高频数据连续部分杠杆效应的估计

对股票价格与其波动率之间的负相关性的发现,引发了对高频金融数据杠杆效应的研究热潮.对于高频数据连续时间条件下满足伊藤半鞅模型的对数价格过程和波动率过程,定义了连续部分杠杆效应(CLE),并用临近窗口和向下截断方法,采用二次变差来构造相应的估计量,进一步研究了该估计量的相合性和渐近正态性,最后给出了定理证明.     

ASV-T模型研究及其在中国创业板市场中的应用

本文提出了T分布的带杠杆效应的随机波动模型,该模型同时兼顾了股票市场的杠杆效应和厚尾效应,并对模型进行了统计结构分析,证明了模型的有效性,基于贝叶斯分析,给出了对ASV-T模型的MCMC估计方法,其中对参数采取Gibbs抽样。利用该模型,通过对中国创业板指数的实证研究,证明了ASV-T模型对创业板市场的回报和波动性特征有更好的拟合效果,并且模型能够较好地描述金融数据的杠杆效应和厚尾效应。     

基于SV模型的国际现货贵金属市场收益波动的杠杆效应分析

针对国际现货贵金属市场收益波动中是否存在杠杆效应的问题,选取2008年至今的黄金、白银市场数据进行分析,运用具有杠杆效应的SV模型对其收益波动建模,并采取MCMC法—Gibbs法进行参数估计.结果表明:与股票市场的研究结论不同,国际现货黄金、白银市场在整个观察期内几乎不存在杠杆效应;但其震荡期内存在较弱的杠杆效应.     

沪深股市杠杆效应的实证分析

运用 E-GARCH模型对沪深股市的杠杆效应进行了实证分析 ,结果表明 ,日收益存在着明显的杠杆效应 ,收益对波动强度的影响具有非对称性 .     

基于结构突变的波动率分解模型

在Heston-Nandi模型的基础上提出了一种波动率分解模型,分解模型同时考虑了金融波动的长记忆性和杠杆效应.从资产收益率的无条件方差发生结构突变出发,认为收益率的无条件方差随时间变化,将波动率分解为长期影响和短期冲击两部分,其中长期影响用来刻画波动率的持续性,短期冲击刻画金融波动的短期扰动.上证综指数据实证表明上海证券综合指数收益率序列的波动性同时具有长记忆性和杠杆效应,利用模型能很好的刻画这两种性质.     

沪深股指波动的杠杆效应和星期效应分析

在TGARCH模型中引入哑变量以同时反映条件方差波动的不对称性和星期特征,并运用其对沪深股指波动特征进行了实证分析.结果表明沪深股指波动存在着明显的杠杆效应和星期效应.     

基于杠杆效应CARR模型的波动率预测

本文提出了一类新的具有杠杆效应的CARR模型,基于广义伽玛分布探讨了杠杆效应CARR模型的参数估计和波动预测。以我国上证指数的2011年6月至2014年3月的每日数据为研究对象,分别运用EARCH模型、传统CARR模型和杠杆效应CARR模型对上证指数的波动率进行拟合,并根据MAE、RMSE和MAPE三个损失函数进行了预测能力比较分析,结果表明:杠杆效应CARR模型在波动性预测方面比EARCH模型的效果更好一些。     

基于修正的已实现阈值幂变差的股市跳跃波动行为研究

基于非参数统计方法,利用考虑金融资产价格跳跃和杠杆效应的时点波动估计方法修正已实现阈值幂变差,构造甄别跳跃的检验统计量,对金融资产价格中的随机波动、有限活跃跳跃和无限活跃跳跃等问题进行综合研究。为同时吸收波动率的异方差集聚效应和收益率的非对称效应,对原有的已实现波动率异质自回归预测模型进行拓展,将非对称的异质性自回归模型的误差项设定为GARCH模型,以考察跳跃波动序列与连续波动序列之间的复杂关系。利用沪深股指高频数据进行实证研究,包括进行跳跃识别,跳跃活动程度检验和波动率预测效果对比。研究结果表明,沪深股市同时存在布朗运动成分、有限活跃跳跃和无限活跃跳跃成分,其中连续路径方差占主体。同时,收益和波动间的杠杆效应显著,无论短期还是长期,连续波动和跳跃波动对波动率的预测均具有显著影响,同时考虑股价的跳跃、波动和杠杆效应因素有助于更准确地刻画资产价格动态过程。     

高频金融数据“日历效应”的小波神经网络模型分析

高频金融数据的分析与建模是金融计量学的一个全新的研究领域.高频数据"日历效应"是金融市场微观结构研究领域的重要发现,但是金融市场微观结构理论主要是从定性的角度研究"日历效应".如何定量地刻画高频数据"日历效应"是进一步深入理解金融市场的关键.论文提出用小波神经网络(WNN)来定量研究高频金融数据"日历效应",实证研究表明小波神经网络(WNN)很好地刻画了"日历效应".     

CFO的资产负债表

适度的负馈所产生的财务杠杆效应，将会带来更加丰厚的权益。     

基于BAPM模型的噪声交易者风险的测度——以受处罚的上市公司为例研究

过度的噪音交易,尤其是受到行政处罚的上市的噪声交易,在我国证券市场是非常普遍的。选用2007～2009年内受到中国证监会行政处罚的上市公司,从2006年1月到2009年12月的收益率作为分析的样本,同时取其对应的同行业的配对公司进行实证研究得出结论,噪声交易者风险(NTR)与股票超额收益是显著负相关的,显著性越高,那么投资者投资此类股票受到损失的可能性越大。最后,本文提出了治理我国股市噪声问题、提高市场有效性的政策建议。     

Estimation of the stochastic leverage effect using the Fourier transform method

We define a non-parametric estimator of the integrated leverage effect as the integrated covariation between the logarithmic asset price and its volatility. In Curato and Sanfelici (2015), a consistent estimator of the leverage effect has been introduced through a pre-estimate of the Fourier coefficients of the volatility. This is a novel approach compared to the ones present in the literature which use a pre-estimate of the spot volatility path. In this paper, we show the asymptotic normality of the Fourier estimator for non-equidistant observations. Moreover, its finite sample properties are analyzed in a simulation study also in the presence of microstructure noise.     

Volatility forecasting using stochastic conditional range model with leverage effect

In this paper, we propose a stochastic conditional range model with leverage effect (henceforth SCRL) for volatility forecasting. A maximum likelihood method based on the particle filters is developed to estimate the parameters of the SCRL model. Simulation results show that the proposed methodology performs well. We apply the proposed model and methodology to four stock market indices, the Shanghai Stock Exchange Composite Index of China, the Hang Seng Index of Hong Kong, the Nikkei 225 Index of Japan, and the S&P 500 Index of US. Empirical results highlight the value of incorporating leverage effect into range modeling and forecasting. In particular, the results show that our SCRL model outperforms the conditional autoregressive range model, the conditional autoregressive range model with leverage effect, and the stochastic conditional range model in both in‐sample fit and out‐of‐sample forecast.     

Mixed effect models for absolute log returns of ultra high frequency data

Considering absolute log returns as a proxy for stochastic volatility, the influence of explanatory variables on absolute log returns of ultra high frequency data is analysed. The irregular time structure and time dependency of the data is captured by utilizing a continuous time ARMA(p,q) process. In particular, we propose a mixed effect model class for the absolute log returns. Explanatory variable information is used to model the fixed effects, whereas the error is decomposed in a non‐negative Lévy driven continuous time ARMA(p,q) process and a market microstructure noise component. The parameters are estimated in a state space approach. In a small simulation study the performance of the estimators is investigated. We apply our model to IBM trade data and quantify the influence of bid‐ask spread and duration on a daily basis. To verify the correlation in irregularly spaced data we use the variogram, known from spatial statistics. Copyright © 2006 John Wiley & Sons, Ltd.