基于杠杆效应和结构突变的HAR族模型及其对股市波动率的预测研究

近年来,基于高频交易数据的HAR族模型在对各类金融市场波动率的预测研究中展现出了良好的预测效果.本文在4个经典或前沿的HAR族模型的基础上,考虑杠杆效应和结构突变因素对波动率的预测作用,构建4个带杠杆效应和结构突变的HAR族模型.接着,以上证综指和深证成指的5分钟高频交易数据为研究样本,对上述模型进行样本内和样本外分析,以此检验各成分对股市波动率的预测作用以及比较各模型的预测能力.实证结果显示:已实现波动率,连续波动率,下行波动率,上行波动率,杠杆效应和结构突变成分对股市波动率的预测作用较强,而跳跃波动率,符号跳跃方差对股市波动率的预测作用较弱;带杠杆效应和结构突变的HAR族模型对股市波动率的样本内拟合效果和样本外预测能力都明显优于相对应的不带杠杆和结构突变的HAR族模型,其中大多数情况下LHAR-CJ-SB模型展现出最高的拟合效果和预测精度.以上结果表明,杠杆效应和结构突变因素能有效提高HAR族模型的预测精度,所以在HAR族模型的构建中这两个因素不能被忽视.     

长记忆随机波动模型的估计与波动率预测——基于中国股市高频数据的研究

为了有效捕捉中国股市波动率的长记忆性,提高远期波动率的预测精度,本文基于中国股市高频数据建立了长记忆随机波动模型,检验高频数据中时变的“日历效应”成分的频率,有效地对“日历效应”进行滤波。使用频域内拟极大似然方法估计LMSV模型参数,为了提高计算效率应用混沌优化算法进行最优搜索。对比了高频数据直接建模和已实现波动率方法建模的预测结果发现,通过高频数据估计的LMSV模型可以很好保留高频数据中所包含的信息量,克服信息丢失问题,预测结果要优于已实现波动率方法建模预测的结果。     

中国期货市场高频波动率的长记忆性

利用GPH方法对中国期货市场收益率的高频数据进行检验, 实证结果表明: 期货市场高频收益率数据的波动性具有长记忆性特征. 然后应用一类描述金融市场波动性过程的长记忆性特征的分整自回归条件异方差FIGARCH模型和HYGARCH模型, 研究了中国期货市场高频数据波动性过程, 实证结果表明长记忆的GARCH类模型在预测期货市场高频数据波动率比较合适. 且相比较而言, HYGARCH模型比FIGARCH模型更加适用于期货市场.     

中国股市多分形波动率建模及预测研究

本文考虑股市高频数据的日内效应和已实现波动率的测量误差修正了现有多分形波动率指标的构建方法，以HAR模型为基础构建新的多分形波动率预测模型.利用Diebold-Mariano检验和"模型信度设定"检验等方法综合评价了各种模型对我国沪深300股指的预测能力.结果表明：1）在相同模型范式下，赋权调整已实现波动率的样本外预测能力要优于已实现波动率，而本文提出的新的多分形波动率模型要显著优于其他模型；2）在相同波动率测度指标下，引入股价波动的跳跃成分和杠杆效应能进一步改善波动率模型的短期预测效果；3）最优和次优模型均是基于新多分形波动率方法构建的模型.     

中国股市多分形波动率建模及预测研究

本文考虑股市高频数据的日内效应和已实现波动率的测量误差修正了现有多分形波动率指标的构建方法,以HAR模型为基础构建新的多分形波动率预测模型.利用Diebold-Mariano检验和"模型信度设定"检验等方法综合评价了各种模型对我国沪深300股指的预测能力.结果表明:1)在相同模型范式下,赋权调整已实现波动率的样本外预测能力要优于已实现波动率,而本文提出的新的多分形波动率模型要显著优于其他模型;2)在相同波动率测度指标下,引入股价波动的跳跃成分和杠杆效应能进一步改善波动率模型的短期预测效果;3)最优和次优模型均是基于新多分形波动率方法构建的模型.     

基于TVS-HAR模型的农产品期货市场已实现波动率的预测研究

本文以4种农产品期货的高频数据为样本,在实证考察预测因子对农产品期货已实现波动率的预测能力基础上,通过假定时变HAR模型的参数遵循独立正态-伽马自回归过程先验分布,构建了具有时变稀疏度的HAR模型(TVS-HAR),以同时考虑预测模型参数的时变性和预测模型的时变性,并采用MCS检验评价和比较该模型和其他HAR族模型的样本外预测性能.实证结果表明:TVS-HAR模型能较好地识别和拟合潜在预测因子对农产品期货市场波动率的预测的重要性和影响程度的时变性;跳跃成分对我国农产品期货市场已实现波动率具有一定的预测能力;相对于其他几类HAR模型,TVS-HAR模型的预测性能最好.     

中国股市波动率的广义周内特征及其预测模型

本文将Realized GARCH模型推广至基于周历日的时变参数情形以刻画杠杆和溢出效应的周内特征并避免传统GARCH类模型在拟合长记忆性与周内效应时两者相互干扰问题.将新模型应用于上海股票市场2001至2013数据的分析发现:我国股市波动率存在时变的杠杆效应和溢出效应.实证结果表明:新模型无论在样本外的预测能力还是在样本内的拟合度上都明显优于现有模型.     

中国股市高频波动率跳跃的特征分析

采用修正的已实现门阈多次幂变差实证分析了中国股市高频波动率跳跃的特征,并运用自回归条件持续期模型、自回归条件风险模型以及扩展的自回归条件风险模型刻画了跳跃持续期的特征.实证研究表明,中国股市高频波动率发生显著跳跃的比例较高,并且跳跃具有聚集的特征,跳跃的幅度、强度以及跳跃幅度的分布都具有时变性,而跳跃对高频波动率的贡献却具有相对稳定性;在样本期,中国股市高频波动率跳跃表现出较强的正自相关性,且跳跃的持续期存在较强的长记忆性和周日历效应.     

中国股市波动的异方差模型及其SPA检验

以中国股票市场最具代表性的股价指数-上证综指的高频(High-frequency)数据样本为例,实证计算了以GARCH族模型和随机波动(Stochastic volatility)模型为代表的不同异方差模型对中国股市波动率的预测,并进一步运用SPA(Superior predictive ability)检验法,实证检验了不同异方差模型对中国股市波动的刻画能力和预测精度问题.实证结果显示,就中国股市而言,随机波动(Stochastic volatility)模型是预测精度最高的异方差模型,但在某些损失函数标准下,EGARCH模型也具有良好的波动预测表现.     

基于波动率测量误差的波动率预测模型

本文研究了一种基于波动率测量误差的波动率预测模型,并做了非线性扩展,期望改进预测效果.考虑到文献中关于波动率可能长记忆性和非线性并存的观点,本文以具有长记忆特征的HAR(heterogeneous autoregressive)模型为基础,加入波动率测量误差后模型持续性有所提高,结合非线性的时变参数模型则达到结构变化和减弱异方差的效果.本文用2652天的沪深300高频数据计算的已实现极差波动率来验证模型效果.固定参数下,在HAR型模型中加入测量误差作为调节变量可以较显著地改善样本外预测效果.时变参数下,加入测量误差的HARQ型模型预测效果大多优于对应的HAR型模型.时变参数模型总体上可以改善固定参数模型的预测效果,尤其在预测期较长的情况下改善均是显著的.     

基于跳跃、好坏波动率与百度指数的股指期货波动率预测

本文首次将百度指数引入HAR波动建模框架,基于跳跃、好坏波动率与百度指数提出HAR改进模型,实证研究揭示股指期货波动运行规律,并通过MCS检验分析预测模型优劣.HAR建模考察连续-跳跃波动、好-坏波动率的两种已实现波动分解.为了降低波动率估计偏差,基于序列相关法仿真统计最优抽样频率,利用已实现核修正的ADS检测识别跳跃,进一步修正好坏波动率与符号跳跃.基于沪深300股指期货的样本内外预测表明:连续波动比跳跃波动对未来已实现波动的预测贡献更大;好坏波动率具有不对称的波动冲击,好(坏)波动率抑制(加剧)未来波动性;符号跳跃对未来波动具有负向冲击;好坏波动率分解优于连续与跳跃波动分解;百度指数能显著提升HAR波动建模的样本内外预测能力;MCS检验证实,考虑符号跳跃与百度指数的HAR-RV-SJ-BI模型表现最佳.研究结论对认识股指期货波动规律和市场风险具有意义.     

基于TVS-MHAR模型金融市场高频多元波动率的预测

本文基于Kalli和Griffin(2011)的时变稀疏模型和多元HAR模型,构建了具有时变稀疏性的多元HAR模型(TVS-MHAR),并利用中国上证综指、沪深300期货和国债期货的五分钟高频数据,对金融市场的已实现波动率矩阵进行预测.本文通过Cholesky转换方法保证预测波动率矩阵的正定性.通过对不同多元波动率模型的预测结果进行数值比较和经济比较,本文发现,本文构建的TVS-MHAR模型无论对于短期预测、中期预测还是长期预测都具有最高的预测精度和最大的投资改善.同时,时变多元波动率模型可以获得比固定参数模型更好的预测效果,高频数据模型比低频数据模型获得更大的投资改善.     

有偏分布下的动态风险测度及MRC-SPA检验

以沪铝期货市场为研究对象,针对金融市场的有偏性、尖峰厚尾性,结合条件极值理论与SKST分布刻画金融市场的极端风险,同时运用滚动时间窗口方法对不同波动率模型进行样本外动态VaR预测。鉴于传统的回测检验无法有效判断不同波动率模型风险测度效果的优劣性,本文引进一种新的风险检验方法——MRC-SPA检验,实证结果显示EVT有效提高了GARCH模型的样本外动态VaR预测精度,其中GARCH-SKST-EVT-POT模型以较小的市场风险资本实现风险规避,预测效果最优。     

Empirical Study on Long Memory Feature in Chinese Stock Market

The notion of long memory, or long-term dependence, has received considerable attention in empirical finance. While many empirical works were done on the detection of long memory in return series, very few investigations focused on the market volatility, though the long-term dependence in volatility may lead to some types of volatility persistence as observed in financial markets and affect volatility forecasts and derivative pricing formulas. So, using modified rescaled range analysis and ARFIMA model testing, this study examined long-term dependence in Chinese stock market returns and volatility. The results show that although the returns themselves contain little serial correlation, the variability of returns has significantly long-term dependence. It would be beneficial to encompass long memory structure to assess the behavior of stock prices and research on financial market theory.     

基于VMD的中国出口集装箱运价指数分析与组合预测

基于分解-重构-分项预测-集成思想,通过优选分解方法、优化重构方法、优选预测方法及合理选择集成方法等途径,构建了基于变分模态分解(VMD)的组合预测模型,对中国出口集装箱运价指数(CCFI)进行了预测,分析了CCFI波动特性及经济内涵.首先,选用VMD将运价指数序列分解为多个模态分量;其次,采用C值优化的FCM算法将模态分量重构为高、中、低频和趋势项,通过波动特性分析挖掘了重构项蕴含的短期市场不均衡因素、季节因素、重大事件及市场供需等经济内涵;再次,构建了基于数据特征分析的预测模型优选方法,进行了重构项预测;最后,将重构项预测值相加集成,分析了预测效果.实证结果表明,构建的组合模型预测效果优于BPNN、SVM、ARIMA等单一模型、EMD组合模型及未优化的VMD组合模型,较好地体现了CCFI外在波动特征与内在经济意义.     

中国股市波动性过程中的长期记忆性实证研究

应用一类描述金融市场波动性过程的长期记忆特征的分整自回归条件异方差模型(FIGARCH模型)，研究了中国股票市场波动性过程的长期记忆性，实证结果表明中国股市波动性过程具有明显的长期记忆特征；文章还分析了FIGARCH模型与传统的条件方差模型相比，在模型描述和预测上所体现出的优越性。