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.     

结构经济序列分析的状态空间方法

本文讨论结构经济时间序列用状态空间模型进行分解处理的方法．在§１中综述结构时间序列的状态空间描述．§２中着重论述了将处理不完全数据的ＥＭ－算法应用于状态空间模型参数的极大似然估计．在§３中给出采用本文所述方法对一些我国宏观经济序列的计算实例．     

股指期货市场波动率的预测研究

准确刻画和预测股指期货市场的波动率,有利于实现股指期货的价格发现、套期保值和市场调节等功能.文章首先在已实现极差异质性自回归模型(the Heterogeneous AutoRegressive with Realized Range,HAR-RRV model)的基础上,构建HAR-HLT和LHAR-HLT模型;接着,以中国股市中沪深300股指期货的5分钟高频交易数据为样本,通过运用HARHLT和LHAR-HLT模型分析股指期货市场波动率的特征以及预测股指期货市场未来的波动率.研究发现:在HAR-HLT和LHAR-HLT模型中,高频已实现极差、低频已实现极差和趋势已实现极差都包含较多对未来波动率的预测信息;股指期货市场的波动率存在短期的"动量效应"和中长期的"反转效应",其杠杆效应并不明显;HAR-HLT和LHAR-HLT模型对未来1日、1周和1月波动率样本外预测能力都明显强于目前常用的HAR-RRV类模型.     

基于状态空间的武器装备作战需求模型

以武器装备作战需求为分析对象,构建了数量与战技性能的状态空间和一般作战流程,描述了基于跳跃强度和状态概率的作战需求表达式,解决了作战任务与武器装备之间的映射规则问题。     

中国居民消费季节调整:2000～2010——基于均方根信息滤波状态空间模型的研究

近年我国消费率持续下降,在我国消费社会处于转型升级的重要时期,投资与消费的失衡是当前宏观经济中最严重的问题之一。本文在基于传统的Kalman滤波状态空间季节调整模型的基础上,用均方根信息滤波的方法对状态空间季节调整模型进行改进,充分利用R软件中DECOMP程序包的优势将2000年1月至2010年12月我国居民消费非平稳序列进行分解。所得结论:(1)二阶AR成分模型最优。交易日对我国消费品零售额影响不显著。(2)我国社会消费品零售额有两阶段指数发展趋势特征,2003年是趋势变化转折点,后期比前期增长快。具有中间低、两头高的U型季节特征。(3)得到非常平滑的月环比增长率,为经济监测提供了更稳定的依据。     

基于状态空间模型的黑龙江省农村居民消费影响因素分析

以状态空间模型为工具,研究黑龙江省农村居民消费影响因素,深层次分析黑龙江省农村居民消费支出关于收入、经济发展、物价和投资的动态变化路径.研究得到,收入是影响农村居民消费的最主要因素,具有显著的引致效应,物价对农村居民消费主要呈负向影响,经济平稳和合理的固定资产投资能够促进农村居民消费,反之则抑制消费,并据此提出了建议.     

基于混合Copula模型的投资组合风险分析

金融市场或股票之间的相关关系变化灵活多样,针对现实中往往需要考虑的是多个市场、股票的结构,采用Mixture-Copula模型来分析多元市场的相关性结构,进而构建了Multivariate-GARCH-Mixture-Copula,模型,并选取2002年1月1日至2011年12月31日上证工业指数、商业指数、地产指数三个行业指数序列的2425组数据利用该模型进行实证分析.分析表明,Multivariate-GARCH-Mixture-Copula模型能有效地应用于实际金融市场潜在结构的分析,对投资组合的风险研究有一定的参考意义.     

高维异方差高斯混合罚模型聚类

罚模型聚类实现了在聚类过程中精简变量的目标,同时如何识别聚类的有效变量成了一个新的问题.在这个问题上,已有的研究有成对罚模型,模型处理了各类数据同方差的情况.考察了异方差情况下的变量选择问题,针对异方差数据提出了两种新的模型,并给出模型的解和算法.模拟数据分析结果表明,异方差数据上两个新模型都有更好的表现.     

周期数据时段划分的双截断高斯混合模型及其EM算法

有限混合模型是多模态数据拟合和聚类的有力工具,本文针对具有多模态的周期数据提出了双截断高斯混合糢型,并推导出相应的EM算法,再通过BIC准則确定混合成分个数,该方法的优点是可以将相邻周期上距离较近的数据聚为一类.模拟研究显示,在具体参数设置下,EM算法和BIC准则是相合的。最后,该方法应用于车流量数据的时段划分,将一天划分为具有显著特征的6个时段,有助于交通部门采取相应策略,为优化交通灯信号配时提供参考依据.     

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。     

股市波动性预测模型改进研究

本文从参数估计准则和收益率波动性的定量表达这两方面来探讨股市收益的波动性预测改进方法,并由此提出了以收益率偏差绝对值为代替偏差平方并利用非线性最小二乘法来估计参数的(A)GARCH-NLS模型。最后,我们以国泰君安指数、上证综指以及深证成指1998 1 5-2002 9 25的每日收盘价格为样本来考察各种合理替代所产生的模型对股市波动性的预测性能影响。结果发现,(A)GARCH-NLS模型对股市波动性的预测精确度有了较显著的提高。     

基于GARCH模型族的中国股市波动性预测

收益与风险历来都是投资者与研究者所关注的问题 .本文选取 GA RCH、TGARCH和 EGARCH模型来拟合中国股市的波动性 .实证分析结果表明 ,中国股市的波动具有显著的波动聚类性与持续性 ;由 E-GARCH模型所预测的上证 30指数、上证综合指数和深证成份指数未来一天的波动要明显优于 GARCH和TGARCH模型的对应值 ,而对香港恒生指数 ,三种模型的预测结果无显著的差异 .     

股票指数的时间序列模型分析

借助于SA S软件将工程中的K a lm an滤波方法与时间序列的状态空间模型结合对上海A股指数进行了拟合与预测分析,通过对拟合与预测误差的计算可以发现这种模型是可行的;然后还把与滤波结合的状态空间模型的分析结果和常见的时间序列模型如:AR IM A模型、逐步自回归模型以及指数平滑模型的分析结果进行比较,比较的结果说明结合滤波的状态空间模型分析的结果比后三种的结果更加精确.结果为时间序列数据分析提供了一个较好的分析工具.     

引入跳跃和结构转换的中国股市已实现波动率预测研究:基于拓展的HAR-RV模型

结合日内跳跃识别方法和马尔可夫机制转换模型,对已实现波动率异质自回归模型(HARRV)进行拓展,以刻画连续波动、跳跃波动以及不同方向跳跃波动对未来波动影响的差异和波动的结构转换特征,并运用该模型对上证综指和深证成指高频数据进行实证分析。研究结果表明:在短期内,连续波动和跳跃波动对未来波动影响具有显著的差异;负向跳跃和正向跳跃往往同时发生且幅度相当,但负向跳跃波动对未来波动的影响更大;在不同波动状态下,历史波动对未来波动的影响存在较为明显的差异。MCS检验结果显示,区分跳跃波动方向和考虑波动的结构转换特征可以显著提升模型的样本内和样本外的预测能力。     

中国证券市场不同频率波动预测模型比较研究——基于预测精度和风险管理的视角

准确估计和预测金融资产价格波动是金融风险管理的核心问题。本文将厚尾分布纳入混合频率模型,采用上证综合指数2004-2011年滚动时间窗样本,利用SPA检验和MCS检验对低频、高频和混合频率三类波动模型预测精度进行比较。从风险价值的准确性和预测失败的损失程度角度对比三类模型的风险管理效果。通过对不同损失函数和不同时间窗口的分析发现,在10个波动预测模型中,扩展后的混合频率Realized GARCH_t在预测日波动时具有较高的预测精度,能准确计算短期风险价值,而在预测周或者月波动时,半参数NSM模型预测精度更高,风险价值更准确。     

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ARCH模型的股票和可转债市场收益率波动特征比较

基于ARCH系列模型,对我国股票市场和可转债市场收益率的波动特征进行实证分析,得出这两个市场收益率具备一些相同的特征如高峰粗尾、波动聚集等,但是可转债市场却没有股票市场上常见的杠杆效应.     

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.