基于线性样条的门限随机波动率模型及其实证研究

为了刻画金融领域中资产收益的条件均值和波动率的双重非对称性特征,本文基于线性样条的方法提出一种新的门限随机波动率模型(LPTSV),它可以根据到达市场消息的大小和方向来同时描述这两种非对称性情况,可以很好地对资产收益及其波动率进行建模。利用R2WinBUGS软件包对LPTSV模型进行了贝叶斯参数估计。模拟实验说明贝叶斯分析在LPTSV模型的参数估计方面是有效的。最后利用LPTSV模型为上证综合指数和深证成份指数日收益率数据进行了实证分析。描述性统计分析和参数估计的结果均表明:利用LPTSV模型对以上两组数据进行建模是合理的。本文为资产收益和波动率之间的实证关系研究提供了一定的启示。     

基于MCMC模拟的贝叶斯厚尾金融随机波动模型分析

针对现有金融时间序列模型建模方法难以刻画模型参数的渐变性问题,利用贝叶斯分析方法构建贝叶斯厚尾SV模型。首先对反映波动性特征的厚尾金融随机波动模型(SV-T)进行贝叶斯分析,构造了基于Gibbs抽样的MCMC数值计算过程进行仿真分析,并利用DIC准则对SV-N模型和SV-T模型进行优劣比较。研究结果表明:在模拟我国股市的波动性方面,SV-T模型比SV-N模型更优,更能反应我国股市的尖峰厚尾的特性,并且证明了我国股市具有很强的波动持续性。     

基于MCMC的SV模型分钟高频股指波动率研究

利用沪深300股指2018年11月5日-2018年11月12日1分钟数据,基于马尔可夫蒙特卡罗(MCMC)模拟的贝叶斯方法,采用随机波动模型(SV)对我国股市分钟高频数据波动性进行了实证研究,并利用DIC准则进行模型拟合比较.结果表明,沪深300股指收益率序列具有尖峰,厚尾,聚集性等特征,且随机波动模型对于1分钟高频数据的拟合效果优于5分钟数据,标准随机波动模(SV-N)更适合1分钟高频数据.     

随机波动率模型下的VIX期权定价

本文主要有两部分:第1部分找到一个拟合VIX指数能力较优的随机波动率模型;第2部分是在较优模型下讨论VIX指数期权定价问题.其中第1部分首先利用非参数方法估计随机波动率模型的漂移项和扩散项,然后在此基础上对七个经典随机波动率模型进行拟合和比较.第2部分在较优模型基础上加上跳跃,讨论期权定价的PDE和解析解.     

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。     

半参数门限广义非对称随机波动模型研究

为了能够同时刻画和描述金融资产收益序列的偏态、厚尾以及序列的门限效应、非对称杠杆效应等特性,提出把门限广义非对称随机波动模型与非参数Dirichlet过程混合模型有机结合,构建了半参数门限广义非对称随机波动模型,并对模型进行了贝叶斯分析.实证研究中,利用上海黄金价格收益率序列数据进行建模分析,结果表明:半参数门限广义非对称随机波动模型能够有效地刻画上海黄金价格收益率序列波动率的动态特征.     

中国股市量价关系分析中的后验分布构造与模拟

研究中国股票市场中的两个重要指标:股票价格与交易量,随机波动模型具有长期波动性预测能力,只是由于参数估计的困难而没有受到重视.随着马尔可夫链蒙特卡罗(MCMC)方法和计算机计算能力的提高,这种困难是可以克服的.采用基于马尔可夫链蒙特卡罗(MCMC)模拟技术的贝叶斯估计方法,在基于引入预期交易量和非预期交易量的随机波动模型下,对模型参数进行后验分布的构造,并以2005年1月-2012年5月的上证综合指数的每日收盘指数及相应的日成交量序列为样本,通过实证仿真得到参数结果值.结果表明,非预期交易量对股市价格的影响要大于预期交易量.     

基于贝叶斯时序模型的甘肃省人均GDP预测

本文应用Eviews软件对甘肃省1953-2010年人均GDP数据建立时序模型,利用模型的先验信息给出两种先验分布下的贝叶斯模型与算法,并依次计算出2011-2015年的甘肃省人均GDP的预测值,结果显示,两种贝叶斯模型的拟合效果都优于传统模型。与经典时序模型相比,贝叶斯时间序列模型能充分利用样本信息和参数的先验信息,因而具有更小的平方误差,估计参数更科学。文章最后运用稳健先验的贝叶斯模型对甘肃省"十三五"时期人均GDP进行了预测。     

基于贝叶斯滤波的股指动态结构特征研究

针对股指波动所具有的动态结构信息特征,在状态空间建模理论的框架下,将服从Markov过程的潜在波动状态变量引入状态方程,同时在观测方程中考虑极值点的影响,构造出一类非高斯Markov随机波动状态空间模型。针对传统的MCMC方法对该类模型估计时效率低下的缺陷,设计了基于序贯Monte Carlo方法的贝叶斯滤波算法进行仿真分析,并且从算法效率和准确性方面对两种方法进行了比较。通过对沪深300股指波动的实证研究表明:对于一类非线性非高斯状态空间模型,贝叶斯滤波算法在保证估计精度的同时较MCMC方法更加有效率,能够有效刻画股指波动的动态结构特征。     

考虑微观结构噪声与跳跃影响的波动建模

现有的金融高频数据研究,并未充分考虑微观结构噪声对波动建模和预测的影响.以非参数化方法为理论框架,基于高频数据,采用适当方法分离出波动中的微观结构噪声成份,构建了新的跳跃方差和连续样本路径方差,将已实现波动分解为连续样本路径方差、跳跃方差和微观结构噪声方差.同时考虑微观结构噪声和跳跃对波动的影响,对HAR-RV-CJ模型进行改进,提出了HAR-RV-N-CJ模型和LHAR-RV-N-CJ模型.通过上证综指高频数据进行实证,结果表明新模型在模型拟合和预测方面均优于HAR-RV-CJ模型.