基于ARCH模型的中国股市羊群行为实证分析

羊群行为理论一直是金融学领域研究的热点问题之一.以上证180指数和深证100指数成分股为研究对象,运用ARCH模型对2006年至2011年中国股市进行实证分析.研究表明:羊群行为在近期中国股市剧烈震荡过程中依然显著存在.深圳证券市场比上海证券市场羊群行为更加严重、股票上涨阶段的羊群行为比下跌阶段更为显著.     

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.     

经济政策不确定性与我国股市的波动率预测

经济政策的不确定性对金融市场的价格波动具有重要影响.通过建立一系列已实现极差波动率异质自回归模型族,运用滚动时间窗的样本外预测方法,分析了我国经济政策不确定性对沪深300指数波动率的预测作用.一方面,模型信度集合检验结果表明,我国的经济政策不确定性指数能显著提高对股市波动率的预测能力;另一方面,基于经济价值评价法的检验结果也表明,在不同长度的预测区间上(1、5、10和20天),加入中国经济政策不确定性指数的波动率模型比未加入该指标的其他模型获得了显著更高的投资组合经济价值,且这种提升效果在不同的投资者风险厌恶水平下具有稳健性.     

基于真实波动率和高斯估计的随机波动率模型研究

在随机波动率模型中,由于波动率是不可观测,因此相应的参数估计和统计推断比较困难.将应用真实波动率近似估计积分波动率,进一步基于高斯估计方法给出非线性扩散模型的线性估计,而后再给出随机波动率模型精确的极大似然估计方法.最后,采用上证综合指数和深证成份指数对一系列随机波动率模型进行实证的研究.实证结果表明,均方根模型(Heston模型)较好地描述上证综合指数动态行为,而对于深证成份指数的描述在统计意义上没有显著地解释力.     

随机波动率模型下的单位根检验及对我国股市的实证研究

判断股市收益率波动的持续性问题通常归结为检验波动过程中是否存在着单位根。针对传统的单位根检验方法功效偏低,且检验的真实显著性水平容易失真的问题,本文采用随机波动率模型并利用改进的PP检验、KPSS检验,以及SIMEX检验方法对中国上证综合指数进行了实证研究.三种检验方法的结果都表明,股权分置改革后的上证综指收益率波动过程有单位根,波动呈现出很强的持续性.     

基于MRS-GARCH模型的中国股市波动率估计与预测

基于误差项服从正态分布、t分布、广义误差分布的GARCH族模型和MRS-GARCH模型对中国股市波动的结构变化特征进行了实证研究。结果表明,中国股市存在显著的高、低波动状态,两种波动状态的ARCH和GARCH项系数存在较大差异;高、低波动状态均具有较长的持续时间,低波动状态的持续时间长于高波动状态的持续时间,且中国股市更易于从高波动状态转向低波动状态;MRS-GARCH模型预测效果总体上优于GARCH族模型,基于正态分布的MRS-GARCH模型短期预测效果较好。     

极端波动、跳跃和尾部风险——基于已实现波动率的股票市场风险动态预测

本文基于跳跃扩散波动理论,利用非参数方法估计波动中跳跃成份,研究我国股市波动中跳跃的动态演变特征,将跳跃作为股市波动的重要因素纳入模型,建立我国股指收益率的非齐次自回归已实现波动率模型,利用条件极值方法对我国股市的波动风险进行动态预测.统计结果表明:在股市大波动时期跳跃发生更为频繁,而且和连续成份相比较,跳跃对股指波动的贡献占据主要地位。和传统的EGARCH模型相比,包含跳跃的已实现波动率模型对股指波动风险预测性能明显优于EGARCH模型风险预测,跳跃对股指波动风险预测具有显著的解释力.对股市历史数据的分析和预测表明,跳跃对于股指日收益率尾部行为具有重要的影响,大跳跃的发生导致尾部风险显著增大。本文研究结果对于政府监管部门监控股市和制定有效的调控措施加强股市风险管理具有重要的参考价值。     

中国A股市场收益波动的非对称性研究

本文运用ARMA—EGARCH及ARMA-TARCH模型,以1993年1月以来沪深两市的A股指数的日收益为研究样本,检验中国股票市场是否存在波动的非对称性,结果表明:无论是上证还是深证A股市场,收益率波动的非对称性都表现出阶段性特征,股市发展早期,市场表现为反向的非对称性或非对称不明显,随着时间的发展,股市收益的波动则存在非对称性,且表现为杠杆效应。     

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。     

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。     

上海股票市场和国际主要股票市场之间波动溢出效应的实证研究

使用BEKK—二元GARCH(1,1)模型,对于我国股票市场和国际主要股票市场之间的波动溢出效应进行了实证研究.分析结果表明,上证综指和标准普尔500指数、日经225指数之间存在单向波动溢出效应,而上证综指和香港恒生指数之间存在双向波动溢出效应,上证综指和新加坡海峡时报指数之间不存在波动溢出效应.     

ARCH类模型研究及其在沪市A股中的应用

本文主要介绍ARCH(AutoregressiveConditionalHeteroskedasticity)模型、GARCH模型和E GARCH模型 ,分析这些模型的特点和适用范围 ,并在模型中引入t分布取代正态分布假设 ,最后利用这些模型对上证指数进行了实证分析。     

中国股票市场波动特性的实证研究

本文以上证综指和深成分指数的日收益率为研究对象 ,应用 GARCH、TARCH模型理论 ,进一步分析了日收益率波动的条件异方差性、非对称性 ,同时比较了两个股票市场的不同波动特征     

对我国股票市场股指波动特性的实证分析

本文以上证综指和深成分指数的最新日收益率为研究对象,应用GARCH、TARCH模型理论,进一步分析了日收益率波动的条件异方差性、非对称性,同时比较了两个股票市场的不同波动特征。     

中国股票市场风险的实证分析研究

本文从实证角度说明了上证指数和深证成份指数存在着GARCH现象 ,并建立了沪、深两市股指波动率的IGARCH(1,1) M模型与EGARCH(1,1) M模型。将估计的IGARCH(1,1) M模型与EGARCH(1,1) M模型比较得出 ,对上证指数的波动率 ,IGARCH(1,1) M模型与EGARCH(1,1) M模型的模拟效果基本相同 ,而对深证成份指数的波动率 ,IGARCH M模型要略优于EGARCH M模型。同时还对两市的股指收益的波动率进行了预测分析     

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。     

深证成指周收益率波动性的实证研究

利用GARCH模型,对深圳成分指数的周收益率波动性进行了实证研究。以深证成指周收盘数据建立了GARCH模型,利用估计出的GARCH模型得到深证成指周收益率序列的条件方差的估计值,预测出深证成指周收益率序列未来若干期的条件方差。结果表明,深证成指周收益率序列的波动性可以用GARCH模型进行很好的拟合。     

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.