首页 | 本学科首页   官方微博 | 高级检索  
文章检索
  按 检索   检索词:      
出版年份:   被引次数:   他引次数: 提示:输入*表示无穷大
  收费全文   8篇
  数学   8篇
  2012年   2篇
  2011年   1篇
  2008年   1篇
  2007年   2篇
  2004年   1篇
  2002年   1篇
排序方式: 共有8条查询结果,搜索用时 25 毫秒
1
1.
基于ICA-SV模型的金融市场协同波动溢出分析及实证研究   总被引:2,自引:0,他引:2  
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.  相似文献
2.
上海股市波动的预测方式和模型   总被引:1,自引:1,他引:0  
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 .  相似文献
3.
基于GARCH类模型和SV类模型的沪深两市波动性研究   总被引:1,自引:0,他引:1  
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.  相似文献
4.
基于MCMC模拟的贝叶斯厚尾金融随机波动模型分析   总被引:1,自引:0,他引:1  
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。  相似文献
5.
田剑波  郑琳 《经济数学》2002,19(3):24-31
1973年 Black- Scholes公式的出现极大推动衍生证券的发展 ,该公式的不足是假设影响标的资产价格波动的扩散系数为常数 ;80年代后期的 SV模型是针对该问题的离散统计模型。本文在两者的基础上讨论SV模型和 Black- Scholes公式结合。在讨论一般化衍生证券定价的基础上 ,通过 SV模型的连续化 ,构造一个2维随机微分方程 ,最后讨论了一种可以接受的数值计算方法  相似文献
6.
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.  相似文献
7.
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.  相似文献
8.
钱夕元  张超 《经济数学》2012,29(4):47-55
针对EVaR(Expectile-based Value at Risk)风险度量提出了基于GARCH类和SV波动率模型的EVaR风险度量计算方法,即EVaR计算的参数模型方法.并基于模拟学生t分布时间序列数据,给出EVaR样本外预测的失败率检验方法:Kupiec失败率检验和动态分位数(DQ)检验法.与采用CARE(Conditional Autoregressive Expectile)模型的EVaR计算方法进行了对比研究,结果表明基于GARCH类模型和SV模型相对于基于CARE模型有更优的EVaR预测效果.选取2004年1月5日到2009年12月30日的国内外五个股票市场指数数据,针对日对数收益率进行了EVaR风险度量的实证研究,得出在金融危机期间,基于参数模型的EVaR预测要比基于CARE模型的EVaR预测更接近市场实际风险.  相似文献
1
设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号