基于损失函数的GARCH类模型波动率预测评价

本文的目的是通过利用多种损失函数评估三种GARCH模型的预测精度，找到最优的股指期货日内波动率研究预测模型。利用之前的研究结果，三个沪深300股指期货日内一分钟日内收益率被用作研究对象，对标准GARCH,eGARCH以及RealGARCH三个模型做了实证检验，并利用多种损失函数，从不同角度衡量三个波动率模型的预测精度。研究发现：Sample1样本的RealGARCH模型有最好的预测效果，而Sample2样本与Sample6样本的eGARCH模型有最好的预测精度。因此，在对沪深300股指期货日内波动率研究时，应根据其样本特征，优先选择具有能够反映非对称特征的波动率模型来刻画波动过程，对未来波动率做预测。     

VaR最小化的股指期货套期保值比率研究

以VaR最小化为目标,结合波动率预测建立套期保值模型,充分反应了金融收益率尖峰厚尾和波动聚集的特征。通过对沪深300股指期货的日结算数据实证研究发现,在现货组合与股指期货高相关性的条件下,VaR最小化套期保值较最小方差套期保值能进一步降低组合样本外收益率的VaR值,EWMA与Cornish-Fisher展开相结合的方法能取得最好的VaR最小化套期保值效果。     

不同矩属性波动模型对中国股市波动率的预测精度分析

金融时间序列的波动性建模经历了从一阶矩到二阶矩直到高阶矩(包含三阶矩和四阶矩)的过程,而对于高阶矩波动模型是否有助于对未来市场的波动率预测这一问题,国内外学术界尚无文献讨论。以上证综指长达7年的每5分钟高频数据样本为例,通过构建具有不同矩属性的波动模型,计算了中国股票市场波动率的预测值,并利用具有bootstrap特性的SPA检验法,实证检验了不同矩属性波动模型的波动率预测精度差异。实证结果显示:就中国股市而言,四阶矩波动模型能够取得比二阶矩波动模型更优的波动率预测精度,而三阶矩波动模型并未表现出比二阶矩波动模型更强的预测能力;在高阶矩波动模型中包含杠杆效应项并不能提高模型的预测精度。最后提出了在金融风险管理、衍生产品定价等领域引入四阶矩波动模型的研究思路。     

预测组合权重更新的过程控制及分析

源于与决策分析的相关性,预测组合已经逐渐形成了一个重要的研究领域。为此,本文引进EWMA技术对预测组合权重更新的过程进行控制,从而提出一种能够应用于实际且简单有效的EWMA赋权方法。这种赋权方法能够确定预测组合权重应该何时更新,而不是机械地更新预测组合权重。本文额外针对各种赋权方法在旅游预测组合模型中的预测性能(全面预测性能和总均方根误差)和预测效率(权重更新频率)进行了经验评估。结果显示:EWMA赋权方法的预测性能优于传统的赋权方法,并与CUSUM赋权方法相似,同时该赋权方法获得了最小的权重更新频率。综合考虑预测性能和预测效率,EWMA赋权方法相比于其他赋权方法在旅游实际应用过程中更具优势。     

探索加密货币波动率预测中的模型不确定性问题:log转换、时区采样以及模型设定

文章全面地比较了一系列模型在预测加密货币波动率时的表现.结果发现,粗糙波动率模型在预测多期样本外的波动率时表现更加稳健和可靠,而异质自回归(HAR)模型相对较弱,但经过log转换后的HAR模型在预测上则表现更优.此外,考虑到加密货币的特点,选取合适的时区划分依据也非常重要,因为不同的时区可能对加密货币市场的波动率产生影响.研究还引入了最小二乘模型平均法来应对波动率建模中的模型不确定性.结果表明,模型平均方法在加密货币市场波动率预测中相比其他方法具有优越性,能够平衡不同模型之间的优缺点,提高预测的可信度和稳定性,对于预测市场的波动性是非常有效的.文章研究指出,在选择合适的波动率模型时需要综合考虑加密货币波动率的特性和历史表现,并且在应用模型时需要注意其在不同数据集和预测目标下的表现,避免盲目使用导致预测效果的不确定性.     

基于数据分解集成和高频数据建模的汇率波动率预测

汇率波动率是刻画外汇金融资产收益变化程度的指标，也是度量外汇风险的方法之一，汇率波动对经济与金融系统都有重要的影响。由于非平稳和非线性的特征，准确预测汇率波动率一直是金融研究的重点和难点。为了提高预测汇率波动率的准确性，本文采用基于人民币汇率高频数据计算的已实现波动率和机器学习方法，对数据进行分解集成和建模，提出了一种有效的多尺度EEMD-PSR-SVR-ARIMA预测模型。具体过程如下：首先，采用集合经验模态分解(EEMD)的方法将复杂的时间序列分解成不同尺度的本征模态函数和趋势项；然后采用支持向量回归(SVR)的方法对本征模态函数进行预测，并利用相空间重构和粒子群优化的方法来确定SVR模型的输入维数与参数。同时，使用差分自回归移动平均模型(ARIMA)预测趋势项；最后集成得到模型预测的结果。实证结果表明EEMD-PSR-SVR-ARIMA模型可以有效地提高汇率波动率预测的精度。     

基于非对称双成份CARR模型的波动率预测

研究表明,基于日内(高低价)数据构建的价格极差测度相比日度收益率包含更多关于真实波动率的信息,同时,波动率具有聚集性、非对称性和长记忆性等丰富、复杂的典型特征,综合考虑这些特征对波动率进行建模与预测非常重要。本文在对价格极差建模的CARR模型的基础上,对其进行扩展,构建了双成份CARR (CCARR)模型来对波动率进行预测。该模型假设价格极差的条件均值由两个成份组成,即长期成份与短期成份.该模型能够捕获波动率长记忆性,且容易进一步扩展为非对称CCARR (ACCARR)模型来捕获杠杆效应(波动率非对称性)。(A)CCARR模型具有较高的建模灵活性,且易于实现。采用上证综合指数、香港恒生指数、日本Nikkei225指数、法国CAC40指数和德国DAX指数数据进行实证分析,以价格极差与已实现波动率(RV)作为比较基准,四种预测评价指标及Mincer-Zarnowitz检验结果表明:杠杆效应与双成份极差(波动率)都对样本外波动率预测具有重要影响,且杠杆效应相比双成份极差对于样本外波动率预测的影响更大;考虑了杠杆效应的双成份ACCARR模型具有最好的样本外波动率预测效果,其次是ACARR模型,CARR模型表现最差。     

上证综指的已实现波动率预测模型

采用上证综指2000-2008年的高频数据,在考察了中国股市已实现波动率的特征(即具有长记忆性、结构突变、不对称性和周内效应的特征并且结构突变只能部分解释已实现波动率的长记忆性)的基础上,构建了一个自适应的不对称性HAR-D-FIGARCH模型,并用于波动率的预测。模型的估计结果表明,与其他HAR模型相比,该模型对样本内数据的拟合效果最好。最后,通过SPA检验实证评价和比较了该模型与其他5种已实现波动率预测模型的样本外预测精度。结果发现,在各种损失函数下,该模型是预测中国股市已实现波动率精度最高的模型。     

基于带隐含波动率的混频条件自回归极差模型的股市波动率预测研究

极值理论表明价格极差是波动率的一个有效的估计量。同时,众多研究表明,基于期权价格的隐含波动率包含了市场前瞻性的信息。本文在经典的基于极差的条件自回归极差(CARR)模型基础上,充分考虑价格极差的长期动态性以及期权隐含波动率包含的信息,构建了带隐含波动率的混频CARR (CARR-MIDAS-IV)模型对极差波动率进行建模和预测。CARR-MIDAS-IV模型通过引入MIDAS结构能够捕获条件极差的长期趋势过程(长期记忆特征)。而且,CARRMIDAS-IV模型同时考虑了极值信息以及隐含波动率包含的关于未来波动率的信息(前瞻信息)对波动率建模和预测。采用恒生指数和标普500指数及其隐含波动率数据进行的实证研究表明,充分考虑条件极差的长记忆性(MIDAS结构)以及隐含波动率包含的信息对于极差波动率建模和预测具有重要作用。总体而言,本文构建的CARR-MIDAS-IV模型相比其他许多竞争模型具有更为优越的数据拟合效果以及波动率预测能力。特别地,CARR-MIDAS-IV模型对于中、高波动期波动率的预测具有较强的稳健性。     

基于ARMA-GARCH-SN模型的沪深300股指期货日内波动率研究与预测

运用五个交易日的股指期货高频数据(每秒两笔),本文主要研究了沪深300股指期货日内波动率特征并对日内波动率预测。研究发现高频股指期货日内收益率有明显的波动率聚集和条件异方差现象,但无尖峰厚尾现象,收益率序列分布符合有偏正态分布。因此,我们对时间序列建立了最优的ARMA-GARCH-SN模型,并对模型拟合充分性做了验证,拟合结果发现ARMA(1,2)-GARCH(1,1)-SN模型基本能够刻画股指期货高频日内波动特征,条件方差所受的冲击具有很强的持续性、日内波动也具有长记忆性,最后我们还利用自助法对高频股指期货日内波动率两步预测、利用滚动回归预测方法对样本做了样本内预测。预测结果表明,波动率预测结果能够较好地反映股指期货日内波动特征。     

基于GED—GARCH模型的中国原油价格波动特征研究

本文采用中国大庆原油价格日平均交易数据,建立了基于GED分布的GARCH(1,1)、GARCH-M(1,1)和TGARCH(1,1)三个模型,描述了中国原油价格与国际接轨以来的波动特征。实证结果表明,与国际油价类似,中国原油价格的波动也存在显著的GARCH效应,但其波动冲击的半衰期要比国际油价短,为5天。而且,中国原油收益率受到预期风险的负向影响,表明中国原油市场并非完全市场化运作,当然这种负向影响程度较小,约为8%。另外,中国原油价格的波动存在显著的杠杆效应,相同幅度的油价下跌比油价上涨对未来油价的波动具有更大的影响,前者是后者的1.7倍左右。最后,基于GED分布的GARCH模型比基于正态分布的GARCH模型能够更好地描述中国原油价格的波动特征,并且具有较好的预测能力。     

基于跳跃、好坏波动率和马尔科夫状态转换的高频波动率模型预测

基于跳跃、好坏波动率的视角,采用比ABD检测更稳健的ADS检测法进行甄别跳跃,提出HAR改进模型,进一步考虑到实际波动率的非线性和高持续性动态,文章引入马尔科夫状态转换机制以构建对应的MRS-HAR族模型,推导其参数估计方法,并运用滚动时间窗预测技术和MCS检验评估预测模型结果,并采取不同的窗口期进行稳健性检验.以上海期货交易所的黄金连续(AU0)期货合约为研究对象,实证研究表明:结合马尔科夫状态转换机制,跳跃波动在上涨行情时会抑制未来波动性;结合马尔科夫状态转换机制,好坏波动率在上涨行情时正负冲击相对平衡,而在下跌行情时好(坏)波动率抑制(加剧)未来波动性;MCS检验证实,结合马尔科夫状态转换的MRS-HAR族模型相比于HAR族模型具有更优的预测精度,进一步考虑由ADS检测修正的好坏波动率和符号跳跃能够改善波动率模型的预测能力,其中基于符号跳跃和马尔科夫状态转换的MRS-HAR-RV-SJ模型展现了最高的预测精度.     

中国股票市场行业间波动溢出非对称效应研究——基于“好的波动”和“坏的波动”分析

选取上证系列行业指数的五分钟数据, 基于广义预测误差方差分解方法构建了波动溢出指数和波动溢出非对称指数(SAM), 研究了10个行业间波动溢出的时变性和非对称性。结果表明, 股票市场各行业间波动溢出存在显著的非对称性和时变性, 多数时期“坏的波动”下的溢出效应占据主导地位。静态分析显示, 股票市场各行业间具有高的波动溢出效应, 可选消费行业是市场波动的最重要来源;动态分析显示, 原材料、工业、可选消费业是波动溢出的净输出者, 金融地产业是净输入者, 电信业务、公用事业和医药卫生等行业对利空消息的传递更为明显, 可选消费行业对利好消息的传递更为有效。纳入标普500指数前后各行业溢出贡献度的对比表明研究结论具有稳健性。     

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 .     

基于行为金融的国际原油价格波动机理分析

国际原油价格高低对我国经济平稳增长意义重大。本文从行为金融视角,在引入理性套利者和假设正反馈交易者与理性交易者数量之比是变化基础上,构建了包含四类交易者的国际原油期货市场正反馈交易模型,揭示了理性投机者操纵市场并与其他类市场参与者的交易行为导致油价波动的机理,最后用数值模拟验证了结论。结果表明:国际原油市场供求变化提供了理性投机者操纵油价的基础,但理性套利者会反方向对冲油价波动,于是,消极投资者数量成为决定油价上涨或下跌的砝码。此外,若理性投机者主导市场,其会利用正反馈交易者关于油价波动形成的正反馈效应加大对油价操纵力度,最终扩大油价波动幅度。因此,从国际原油期货市场交易者行为角度可以预测油价波动。     

Sudden changes in variance and time varying hedge ratios

This paper analyzes the influence of sudden changes in the unconditional volatility on the estimation and forecast of volatility and its impact on futures hedging strategies. We employ several multivariate GARCH models to estimate the optimal hedge ratios for the Spanish stock market including in each one some well-known patterns that may affect volatility forecasts (asymmetry and sudden changes). The main empirical results show that more complex models including sudden changes in volatility outperform the simpler models in hedging effectiveness both with in-sample and out-of-sample analysis. However, the evidence is stronger when the loss distribution tail is used as a measure for the effectiveness (Value at Risk (VaR) and Expected Shortfall (ES)) suggesting that traditional measures based on the variance of the hedged portfolio should be used with caution.     

我国股指期货与现货市场的波动溢出效应研究——基于HAR-CAW模型

沪深300股指期货与现货波动溢出问题的研究对于风险管理具有重要的理论和现实意义。本文旨在基于高频数据,利用异质金融市场驱动的HAR-CAW模型研究我国股指期货和现货市场之间及其自身的短期、中期和长期波动溢出问题。研究结果表明,沪深300股指期货与现货市场之间整体上存在着双向波动溢出效应,但是溢出效应不对称,期货对现货的溢出效应占主导地位;在相互间各期溢出研究上,两市场间的各期溢出表现各不相同;在自身溢出效应上,各期整体而言现货市场存在溢出,而期货市场不存在。     

基于平均证券价格的衍生品期权定价公式

为了更好的平滑证券价格在市场中波动的不确定性,本文建立了基于平均证券价格的证券价格模型,并在此基础上计算出了欧式看涨期权价格公式。对比传统的Black-Scholes定价公式,新模型能够更好的适应市场的波动,对期权定价方法的拓展具有重要的作用。     

Volatility forecasting via SVR–GARCH with mixture of Gaussian kernels

The support vector regression (SVR) is a supervised machine learning technique that has been successfully employed to forecast financial volatility. As the SVR is a kernel-based technique, the choice of the kernel has a great impact on its forecasting accuracy. Empirical results show that SVRs with hybrid kernels tend to beat single-kernel models in terms of forecasting accuracy. Nevertheless, no application of hybrid kernel SVR to financial volatility forecasting has been performed in previous researches. Given that the empirical evidence shows that the stock market oscillates between several possible regimes, in which the overall distribution of returns it is a mixture of normals, we attempt to find the optimal number of mixture of Gaussian kernels that improve the one-period-ahead volatility forecasting of SVR based on GARCH(1,1). The forecast performance of a mixture of one, two, three and four Gaussian kernels are evaluated on the daily returns of Nikkei and Ibovespa indexes and compared with SVR–GARCH with Morlet wavelet kernel, standard GARCH, Glosten–Jagannathan–Runkle (GJR) and nonlinear EGARCH models with normal, student-t, skew-student-t and generalized error distribution (GED) innovations by using mean absolute error (MAE), root mean squared error (RMSE) and robust Diebold–Mariano test. The results of the out-of-sample forecasts suggest that the SVR–GARCH with a mixture of Gaussian kernels can improve the volatility forecasts and capture the regime-switching behavior.