在股市投资中，常见的交易模型有哪些？

在股市投资中，常见的交易模型有哪些？

聚类模型

聚类模型(clustering models)将数据按某种准则进行分组,各组内数据最大限度地，具有同质性。这些模型可以应用于多变量数据集合或时间序列。例如,我们可以将收益的时间序列按照彼此相关程度的水平来聚类划分。与聚类相关的权衡与类别数量的选择有关。聚类模型在金融领域众多的应用中,我们可以提及资产负债表账户或财务比率的聚类和时间序列的聚类,前者用来判断特定公司的经营情况,后者可以作为大型数据集合的事前处理以使那些不能对整个数据集合进行运算的统计方法得以应用。

体制转换模型

体制转换模型(regime shifting models)代表了某一 类非线性模型,该模型将一个基本线性模型和另一个决定不同体制之间转换的模型(即可以确定对应于不同体制的参数的模型)进行配对。此类模型需要分析很长的时间序列,以获得足够多的转换样本来估计驱动体制间转换的模型。

不规则间隔的数据模型

随着高频数据的普及,另一类非线性模型变得越来越重要,那就是不规则间隔的数据模型(models of irregularly spaced data)。高频数据的间隔常常是不规则的,因为它们记录的是个体交易数据。间隔分布模型本身是非线性模型,它们是理解在非常短的间隔上的收益行为的重要模型。

非线性DGP模型

非线性DGP模型(Nonlinear DGP models)是一类捕获相邻收益之间关系所固有的非线性性质的模型。其中最广为人知的模型便是神经网络。神经网络可以模拟DGP的任何函数形式,但这意味着需要估计大量的参数,并且会有过度拟合以及损失预测能力的风险。

因果关系

因果关系的主题是广泛的，在哲学和科学中都有很多含义。这里我们仅仅介绍出现在第二次世界大战之后的两种主要的因果关系方法：考尔斯委员会（Cowles Commis-sion）的方法以及格兰杰因果关系。考尔斯委员会的方法与西蒙（Herbert Simon）所提出的因果关系方法相似，他们都强调模型的结构性质。特别地，重点关注外生变量和内生变量之间的区别。考尔斯委员会的方法不包含任何明确地与时间有关的因素。这种方法的哲学根源要追溯到罗素，在这种方法中因果关系意味由方程组内部决定的量与由方程组之外确定的量之间的区别。

牛市通网是一个牛股推荐网与低风险投资知识网，可以在线联系客服领取牛股。牛市通网从权威的投资专家、金融分析师等投资信息中挑选优质的文章进行发布。牛市通网主要为投资者提供股票知识、股票观点、股票分析和明智金融投资讨论等信息。