特质波动率与股票收益——基于Fama-French五因子模型的研究北大核心CSCD

股票收益与风险之间的关系一直以来都是金融学理论研究的核心问题.近年来,针对股票收益与特质风险之间的关系的研究受到了越来越多的学者的关注.在有效市场的理论下,通过构建多样化投资组合,投资者可以分散公司的特质风险,使组合收益更多的与市场风险相关.然而由于投资者之间信息不对称、市场政策差异化、资金成本不均衡等因素的影响,往往无法构建其目标组合,于是无法分散的特质风险就会在一定程度上影响股票收益.该文章以沪深A股自2000年1月4日至2015年12月31日共计3871个交易日的日收益率数据作为研究样本,通过滚动窗口分析的方法,以最新的五因子模型为切入点,研究发现了在中国股票市场中特质波动率与股票收益之间的负相关关系,并通过构建高特质风险与低特质风险股票组合进一步发现特质波动率与收益之间的负相关关系在经济意义上显著.     

基于双因子已实现GARCH模型的波动率预测研究

准确地预测金融市场的波动率对市场管理者和参与者而言都是至关重要的。本文在标准已实现GARCH模型基础上,将条件方差乘性分解为长期方差和短期方差两部分,分别构造包含杠杆函数的长期方差方程和短期方差方程,用以捕捉波动率的长记忆性和短期微观波动。运用上证综指和日经指数的日收盘价、已实现方差和已实现核波动此类高频数据进行实证分析,结果表明:与标准已实现GARCH模型相比,两指数的双因子已实现GARCH模型在样本内表现出更大的似然估计值;通过样本外误差函数分析和DM检验,双因子已实现GARCH模型也取得更好表现。     

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.     

基于结构突变的波动率分解模型

在Heston-Nandi模型的基础上提出了一种波动率分解模型,分解模型同时考虑了金融波动的长记忆性和杠杆效应.从资产收益率的无条件方差发生结构突变出发,认为收益率的无条件方差随时间变化,将波动率分解为长期影响和短期冲击两部分,其中长期影响用来刻画波动率的持续性,短期冲击刻画金融波动的短期扰动.上证综指数据实证表明上海证券综合指数收益率序列的波动性同时具有长记忆性和杠杆效应,利用模型能很好的刻画这两种性质.     

基于模糊GJR-GARCH模型的波动率估计

基于模糊数学和模糊时间序列分析理论,在模糊GARCH与GJR-GARCH模型的基础上建立模糊GJR-GARCH模型,并用遗传算法估计了该模型的参数。实证发现沪深两市的收益波动率具有明显的非对称性,相对于普通的GARCH、GJR-GARCH和模糊GARCH模型,模糊GJR-GARCH模型能更好的处理收益率的波动群聚性、时变性和非对称性,具有更好的估计精度。     

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。     

基于剩余收益模型:银行股票定价的实证分析

利用会计信息对股票价值进行评估的研究是理论界一个长期关注和重视的热点,运用剩余收益模型结合杜邦财务分析体系,对上海浦东发展银行在2005年以及2006年前三个季度的股票价值进行了估计,通过与实际市场价值的比较,发现估计的股票价值与实际市场价值存在差异,但差异不大,并分析了可能产生差异的原因,最终得出该模型对股票的价值具有一定的解释和预测能力.     

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.     

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。     

基于跳跃波动率的未定权益定价模型

讨论了具有随机波动率的未定权益定价问题,建立了两状态波动率的股票价格行为模型,在股票价格过程是连续过程、跳风险不可定价的假设下,推导出未定权益的定价公式.     

基于杠杆效应CARR模型的波动率预测

本文提出了一类新的具有杠杆效应的CARR模型,基于广义伽玛分布探讨了杠杆效应CARR模型的参数估计和波动预测。以我国上证指数的2011年6月至2014年3月的每日数据为研究对象,分别运用EARCH模型、传统CARR模型和杠杆效应CARR模型对上证指数的波动率进行拟合,并根据MAE、RMSE和MAPE三个损失函数进行了预测能力比较分析,结果表明:杠杆效应CARR模型在波动性预测方面比EARCH模型的效果更好一些。     

基于改进ICA模型的高维波动率估计

本文对IC-GARCH模型进行改进,放宽了ICA关于独立成分是IID的假设,考虑独立成分为ARMA模型的平稳过程,提出了基于自相关结构的IC-GARCH估计方法,并给出了估计量的理论性质和计算效率较高的迭代估计算法。最后,对改进方法进行了模拟和实证分析,结果表明本文提出的模型能够使多元GARCH模型应用于高维金融数据,并大大提高了金融资产收益波动率的估计精度。     

基于股票评论的投资者情绪对持有股票收益影响的研究

投资者行为易受互联网舆论的影响,进而造成股票收益的波动.分析投资者情绪对股票收益的影响方式有利于投资者规避投资风险,促进我国股票市场稳定发展.基于东方财富股吧2020年7月至2021年2月上证股票的评论数据,利用加权朴素贝叶斯分类模型构建了投资者情绪因子,并对情绪因子的构建方式进行了改进.随后将情绪因子引入中国版Fama-French三因子模型,针对单只股票和持股期为1个月的投资组合,基于线性回归、长短期记忆神经网络模型,从线性、非线性两个角度研究了投资者情绪对其持有股票收益率的影响.结果表明,投资者情绪对股票收益率具有非线性的正向影响.前一日的投资者情绪会对当日股票收益产生影响,投资者在研究期望收益率时需予以考虑.     

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.     

股票波动率模拟及对中国市场预测效果的实证研究

利用实际波动率衡量标准和损失函数评价指标对GARCH类模型的波动率进行模拟并对中国市场的预测效果进行了实证研究,得出:1)在模拟期,EGARCH模型的模拟效果相对最优;2)在预测期,没有一个模型的预测效果表现相对出色;3)以实际波动率为标准,模拟和预测效果均显得不足,预测效果更是不容乐观.     

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。     

基于随机波动率模型的上证50ETF期权定价研究

传统上,期权定价主要基于Black-Scholes (B-S)模型。但B-S模型不能描述时变波动率以及解释"波动率微笑"现象,导致期权定价存在较大的误差。随机波动率模型克服了B-S模型的这些缺陷,能够合理地刻画波动率动态性和波动率微笑。基于此,本文考虑随机波动率模型下的期权定价问题,并针对我国上证50ETF期权进行实证分析。为了解决定价模型的参数估计问题,采用上证50ETF及其期权价格数据,建立两步法对定价模型的参数进行估计。该估计方法保证了定价模型在客观与风险中性测度下的一致性。采用2016年1月到2017年10月的上证50ETF期权价格数据为研究样本,对随机波动率模型进行了实证检验。结果表明,无论是在样本内还是样本外,随机波动率模型相比传统的常数波动率B-S模型都能够获得明显更为精确和稳定的定价结果,B-S模型的定价误差总体偏大且呈现较高波动,凸显了随机波动率对于期权定价的重要性。另外,随机波动率模型对于短期实值期权的定价相比对于其它期权的定价要更精确。     

基于长记忆模型的期货与现货波动率关系分析

基于SEMIFAR模型分析了沪深300指数和沪深300股指期货对数日波动率序列的长记忆性,发现股指期货波动率序列的长记忆性弱于指数波动率序列.另外,通过对比分析两波动率序列的确定趋势可知:现货市场与期货市场的波动率的变化趋势基本一致,二者处于一种长期的均衡关系,但又存在一定的差异;期货市场对于稳定现货市场的波动具有一定的作用,尤其表现在股价大幅度下跌时.     

基于Expectile和Realized GARCH模型的波动率预测

Realized GARCH模型是预测波动率的经典模型之一,最小化非对称二次损失函数的Expectile对收益率尾部分布更加敏感,我们在Realized GARCH模型的基础上引入Expectile提出Expectile-Realized GARCH模型。以沪深300指数的高频收益率为例建模分析,对比不同模型下的波动率预测效果,发现Expectile-Realized GARCH模型较Realized GARCH模型对波动率预测能力更好。其中,当风险水平为95%时,对应的Expectile-Realized GARCH波动率预测能力最好。     

基于状态空间SV-T-MN模型的股指波动率预测

本文考虑到金融收益率序列的"尖峰厚尾"和波动持续性等特征,针对厚尾SV-T模型的波动率样本外预测问题,提出了基于状态空间下的SV-T-MN(SV-T with Mixture-of-Normal)模型。首先根据MCMC方法估计SV-T模型参数,然后由EM算法估计混合正态参数,最后利用近似滤波(AMF)算法实现SV-T-MN模型的样本外预测。对KF、EKF、AMF进行的模拟研究表明高斯混合状态空间下的AMF更有效。通过对上证指数和深证成指的股指日收益率序列的实证研究结果表明,在五大损失函数评价准则下,基于状态空间SV-T-MN模型能有效刻画金融收益率序列和尾部的波动性,相比SV-N-MN模型具有更好的优越性。