的外生变量及改变后的区制个数对所述区制转换向量误差修正模型重新估计，并获取所述第一估计结果；根据所述第一估计结果进行超前N步预测，以对预设的未来时间段内的收益进行预测。本实施例中，根据上述建立的区制转换向量误差修正模型得到：ΔYt|Ft-1~N(μ(s1,t)+Σi=1pAi(s1,t)ΔXt-i+Σj=1rαj(s1,t)Zt-1+Σk=1qβk(s1,t)Zk,Σ1),Pr=qs1,tN(μ(s2,t)+Σi=1pAi(s2,t)ΔXt-i+Σj=1rαj(s2,t)Zt-1+Σk=1qβk(s2,t)Zk,Σ2),Pr=qs2,t···N(μ(sM,t)+Σi=1pAi(sM,t)ΔXt-i+Σj=1rαj(sM,t)Zt-1+Σk=1qβk(s3,t)Zk,ΣM),Pr=qsM,t,]]>其中，Ft-1是t-1时刻所拥有的信息集合，是预测的时刻t时出现状态j的概率，e′j是在第j个元素为1的向量，ξt|Ft=Pr(st=1|Ft)Pr(st=2|Ft)···Pr(st=M|Ft),ξt‾=Pr(st=1)Pr(st=2)···Pr(st=M),]]>相应的条件概率为：p(ΔYt|st=m,Yt-1)=ln(2π)-1/2ln|Σ|-1/2exp{(ΔYt-Δ‾Ymt)′Σm-1(ΔYt-Δ‾Ymt)}.]]>本实施例利用Krolzig的期望值最大化算法对上述模型进行估计，能够改善极大似然估计法可能陷入局部最优解的情况。通过迭代过程，能够估计出各个参数的值、相应各区制的平滑概率以及Markov转移矩阵，即得到第二估计结果。根据第二估计结果，删除系数不显著的外生变量。对剩下的变量，不断改变区制个数，对上述模型进行重新估计，比较所估计出的各模型的AIC，将AIC最小的估计结果作为我们的最终选择，并确定此时的区制个数和模型所包含的外生变量，即得到第一估计结果。利用第一估计结果，进行超前N步预测，可以预测预设的未来时间段内的收益。本实施例利用Krolzig的期望值最大化算法对上述模型进行估计，能够改善极大似然估计法可能陷入局部最优解的情况。同时，误差修正项的系数，给出了收益向长期均衡状态调整的趋势及调整速度。在一优选的实施例中，如图2所示，在上述实施例的基础上，该基于天气的收益预测方法还包括：S6,构建所述收益变量的条件方差模型，基于所述条件方差模型及所述区制转换向量误差修正模型计算预设的未来时期的收益的风险值。本实施例进一步计算预设的未来时期的收益的风险值，给出了风险收益的度量。优选地，步骤S6包括：根据所述区制转换向量误差修正模型计算残差，对所述残差的平方进行检验，基于检验结果选择新息的类型；利用极大似然法估计条件方差模型的系数，根据所述系数为所述收益变量建立所述条件方差模型；获取预测得到的所述预设的未来时间段内的收益的均值及方差，基于所选择的新息的类型、所述均值及所述方差计算收益的风险值。本实施例中，根据建立的区制转换向量误差修正模型求出残差，残差是指实际观察值与估计值(拟合值)之间的差，之后对残差的平方做Ljung-Box检验和Jarque-Bera检验，并以此选择模型的新息的类型，新息的类型包括高斯新息及学生t新息。本实施例中，可以利用广义自回归条件异方差GARCH族模型中的非对称广义自回归条件异方差模型NGARCH与非对称幂自回归条件异方差模型APARCH。利用条件似然法分别估计非对称广义自回归条件异方差模型NGARCH(1,1)与非对称幂自回归条件异方差模型APARCH(1,1)的系数。NGARCH(1,1)形式如下：ΔYt＝μt+at,at＝σtεt,εt～D(0,1)，σt2=β0+β1σt-12+β2(at-1-θσt-1)2,]]>其中，μt是由ARIMA模型得到的条件均值；D(0,1)表示均值为0、方差为1的正态分布或学生t分布；βi为正的系数，i≥0；θ是杠杆系数。APARCH(1,1)形式为：ΔYt＝μt+at,at＝σtεt,εt～D(0,1)，σtδ=β0+α1(|at-1|+γ1at-1)δ+β1σt-1δ,]]>其中，μt是由ARIMA模型得到的条件均值；D(0,1)表示均值为0、方差为1的正态分布或学生t分布；α1、β0、β1为正的系数；δ为正实数。对这两个条件方差模型用极大似然法进行估计。利用更高频的数据集进行回测检验，比较两个条件方差模型并选出更优的模型。比较由NGARCH(1,1)与APARCH(1,1)得到的均方预测误差MSFE，选择均方预测误差MSFE值小的作为最终用来预测的条件方差模型。均方预测误差MSFE的计算公式为：MSFE=Σj=T+1T+L[σT+j2-varj]2L.]]>利用上述选出的更优的条件方差模型的n步超前预测得到预设的未来时间段内预测的收益的均值与方差，方差可以由回测检验时的方法直接得到。如果选择的新息的类型是高斯新息，则得到的收益变量的概率分布为以上述n步超前预测的均值和方差分别为均值和方差的正态分布，即有：其中xt是要预测的天气变量在t月的预测值，μt与分别是模型给出的均值与方差的预测值。计算VaR：VaR1-p＝μt+z1-pσt，其中，μt和σt是由GARCH模型估计出的某一特定时刻的收益分布的均值和标准差，z1-p是标准正态分布的(1-p)分位数。如果选择的新息的类型是学生t新息，则得到的天气变量的概率分布为以上述n步超前预测的均值和方差分别为均值和方差的有偏学生t分布，即有：其中是模型给出的方差预测值，v是之前选定的学生t分布的自由度，是自由度为v，均值为μt的有偏学生t分布。计算VaR：VaR1-p＝μt+t1-p,vσt，其中，μt和σt是由GARCH模型估计出的某一特定时刻的收益分布的均值和标准差，t1-p,v是自由度为v的学生t分布的(1-p)分位数。本实施例可以提供对未来收益风险值的衡量，便于企业及时制定交易策略，便于对天气保险和天气衍生品进行估值。如图3所示，图3为本发明一种基于天气的收益预测装置一实施例的结构示意图，所述基于天气的收益预测装置包括：获取模块101，用于获取所关注地区预设的过去时间段内的天气变量，获取所述过去时间段内对应的收益变量；本实施例中，天气变量可以是以日或者以月为时间单位的变量，预设的过去时间段可以是过去某几个月，过去一年或者几年等，天气变量可以是所关注地区的月均降水量、月均气温、日均降水量、日均气温等。同时，获取该关注地区该过去时间段内对应的收益变量。第一建立模块102，用于建立所述天气变量及所述收益变量的向量自回归模型VAR，根据所述向量自回归模型VAR获取滞后项阶数；向量自回归模型(Vectorautoregression,VAR)是基于数据的统计性质建立模型，其将单变量自回归模型推广到由多元时间序列变量组成的“向量”自回归模型。本实施例，对天气变量和收益变量进行一阶差分，对于预设的过去时间段内的天气变量的时间序列{Xt}：ΔXt＝Xt-Xt-1，其中，Xt和Xt-1对应该天气变量在时刻t和时刻t-1时的值，则ΔXt为在t时刻的一阶差分(d＝1)。同理，对于对应的收益变量的序列{Yt}：ΔYt＝Yt-Yt-1，则ΔYt为在t时刻的一阶差分(d＝1)，由于天气变量序列以及受其影响的收益变量序列必然受到季节等时间因素的影响，因此差分后的序列能够更加稳定。天气变量或收益变量的向量自回归模型VAR的形式为：Yt＝μ+Γ1Yt-1+…+ΓpYt-p+εt。向量自回归模型VAR可以被视为一个联立方程模型的缩减型，其对应结构模型为：ΘYt＝α+ΨYt-1+ωt，其中Θ是一个非奇异矩阵，var(ωt)＝∑。可以从以下方程推导出向量自回归模型VAR的系数：Γ＝Θ-1Ψ,μ＝Θ-1α,Ω＝Θ-1ΣΘ-1'。本实施例可以用普通最小二乘法来估计天气变量或收益变量的p阶向量自回归模型VAR，得到每个滞后项的估计值与标准误，并据估计值与标准误算出统计量t。然后，更改向量自回归模型VAR的滞后阶数，重新估计向量自回归模型VAR，并计算每个向量自回归模型VAR的赤池信息量准则(AIC)，选择AIC最小的模型作为最终选择的模型。AIC值定义为：其中，k是包括了截距项在内的回归元个数，n是样本数，RSS是回归残差平方和。本实施例采用AIC的优势在于，经过其筛选后的模型无论在样本内还是在样本外都能得到较好的预测，是一种建立在熵的概念基础上、可以权衡所估计模型的复杂度和此模型拟合数据的优良性的准则。最后，选择AIC最小的模型并确定滞后项阶数p。第二建立模块103，用于根据所述滞后项阶数建立所述天气变量及所述收益变量的协整方程；本实施例中，利用Johansen检验法和极大特征值法检验两变量之间是否存在协整关系，其中滞后阶数由先前选取的向量自回归模型VAR中的滞后项阶数所确定。合适的滞后项阶数对于协整关系的检验至关重要，若滞后项阶数过小，则遗漏的信息会落入到残差项中，这样容易出现残差项的自相关问题；若滞后项阶数过大，虽然可以消除残差项中存在的自相关性，但易导致自由度减少。Johansen检验法的基本思想是基于向量自回归模型VAR将一个求极大似然函数的问题转化成一个求特征根和对应的特征向量的问题。本实施例中的Johansen检验可以使用迹检验法和极大特征值法进行检验。向量自回归模型VAR表示为：Yt＝μ+Γ1Yt-1+…+ΓpYt-p+εt，令zt表示M(p-1)个天气变量或收益变量构成的向量：zt＝[ΔYt-1,ΔYt-2,…,ΔYt-p+1]，即zt包含所有M个变量一阶差分的1至p-1阶的滞后项。利用T个可用观测值，可以推导出两个最小二乘残差T×M矩阵，即D＝ΔYt对zt回归的残差及E＝Yt-p对zt回归的残差。然后，计算的有序特征根，其中Rij为集合i和j中变量之间的(交叉)相关矩阵。最后利用检验t统计量：TRACETEST=-TΣi=r+1Mln[1-(ri*)2],]]>其服从自由度为M-r的卡方分布，利用它便可以检验协整向量数是否小于或等于r的原假设。在上述检验的过程中，涉及到了估计协整向量，将所估计出的协整向量记为[1,-θ]，根据协整向量[1,-θ]建立协整方程。第三建立模块104，用于基于所述协整方程建立所述天气变量及所述收益变量的区制转换向量误差修正模型；本实施例中，根据协整方程计算出均衡误差，以收益变量的一阶差分为因变量，以天气的一阶差分、均衡误差以及两变量的p阶滞后项为自变量，同时根据行业或地区的差异，选取一定的外生变量作为自变量，根据上述的这些变量建立Markov区制转换向量误差修正模型(MS-VECM)。预测模块105，用于对所述区制转换向量误差修正模型进行估计，根据第一估计结果对预设的未来时间段内的收益进行预测。本实施例中，对所建立的区制转换向量误差修正模型进行估计，可以使用Krolzig的期望值最大化算法对区制转换向量误差修正模型进行估计，然后根据估计的结果，进行超前N步预测，可以预测出预设的未来时间段内的收益状况。在一优选的实施例中，在上述图3的实施例的基础上，第三建立模块104包括：第一计算单元，用于根据所述协整方程计算均衡误差，以所述均衡误差作为误差修正项；选取单元，用于根据行业或地区差异选取外生变量；建立单元，用于获取天气变量的一阶差分及所述收益变量的一阶差分，以所述天气变量的一阶差分、所述误差修正项、所述外生变量及所述向量自回归模型VAR的滞后项为自变量，以所述收益变量的一阶差分为因变量，建立所述区制转换向量误差修正模型。本实施例中，上述的协整向量为[1,-θ]，根据协整向量[1,-θ]计算均衡误差：ECt＝Yt-θXt，并以均衡误差作为误差修正项。以收益变量的一阶差分为因变量，以天气的一阶差分、误差修正项以及两变量的p阶滞后项为自变量，同时根据行业或地区的差异，选取一定的外生变量作为自变量，所建立的区制转换向量误差修正模型为：ΔYt=μ(st)+Σi=1pAi(st)ΔXt-i+Σj=1rαj(st)ECt-1+Σk=1qβk(st)Zk+ϵt,ϵt|st~NID(0,Σst),]]>其中ΔYt，ΔXt-i，ECt-1为预先计算所得，μ(st)是状态st下的截距项，Ai(st)是状态st下的天气变量的系数矩阵，αj(st)是状态st下的均衡误差的系数矩阵。Zk是选取的外生变量，关于Zk的选取，可以依据企业自身的经营状况、行业分类、所处地区等因素来选择，βk(st)是在状态st下的相应外生变量的系数。在一优选的实施例中，在上述图3的实施例的基础上，所述预测模块105包括：第一估计单元，用于利用Krolzig的期望值最大化算法对所述区制转换向量误差修正模型进行估计，获取第二估计结果；第二估计单元，用于根据所述第二估计结果删除不显著的外生变量，改变所述区制转换向量误差修正模型的区制个数，以剩余的外生变量及改变后的区制个数对所述区制转换向量误差修正模型重新估计，并获取所述第一估计结果；预测单元，用于根据所述第一估计结果进行超前N步预测，以对预设的未来时间段内的收益进行预测。本实施例中，根据上述建立的区制转换向量误差修正模型得到：ΔYt|Ft-1~N(μ(s1,t)+Σi=1pAi(s1,t)ΔXt-i+Σj=1rαj(s1,t)Zt-1+Σk=1qβk(s1,t)Zk,Σ1),Pr=qs1,tN(μ(s2,t)+Σi=1pAi(s2,t)ΔXt-i+Σj=1rαj(s2,t)Zt-1+Σk=1qβk(s2,t)Zk,Σ2),Pr=qs2,t···N(μ(sM,t)+Σi=1pAi(sM,t)ΔXt-i+Σj=1rαj(sM,t)Zt-1+Σk=1qβk(s3,t)Zk,ΣM),Pr=qsM,t,]]>其中，Ft-1是t-1时刻所拥有的信息集合，是预测的时刻t时出现状态j的概率，e′j是在第j个元素为1的向量，ξt|Ft=Pr(st=1|Ft)Pr(st=2|Ft)···Pr(st=M|Ft),ξt‾=Pr(st=1)Pr(st=2)···Pr(st=M),]]>相应的条件概率为：p(ΔYt|st=m,Yt-1)=ln(2π)-1/2ln|Σ|-1/2exp{(ΔYt-Δ‾Ymt)′Σm-1(ΔYt-Δ‾Ymt)}.]]>本实施例利用Krolzig的期望值最大化算法对上述模型进行估计，能够改善极大似然估计法可能陷入局部最优解的情况。通过迭代过程，能够估计出各个参数的值、相应各区制的平滑概率以及Markov转移矩阵，即得到第二估计结果。根据第二估计结果，删除系数不显著的外生变量。对剩下的变量，不断改变区制个数，对上述模型进行重新估计，比较所估计出的各模型的AIC，将AIC最小的估计结果作为我们的最终选择，并确定此时的区制个数和模型所包含的外生变量，即得到第一估计结果。利用第一估计结果，进行超前N步预测，可以预测预设的未来时间段内的收益。本实施例中通过加入误差修正项，进而反映利润向其长期均衡状态变化的趋势改变的速率，能够提供更加全面的预测信息，为风险规避者提供了一个较好的参考。同时，误差修正项的系数，也给出了收益向长期均衡状态调整的趋势及调整速度。在一优选的实施例中，如图4所示，在上述图3实施例的基础上，所述基于天气的收益预测装置还包括：度量模块106，用于构建所述收益变量的条件方差模型，基于所述条件方差模型及所述区制转换向量误差修正模型计算预设的未来时期的收益的风险值。本实施例进一步计算预设的未来时期的收益的风险值，给出了风险收益的度量。优选地，所述度量模块106包括：第二计算单元，用于根据所述区制转换向量误差修正模型计算残差，对所述残差的平方进行检验，基于检验结果选择新息的类型；构建单元，用于利用极大似然法估计条件方差模型的系数，根据所述系数构建所述条件方差模型；度量单元，用于根据所述构建的条件方差模型计算预设的未来时期的收益的均值及方差，基于所选择的新息的类型、所述均值及所述方差计算所述预设的未来时期的收益的风险值。本实施例中，根据建立的区制转换向量误差修正模型求出残差，残差是指实际观察值与估计值(拟合值)之间的差，之后对残差的平方做Ljung-Box检验和Jarque-Bera检验，并以此选择模型的新息的类型，新息的类型包括高斯新息及学生t新息。本实施例中，可以利用广义自回归条件异方差GARCH族模型中的非对称广义自回归条件异方差模型NGARCH与非对称幂自回归条件异方差模型APARCH。利用条件似然法分别估计非对称广义自回归条件异方差模型NGARCH(1,1)与非对称幂自回归条件异方差模型APARCH(1,1)的系数。NGARCH(1,1)形式如下：ΔYt＝μt+at,at＝σtεt,εt～D(0,1)，σt2=β0+β1σt-12+β2(at-1-θσt-1)2,]]>其中，μt是由ARIMA模型得到的条件均值；D(0,1)表示均值为0、方差为1的正态分布或学生t分布；βi为正的系数，i≥0；θ是杠杆系数。APARCH(1,1)形式为：ΔYt＝μt+at,at＝σtεt,εt～D(0,1)，σtδ=β0+α1(|at-1|+γ1at-1)δ+β1σt-1δ,]]>其中，μt是由ARIMA模型得到的条件均值；D(0,1)表示均值为0、方差为1的正态分布或学生t分布；α1、β0、β1为正的系数；δ为正实数。对这两个条件方差模型用极大似然法进行估计。利用更高频的数据集进行回测检验，比较两个条件方差模型并选出更优的模型。比较由NGARCH(1,1)与APARCH(1,1)得到的均方预测误差MSFE，选择均方预测误差MSFE值小的作为最终用来预测的条件方差模型。均方预测误差MSFE的计算公式为：MSFE=Σj=T+1T+L[σT+j2-varj]2L.]]>利用上述选出的更优的条件方差模型的n步超前预测得到预设的未来时间段内预测的收益的均值与方差，方差可以由回测检验时的方法直接得到。如果选择的新息的类型是高斯新息，则得到的收益变量的概率分布为以上述n步超前预测的均值和方差分别为均值和方差的正态分布，即有：其中xt是要预测的天气变量在t月的预测值，μt与分别是模型给出的均值与方差的预测值。计算VaR：VaR1-p＝μt+z1-pσt，其中，μt和σt是由GARCH模型估计出的某一特定时刻的收益分布的均值和标准差，z1-p是标准正态分布的(1-p)分位数。如果选择的新息的类型是学生t新息，则得到的天气变量的概率分布为以上述n步超前预测的均值和方差分别为均值和方差的有偏学生t分布，即有：其中是模型给出的方差预测值，v是之前选定的学生t分布的自由度，是自由度为v，均值为μt的有偏学生t分布。计算VaR：VaR1-p＝μt+t1-p,vσt，其中，μt和σt是由GARCH模型估计出的某一特定时刻的收益分布的均值和标准差，t1-p,v是自由度为v的学生t分布的(1-p)分位数。以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。当前第1页1 2 3