基于GARCH类模型和SV类模型的沪深两市波动性研究

以CSMAR数据库2007年2月27日至2008年5月14日共297个交易日的上证综指和深证综指的收盘价数据为研究对象,通过比较5类GARCH模型和两类SV模型对上证综指和深证综指样本内(2007年2月27日至2008年2月27日)收益率波动特征的描述能力以及样本外(2008年2月28日至2008年5月14日)收益率波动的预测能力,得出GARCH类模型相比SV类模型更适合描述中国证券市场的波动性.     

有效矩估计在中国股票市场的应用研究

对期权定价模型的一类拓展模型-随机波动率(SV)模型,由于模型中存在不可观测的随机波动因素,并且其精确似然函数很难得到,于是提出了一种基于标的资产价格历史数据的有效矩估计(EMM)方法,此方法是把观测数据映射到简化的辅助模型GARCH(1,1)上,并计算辅助模型得分用以建立矩条件,实现SV模型参数的有效估计.利用这一方法对中国股市进行了波动分析,得出了较好的结果.     

基于非参数GARCH模型的中国股市波动性预测

本文采用上证综合指数和深证成份指数1997年1月2日—2005年6月30日的每日收盘价对数百分收益率为样本,运用非参数GARCH(1,1)模型研究了中国股票市场的波动性,并与参数GARCH(1,1)模型的估计结果进行了比较,最后利用六种预测误差度量指标比较了这两种模型的样本内及样本外预测能力,结果发现,非参数GARCH(1,1)模型对股市波动性的预测精度有明显提高。     

GARCH模型对期铜市场风险的研究

期货市场是一个高风险的市场,因此需要有效地控制并且监管风险。本文以上海期铜市场97年到04年的收盘价格为研究样本,通过拉格朗日检验,发现价格收益率序列服从ARCH过程,在正态、student-t和GED三种分布假设下,估计了GARCH(1,1)模型的参数,结果表明student-t假设下模型的拟和程度较好,然后利用EGARCH(1,1)-M模型检验了上海期铜市场杠杆效应和波动集群效应。最后在两种置信水平下,利用GARCH(1,1)和Risk Metrics方法计算了期铜市场每天的VaR,Kupiec检验表明基于t分布的GARCH(1,1)模型能更准确地反映上海期铜市场的风险。     

相依样本下半参数变系数期望分位数风险度量模型统计推断

本文在α-混合序列假设下,基于半参数变系数模型研究条件期望分位数风险价值(expectile-based value at risk, EVaR)的风险度量.此模型不仅考虑了风险因素的影响,还可以动态描述风险影响及交互效应.同时, EVaR比经典的风险在险价值(quantile-based value at risk, QVaR)具有更直观、更易于计算的良好性质,而且对于资产分布的尾部损失更加敏感,在度量极端风险情形下,相对于QVaR更为有效和方便.本文采用三阶段估计的方法,分别对变系数部分和常系数部分的参数进行估计,并且给出3个阶段中每个估计的相合性和渐近正态性.为了节省计算时间,提高计算效率,本文采用一步估计的算法,减少迭代所需的时间.由于时间序列样本是非独立样本,建立这些统计量的大样本性质时带来了更大的困难.有别于独立同分布的观察数据,本文利用大小块分割方法发展α-混合序列的极限理论,获得了基于金融时间序列数据建立的模型参数和非参数估计的统计渐近性质.在数值模拟中,本文给出3个模型假设下变系数曲线估计和常系数估计的结果,无论是估计的精确度还是估计的稳健性,模拟结果都表明本文所提出的估计方法有优良的性质.实例则展示了本文所提出模型在上证指数的实际应用.     

基于GAS模型的动态VaR预测效果分析

GAS模型是一种基于观测的动态模型,理论简单且应用灵活,可以直接估计VaR.将GAS模型和GARCH类模型应用于不同条件下生成的模拟数据和三个时间段的沪深300指数的日对数收益率数据,并比较模型关于VaR的预测效果。结果表明:在对称的条件分布下,GAS模型容易高估风险且不稳健,其表现不如GARCH类模型;但在条件分布为有偏的时,GAS模型与GARCH类模型的表现相当,部分情况下会优于GARCH类模型,尤其在实证分析中关于序列2和序列3的VaR的估计,GAS模型的预测效果较好。因此,实际应用中,对于具有较明显偏态分布或尖峰分布的数据可以考虑使用GAS模型预测动态VaR.     

上海股市波动的预测方式和模型

探讨基于 SV类模型的上海股市波动的预测方式和模型问题 .比较了 SV( stochastic volatility)类模型 (包括基本 SV模型和 ASV模型 )在两种不同方式下的预测效果 ,并将基本 SV类模型的预测效果与 ASV模型 ,以及其他常用模型做了比较 .结果表明 :SV类模型在两种预测方式下的预测效果存在一定的差异 ;基本 SV模型对于上海股市具有较强的预测能力 ;ASV模型的预测效果不理想 .     

基于MCMC方法的金融贝叶斯半参数随机波动模型研究

现有随机波动(SV)模型依赖于参数条件分布形式假设,无法充分描述金融资产收益的偏态厚尾等典型特点,而非参数分布能够更全面地刻画这些特性。本文将SV模型和非参数分布相结合,构建一类半参数SV模型;同时在贝叶斯框架内,发展有效MCMC抽样解决模型的参数估计难问题,并利用对数预测尾部得分(LPTS)法分析模型的极端风险预测能力;最后以我国美元/人民币汇率市场为例,对半参数SV模型在收益特性刻画以及极端风险预测方面的实际效果进行了检验。     

基于GARCH模型的期望损失ES非参数核估计

风险度量ES最新的非参数估计方法,不依赖于分布假设,但不能动态反应金融时间序列的风险.针对金融时间序列的波动,结合GARCH模型进行期望损失ES的非参数核估计,得到随市场波动而动态变化的ES预测.通过数值模拟和对近两年的上证指数实证分析验证了该方法能准确而有效的反映市场风险.     

波动率风险溢价:基于香港权证市场的实证

波动率风险溢价包含了关于投资者风险厌恶的重要信息,它的估计是金融计量学文献关注的一个核心问题。本文基于香港权证市场数据和GARCH扩散随机波动率(SV)模型,对香港证券市场的波动率风险溢价进行了估计研究。采用香港恒生指数和指数权证数据,通过建立基于有效重要性抽样的极大似然(EIS-ML)方法联合估计了GARCH扩散模型的客观与风险中性测度,进而得到了香港证券市场的波动率风险溢价。研究结果发现,在香港证券市场上,市场投资者对波动率风险进行了定价,即存在波动率风险溢价,且波动率风险溢价在绝大多数情形下为正,说明市场投资者总体表现为风险爱好。     

基于ICA-SV模型的金融市场协同波动溢出分析及实证研究

对于动态投资组合与风险管理来说,测定波动溢出效应是非常重要的.已有的文献证明SV模型比GARCH模型能够更好地刻画金融市场的波动,使用SV模型研究两个金融市场间波动溢出的文献并不多见,而使用SV模型研究多个金融市场对一个金融市场协同波动溢出的文献则更为少见.本文以独立成分表示金融市场波动的协同指标,提出了独立成分SV模型(ICA-SV),并研究了多个金融市场对一个金融市场的协同波动溢出,实证结果验证了ICA-SV模型在分析金融市场协同波动溢出是可行的.     

Simulated likelihood inference for stochastic volatility models using continuous particle filtering

Discrete-time stochastic volatility (SV) models have generated a considerable literature in financial econometrics. However, carrying out inference for these models is a difficult task and often relies on carefully customized Markov chain Monte Carlo techniques. Our contribution here is twofold. First, we propose a new SV model, namely SV–GARCH, which bridges the gap between SV and GARCH models: it has the attractive feature of inheriting unconditional properties similar to the standard GARCH model but being conditionally heavier tailed. Second, we propose a likelihood-based inference technique for a large class of SV models relying on the recently introduced continuous particle filter. The approach is robust and simple to implement. The technique is applied to daily returns data for S&P 500 and Dow Jones stock price indices for various spans.     

基于三类模型的四大银行股票收益率预测研究

运用时间序列分析的预测方法,对四大银行的股票日对数收益率序列进行拟合与预测分析,分别构建ARMA模型、GARCH模型以及ARMA-GARCH组合模型,通过模型比较,实证分析表明:在拟合效果上,ARMA-GARCH模型的拟合优度优于ARMA模型和GARCH模型;在预测效果上,ARMA模型的预测效果最优,ARMA-GARCH模型次之.     

Nonparametric conditional autoregressive expectile model via neural network with applications to estimating financial risk

The parametric conditional autoregressive expectiles (CARE) models have been developed to estimate expectiles, which can be used to assess value at risk and expected shortfall. The challenge lies in parametric CARE modeling is the specification of a parametric form. To avoid any model misspecification, we propose a nonparametric CARE model via neural network. The nonparametric CARE model can be estimated by a classical gradient based nonlinear optimization algorithm, and the consistency of nonparametric conditional expectile estimators is established. We then apply the nonparametric CARE model to estimating value at risk and expected shortfall of six stock indices. Empirical results for the new model is competitive with those classical models and parametric CARE models. Copyright © 2016 John Wiley & Sons, Ltd.     

基于时变Copula模型的 基金收益率相依关系的应用研究

基于时变Copula模型,获得预测方差,确定单个基金收益率序列的边缘分布.利用常见的静态Copula和时变Copula模型对基金收益率序列间两两相依关系进行建模并进行对比分析.应用研究表明,基于MCMC方法的时变Copula模型能更有效地度量基金收益率序列的风险.     

极值理论在风险度量中的应用--基于上证180指数

精确度量风险是金融风险管理的关键问题。本引入广义帕雷托分布代替传统的正态分布等，精确描述金融收益的厚尾特征。并将基于广义帕雷托分布的VaR模型和其它模型方法，如GARCH(1，1)、GARCH(1，1)-t、历史模拟法、方差-协方差方法，进行比较分析。实证研究表明，基于广义帕雷托分布的VaR模型比传统的模型方法更适合厚尾分布高分位点的预测，并且其预测结果比较稳定。这使得基于广义帕雷托分布的VaR模型成为VaR度量方法中最稳健的方法之一。     

基于价格极差的GARCH模型

本文利用资产价格的极差序列,基于常规GARCH模型的框架,构造了一类关于波动率的新模型,即GARCH-R模型以及能够表达波动率变化非对称性特性的AGARCH-R模型。利用上证综合指数日收益率及相应的高频数据,通过比较不同模型对波动率以及VAR的预测效果,揭示了这种包含了极差信息的新的模型比传统的GARCH类模型的预测效果具有显著的优势。     

股票收益率和新息的尾部估计

利用极值理论来考虑上证综指收益率的尾部.为了选择合理的超越门限,采用平均剩余函数和De-Haan矩估计相结合的方法.在学生t分布和广义误差分布的新患假设下,用GARCH和EGARCH新息的ARMA模型拟合指数收益率,并且使用极值理论的极大似然方法估计模型残差的尾指,估计结果表明收益率的尾指和模型的残差尾指基本一致.