基于DCC-MIDAS与参数化策略的时变组合投资决策

在经典的均值-方差模型中,组合投资效果往往受到协方差矩阵估计精度低与权重静态设置两个方面的不利影响.为此,文章提出了一种新的时变组合投资决策模型:一方面引入DCC-MIDAS模型,运用高频信息,提高金融资产间的动态关联关系估计精度;另一方面考虑金融资产时变特征对组合投资权重的影响,进行参数化设计,改善时变组合投资效果.对中国股市的个股以及行业板块进行了实证研究,结果表明:账面市值比、市盈率与组合投资权重呈正相关关系,市值与组合投资权重呈负相关关系;新模型在标准差风险、Sharpe比率和有效前沿等方面,都优于传统的组合投资模型.     

PI(Portfolio Insurance)投资者特性研究

根据期权定价理论,分析了投资组合保险策略与期权的关系及投资组合保险策略与凸收益函数的关系,通过建立投资组合保险模型,得出不同条件下购买投资组合保险投资者的特点如下:1)随着财富的增加他们的风险承受能力比市场一般投资者增加的快;2)他们的市场预期比一般市场投资者更乐观,并且受益于投资组合保险.     

基于双因子定价模型的投资组合风险价值的多分辨率特征研究

为了识别金融市场投资风险的多分辨率特征及优化投资组合,以资本市场风险和汇率市场风险为双因子定价模型的风险因子,利用小波方差及协方差无偏估计量,给出了单个资产风险因子敏感度多分辨率计算方法,以此为基础还得到了投资组合的风险值(VaR)及其边际风险值(MVaR)的多分辨率分解公式.对上证A股市场的实证分析表明投资组合的风险价值及边际风险价值依赖于投资时限,短线投资潜在的损失比长线投资要大;进一步分析表明中国股市存在多分辨率风险特征,这种风险特点可能是由市场系统风险和汇率风险以及异质性投资活动共同作用的结果.研究还发现多分辨率边际风险价值是确定多分辨率投资组合优化模型求解的重要条件之一.     

动态高阶矩风险稳健性测度与参数化组合投资决策研究

针对已有高阶矩组合投资模型中风险测度与模型求解的不足，本文构建动态高阶矩参数化组合投资决策模型(B-S-K)并给出其求解方案。首先，运用混频数据抽样分位数回归(MIDAS-QR)模型，充分挖掘高频数据信息，提高动态高阶矩风险测度的及时性、准确性和稳健性；其次，采用参数化组合投资策略，将资产特征变量、动态偏度风险和动态峰度风险纳入组合投资权重函数，大幅缩减待估计参数数目，提高模型求解效率。分别对中国股票市场的个股和行业板块指数进行实证，研究结果一致表明：第一，基于MIDAS-QR模型的动态高阶矩风险稳健性测度，不仅充分考虑了金融风险的时变特征，而且测度结果受异常值影响较小，是一个稳健且有效的测度方法；第二，市盈率、账面价值比、动态偏度风险与组合投资权重显著正相关，条件波动率、动态峰度风险与组合投资权重显著负相关，这些为组合投资决策提供了较好的机理性解释；第三，与等权方案、M-V模型、基准(B)模型和B-S模型等相比，本文构建的B-S-K模型，在收益、风险和风险调整收益等三个方面均表现出显著且稳定的优势。     

基于风险网络结构的资产分配策略研究

股票市场是一个高风险市场,如何在频繁发生的极端波动环境下进行有效的资产分配是当前热点问题。本文首次应用VaR模型构建股市风险网络,并基于风险网络模型进行最优投资组合成分选择,分析不同市场波动行情下最优资产分配权重和股票中心性的时变关系,融合风险网络时变中心性和个股表现提出新的动态资产分配策略(φ投资策略)。结果表明:在股市上涨和震荡期,股票中心性和最优投资组合权重呈正相关关系;股市下跌期,股票中心性和最优投资组合权重呈负相关关系;当φ>0.05时,投资者的合理投资区域向高中心性节点移动,反之。φ投资策略的绩效表现证明了风险网络结构能提高投资组合选择过程。此研究对于优化资产配置、提高投资收益、多元化分散投资风险具有重要意义。     

基于Copula-GJR-Skewt模型的投资组合风险预测研究

针对多元投资组合的风险预测,采用GJR-Skewt模型刻画单资产的厚尾、有偏特征,以及Copula模型刻画多元投资组合的非线性相关结构,用Monte Carlo方法模拟金融资产的随机分布,并结合滚动时间窗法,对投资组合的未来风险进行样本外动态预测.实证结果表明,Copula-GJR-Skewt模型对资产收益的风险预测能取得满意的效果;在VaR预测性能上,以GJR-Skewt模型作为边缘分布函数时,即使存在系统偏差,也能取得最优预测结果;预设残差服从有偏学生分布时,VaR的预测结果优于正态分布;传统的Garch-Guassian模型预测能力最差.     

具有交易成本的多阶段M-AAD模糊投资组合优化

考虑交易成本、交易量的阀值约束和熵约束,提出均值-平均绝对偏差(M-AAD)多阶段的模糊投资组合模型。模型中的收益水平由模糊收益的均值确定,其风险水平由模糊收益的绝对偏差确定,熵度量投资组合的多样化程度。由于存在交易成本,该模型是一个具有路径依赖性的动态优化问题。提出离散近似迭代法求解。最后,以具体的算例比较不同熵约束下最优投资组合策略,并验证模型的算法和有效性。     

基于矩分析的资产组合选择

在风险资产收益分布为非正态的情景下,通过矩分析,研究其收益的高阶矩对资产组合选择的影响.首先,假设风险资产收益存在有限阶矩,泰勒展开边际财富期望效用,获得静态资产组合选择的近似解;其次,假设收益过程的跳跃产生收益分布的非正态性,运用随机控制方法获得动态资产组合选择的近似解析解,从高阶矩角度解释其特征。分析表明,超出峰度的存在导致减少风险资产投资,正(负)的偏度导致增加(减少)风险资产投资,该影响性随着它们及风险规避系数的增大而增强;可预测性导致资产组合存在正或负的对冲需求,取决于相关系数的符号和风险规避系数;跳跃性总体上减少风险资产投资;可预测性和跳跃性对动态资产组合选择的影响具有内在关联性。     

一种市场风险条件的贷款组合优化决策模型

针对不确定投资情况下风险与收益的选择方法，提出一种贷款组合的优化决策模型，以解决不同风险，收益下的贷款组合决策问题，并给出实例分析以表明该模型的科学性。     

基于背景风险和弹性增量的模糊投资组合研究

在金融市场中,投资者需要通过构建投资组合分散非系统风险,也需要考虑由收入、支出、健康状况等个人因素构成的背景风险.另外,在同一个投资组合中,不同的风险存量加上相同的弹性增量以后,投资者的满意度也不同.同时,证券市场中存在大量的模糊现象,模糊性比随机性更能刻画其不确定性特征.因此,提出了一个以投资者满意度为目标,包含背景风险、弹性增量等因素的模糊投资组合模型.最后,选取沪深证券市场数据分析了背景风险方差对投资组合的收益、方差和投资者满意度的影响.结果发现:背景风险的方差与投资组合的收益和投资者的满意度负相关,与投资组合的方差正相关,而且,在不同弹性存量的基础上,相同弹性增量的投资者满意度也是不同的.     

COMPLEXITY,MULTIRESOLUTION, NON-STATIONARITY AND ENTROPIC SCALING: TEEN BIRTH THERMODYNAMICS

This paper presents a statistical methodology for analyzing a complex phenomenon in which deterministic and scaling components are superimposed. Our approach is based on the wavelet multiresolution analysis combined with the scaling analysis of the entropy of a time series. The wavelet multiresolution analysis decomposes the signal in a scale-by-scale manner. The scale-by-scale decomposition generates smooth and detail curves that are evaluated and studied. A wavelet-based smoothing filtering is used to estimate the daily birth rate and conception rate during the year. The scaling analysis is based on the Diffusion Entropy Analysis (DEA). The joint use of the DEA and the wavelet multiresolution analysis allows: 1) the separation of the deterministic and, therefore, non-scaling component from the scaling component of the signal; 2) the determination of the stochastic information characterizing the teen birth phenomenon at each time scale. The daily data cover the number of births phenomenon at each time scale. The daily data cover the number of births to teens in Texas during the period 1964-1999.     

小波变换在期货价格序贯相关分析中的应用

针对金融时间序列普遍具有非平稳、自相关等特点,通常建立ARIMA模型进行识别.但模型的构建中,常受到一些随机扰动的影响,使模型拟合的误差增大.文章试将小波分析良好的局部性与ARIMA模型的简捷实用相结合,采用基于小波分析的累积式自回归滑动平均方法(WARIMA)拟合模型中的序贯相关,实证分析得出,WARIMA模型显著降低了拟合误差.     

沪深股市的相关结构分析与投资组合风险度量——基于ARFIMA-GARCH-Copula模型

金融资产收益率不仅具有尖峰厚尾性、异方差性,还具有长记忆性。基于此,本文建立ARFIMA-GARCH-Copula模型来研究沪深股市的相关结构和等权重投资组合风险值VaR,利用上证指数和深成指数收益率的组合来进行实证研究。首先采用经典R/S分析法检验各个资产收益率的长记忆性,经过分数阶差分后选用GARCH模型建模得到边缘分布。然后选择Copula函数来刻画两资产之间的相关结构,建立联合分布模型。进而采用Monte Carlo方法模拟产生各资产的收益率序列,计算出投资组合的风险值VaR。实证研究表明:沪深股市具有长记忆性,且两者具有对称的尾部相关性;Kupiec检验说明ARFIMA-GARCH-Copula模型较之于GARCH-Copula模型能更准确地度量投资组合风险。     

基于Hilbert-Huang变换的金融收益政策风险因子识别方法

针对政策可能对金融收益产生风险问题,提出了基于Hilbert-Huang变换方法的政策风险因子识别检测方法。通过经验模态分解,Hilbert-Huang频谱分析得到金融时间序列的时域和频域特征,通过与量化处理后的政策进行匹配得到政策产生的异常波动情况,从而实现对政策因子风险的识别与处理。研究结果对于探究宏观政策对金融收益的影响具有重要参考意义。最后以国家房地产调控政策与地产指数为算例,发现本研究提出的方法识别精度高,具有非常好的应用前景。     

HMM based scenario generation for an investment optimisation problem

The Geometric Brownian motion (GBM) is a standard method for modelling financial time series. An important criticism of this method is that the parameters of the GBM are assumed to be constants; due to this fact, important features of the time series, like extreme behaviour or volatility clustering cannot be captured. We propose an approach by which the parameters of the GBM are able to switch between regimes, more precisely they are governed by a hidden Markov chain. Thus, we model the financial time series via a hidden Markov model (HMM) with a GBM in each state. Using this approach, we generate scenarios for a financial portfolio optimisation problem in which the portfolio CVaR is minimised. Numerical results are presented.     

Orthogonal and Nonorthogonal Multiresolution Analysis, Scale Discrete and Exact Fully Discrete Wavelet Transform on the Sphere

Based on a new definition of dilation a scale discrete version of spherical multiresolution is described, starting from a scale discrete wavelet transform on the sphere. Depending on the type of application, different families of wavelets are chosen. In particular, spherical Shannon wavelets are constructed that form an orthogonal multiresolution analysis. Finally fully discrete wavelet approximation is discussed in the case of band-limited wavelets. June 18, 1996. Date revised: January 14, 1997.     

基于CVaR衍生的多期多面风险度量下的投资组合研究

为了解决多期投资组合的决策问题,本文将由CVaR衍生的多期多面风险度量作为风险控制目标,建立了一个在收益约束条件下最小化风险的多阶段投资组合模型。为求解模型,设计了多期投资组合优化流程,它将非参数抽样方法、基于聚类算法的多阶段情景树生成方法和多期多面风险度量组合在一起。该流程基于计算、容易实现、直观合理。根据我国金融市场数据进行的实证研究结果表明,这一流程具有较好的实用性。     

基于标度理论的股指时间序列相似性分析

股指时间序列的相似性分析是当前金融学研究的热点之一。为了提高股指时间序列相似性分析的准确度,从标度不变性、多重分形及波动聚集性三个层面定义了标度理论的度量指标,并基于此对股指序列进行表示。将分割后的每一序列子区间看作时间点,则分割、表示后的不同股指序列构成一个多指标的面板数据。基于面板数据特征及指标相对重要性,提出了一种新型的多指标面板数据相似性度量函数——复合距离函数,用以度量股指时间序列的相似性。聚类结果表明,相较于其他两种方法,基于标度理论和复合距离函数的相似性度量方法能够显著提高相似性度量的准确度,同时具有较强的稳健性。     

Scale space multiresolution correlation analysis for time series data

We propose a new scale space method for the discovery of structure in the correlation between two time series. The method considers the possibility that correlation may not be constant in time and that it might have different features when viewed at different time scales. The time series are first decomposed into additive components corresponding to their features in different time scales. Temporal changes in correlation between pairs of such components are then explored by using weighted correlation within a sliding time window of varying length. Bayesian, sampling-based inference is used to establish the credibility of the correlation structures thus found and the results of analyses are summarized in scale space feature maps. The performance of the method is demonstrated using one artificial and two real data sets. The results underline the usefulness of the scale space approach when the correlation between the time series exhibit time-varying structure in different scales.     

Wavelets and Optical Flow Motion Estimation

This article describes the implementation of a simple wavelet-based optical-flow motion estimator dedicated to continuous motions such as fluid flows. The wavelet representation of the unknown velocity field is considered. This scale-space representation, associated to a simple gradient-based optimization algorithm, sets up a well-defined multiresolution framework for the optical flow estimation. Moreover, a very simple closure mechanism, approaching locally the solution by high-order polynomials is provided by truncating the wavelet basis at fine scales. Accuracy and efficiency of the proposed method are evaluated on image sequences of turbulent fluid flows.