SV模型下的期权定价和风险计量

本文利用SV（Stochastic Variance）模型对期权基础资产的收益过程进行统计描述,在同时给出期权定价和市场风险计量之后,又给出定价置信区间和风险置信区间的估计。文中对SV模型作了分析和比较,利用自适应滤波方法对模型的建立和参数的估计给出了简单的方法,最后还对SV模型作了模拟分析并计算了期权定价和风险计量的一个例子。     

基于半参数可加自回归模型的黄金价格实证分析

大量实证研究表明,半参数自回归模型较传统的线性回归而言,能更好的拟合实际数据。本文构造了一类半参数可加自回归模型,基于条件最小二乘方法及核估计方法给出了估计模型参数和未知函数的迭代算法,讨论了估计量的渐近性质。通过数值模拟验证了估计的效果。并将模型应用于黄金价格数据的实证分析之中。实证分析结果表明,我们对现有模型的改进是必要的。     

高维投资组合风险的估计

在大数据时代,如何估计高维投资组合的风险是金融机构面临的一大难题.针对这一难题,文章主要做了两方面研究:首先,将非线性收缩法和QuEST函数应用到BEKK模型中,提出BEKK-NS模型,以估计和预测在资产组合中扮演着重要角色的资产协方差阵.该模型同时适用于估计正态分布和厚尾分布数据的协方差阵,并且能够很好地解决维数诅咒问题,提高协方差阵的估计效率.其次,构造了基于循环分块bootstrap方法的极限误差U(α)来评价高维投资组合的风险.通过模拟和实证研究发现:BEKK-NS模型明显优于BEKK,将其应用在投资组合时,降低了组合风险,使得投资者获得了更高的收益;并且极限误差U(α)非常接近于真实的误差,由其构造的组合风险的置信区间较为精确.     

基于半参数EGARCH模型的VaR和CVaR度量与实证研究

本文主要是运用半参数EGARCH模型研究中国股票市场风险.首先,运用半参数EGARCH模型估计波动率.其次,研究中国股票市场风险,即估计VaR和CVaR值.最后,利用半参数EG;ARCH模型对上证指数进行实证分析。结果表明,半参数EGARCH模型比一般的EGARCH模型能更准确地度量中国股市风险。     

风险度量ES半参数模型估计及其应用

预期不足或称期损(Expected Shortfall,ES)是近几年发展起来的重要风险度量工具,对其进行建模和估计是统计学和金融计量经济学研究的前沿问题之一.本文基于平均剩余寿命模型提出一种ES估计的半参数模型,并使用广义估计方程(GEE)的方法估计参数.同时建立了严平稳α混合相依序列下参数估计的大样本理论.本文模型的意义在于可以研究资产组合的风险来源以及各风险因素对ES大小的影响程度.最后,将本文的模型应用到金融股票市场的风险评估中,结果表明此模型可以对某些金融市场现象作出合理的解释,是一个灵活且合理的金融计量统计模型.     

基于杠杆值大数据集抽样的异常点诊断

本文主要研究大数据集下利用杠杆值抽样后的异常点诊断问题。首先讨论了数据删除模型中参数估计的统计性质,构造了四种异常点诊断统计量;其次,根据均值漂移模型的漂移参数的假设检验问题,构造了三种检验统计量;最后,通过模拟和实证数据分析结果得出本文的结论—异常点诊断对于基于杠杆值的大数据集抽样估计起到重要的影响作用。     

基于区间分析的投资组合VaR计算新方法

基于区间分析估计变量的累计概率分布是进行风险价值分析的一种新方法。本文将区间分析运用到股票投资组合的VaR计算中,研究区间分析在VaR计算方法中的应用。首先给出了基于区间分析估计分布函数的计算步骤,然后将区间分析运用到VaR的计算中,以两只股票的投资组合为例得出收益率的累计概率分布,从中得到某一置信度下的VaR值,最后与蒙特卡洛模拟方法做了比较研究,结果表明,基于区间分析的VaR计算方法的运算精度和计算速度明显优于蒙特卡洛模拟方法。     

联合均值与方差模型的Bayes分析北大核心CSCD

研究联合均值与方差模型的Bayes分析,通过应用Gibbs抽样和MetropolisHastings(MH)算法计算模型未知参数的Bayes估计与Bayes数据删除影响诊断统计量.模拟研究和实例分析说明该方法的可行性.     

基于联合估计方法的广义随机系数自回归模型的统计推断

本文利用联合估计函数方法(CEF)对广义随机系数自回归(GRCA)模型进行统计研究.应用联合估计函数方法得到广义随机系数自回归模型参数估计量,证明了提出的参数估计量的相合性和渐近正态性,利用数值模拟对提出的参数统计量进行对比分析,数值模拟结果表明,联合估计方法的参数估计量优于基于估计函数方法、伪极大似然方法、最小二乘方法的参数估计量,实证研究也说明CEF方法具有较好的效果.     

基于POET方法的投资组合选择模型

Markowitz开创了现代投资组合理论的先河,他提出的均值方差模型为后来投资组合选择模型的研究奠定了基础.然而,许多学者的研究表明,均值方差模型对参数非常敏感,当模型参数的估计存在较大的误差时,模型并不是在配置风险和收益,而是在配置误差.模型的误差分别来自收益端和风险端,为了改善收益端的参数估计,学者们提出了更具有实际应用价值的Black-Litterman模型,而如何改善风险端的估计误差还有待进一步的研究.在实际应用中,有效的数据样本往往较少,当资产数量较大时,样本协方差矩阵存在很大的估计误差,因此,引入POET方法估计协方差矩阵提高协方差矩阵的估计精度,从风险端改善投资组合选择模型的配置效率.将构建的投资组合选择模型分别应用在申万一级行业指数和二级行业指数上,算例分析的结果表明,引入POET方法后模型有更好的表现.