股市特质风险因子与噪声交易

本文从套利风险和非对称套利角度,通过构造可用于多因子资产定价模型的股市特质风险因子,实证分析了不同股票特质波动率组合之间的收益率差异.接着,本文基于理性套利者进行套利活动时面临的噪声交易者风险这一研究视角,分别分析了股票是否发放现金股利、股票流动性和投资者情绪对股市特质风险因子的影响.研究结果表明,股票特质波动率与投资组合形成期的收益率正相关,即股市特质风险因子显著为正.此外,发放现金股利的公司,信息透明度较高,噪声交易者风险较低,股市特质风险因子相对较小;投资者情绪越乐观,股市非预期流动性越高,股市特质风险因子越大.     

状态依赖下考虑空间交互作用的资产配置模型与实证

构造基于经济距离的空间权重矩阵捕捉资产间的空间交互作用,考虑市场状态对空间交互作用的影响,构建状态依赖下考虑空间交互作用的收益估计模型。进一步,推导期望收益率的协方差矩阵,构建考虑时间和截面双重维度系统性风险的资产配置模型。研究发现,空间交互作用是状态依赖的,对收益有显著的解释能力。状态依赖下的贝塔系数捕捉时间维度系统性风险,间接效应和反馈效应捕捉截面维度系统性风险,状态依赖下考虑空间交互作用的资产配置可以提高传统均值-方差资产配置的表现,为投资者决策提供有价值的参考。     

基于多任务相关学习的投资组合优化

在包含不确定性的投资组合策略研究中,对不同权重估计量进行加权能够对冲估计误差,从而取得更好的样本外效果.一般来说,这类策略的加权权重往往取决于一定的分布假设,在实际应用中具有比较大的局限性.为了改进这一点,本文使用多任务相关学习(multi-task relationship learning,MTRL)的算法框架,通过估计全局方差最小(global minimum variance,GMV)和均值-方差(mean-variance,MV)切点组合权重之间的相关性矩阵,对GMV和MV切点组合的权重进行了同步估计,从而实现了加权估计的类似效果.在实证检验方面,本文使用A股2000年至2019年的全样本日数据,构建了两个数据集:因子组合以及从沪深300指数成分股中随机抽取的个股组合.基于因子组合数据集的样本外结果,本文发现基于MTRL的MV切点策略(MTRL-MV)能够在夏普率,标准差和换手率上取得显著优于原MV切点组合策略,等权重以及其他几种加权策略的表现.最后,本文使用A股的因子组合子样本、随机抽样的个股组合以及美股因子组合共3个数据集进行了稳健性检验,结果表明MTRL-MV相对于基准策略MV具有比较显著的提升.     

大数据提升了多因子模型定价能力吗?——基于机器学习方法对我国A股市场的探究

本文采用惩罚线性回归方法和主成分分析等多种机器学习算法,充分挖掘我国A股上市公司财务基本面大数据信息,尝试构建我国资本市场的简约的多因子定价模型.研究发现:我国A股市场中,主成分作为定价因子的表现要优于特征因子;在缩减定价因子个数方面,弹性网络方法的表现要略优于LASSO.此外,惯性类、交易摩擦类以及估值与成长类因子的贡献较大,说明虽然我国资本市场不够完善,市场参与者交易习惯有待提高,但也体现了市场不断完善且有效的一面.本文方法构建的多因子模型优于主流的定价模型.本文将机器学习方法引入到资产定价模型的构建,实现了对高维财务基本面数据的降维和变量选择,构建了我国A股市场多因子资产定价模型,并给出经济学解释.文章从大数据和机器学习的角度为我国A股市场资产定价提供了新思路,明确了各个定价因子在多因子模型中的贡献,有助于理解我国资本市场特点,为解决高维财务基本面数据问题提供了适用于我国资本市场的方法.     

基于高频夏普指数的组合证券投资模型

资产选择与最优组合权重的设置是构建投资组合的两个关键步骤,利用日内高频数据构建一个夏普指数序列来进行资产选择,同时考虑多种组合策略.以沪市A股市场数据进行样本外实证分析。结果表明,不论市场处于下行还是上行行情,基于高频夏普指数选股方法构建的组合都能得到较高的风险调整收益,并具有较小的风险,同时在最优风险组合下,能得到可观的超额收益.     

收益率,波动率与投资者风险偏好

为研究资产期望收益率与条件方差间的相关性,本文使用上证综合指数日度收益率数据及混频条件异方差模型(GARCH-MIDAS)对投资者风险偏好进行了估计.理论模型表明,当投资者持有的风险资产权重不变时,时间维度上两者的同期相关性取决于投资者风险偏好.当假设风险偏好固定不变时,GARCH-MIDAS的估计结果显示投资者表现为风险中性.随后通过Markov机制转移模型识别出了熊市和牛市两种市场状态,并分别研究了两种状态下的投资者风险偏好.其结果显示:熊市下投资者有显著的风险厌恶,而牛市下投资者则表现为显著的风险追求.     

具有方差持续性的套利定价模型研究

在介绍有关方差持续性和协同持续性概念的基础上 ,首次将有关的概念应用于以套利定价理论为背景的多因子动态模型的二阶矩的结构分析 ,并讨论了动态因子存在持续性和协同持续性时对组合资产风险率和收益的影响 ,得到了一些有益的新结论 .     

非线性资产定价模型与特质波动率之谜

在资产收益分布非正态性或者投资者效用函数比二次型更复杂的条件下,依据均衡定价理论推导出一个基于消费的非线性资产定价模型.该模型不仅捕捉了收益的波动风险,而且可以捕捉收益的高阶矩风险.通过实证检验,发现包含因子平方项的非线性资产定价模型比传统的线性资产定价模型有更好的定价效率.分别以非线性定价模型和传统线性定价模型对"特质波动率之谜"进行检验,发现基于非线性定价模型估计特质波动率会使"特质波动率之谜"明显减弱,说明非线性资产定价模型比线性资产定价模型能够更有效地解释这一典型的市场异象.     

基于移动平均方法动态调整的市场异象研究——来自中国A股市场的实证证据

近年来,有关市场异象的研究正成为资产定价领域的热点问题之一。然而,已有关于市场异象的研究(比如规模异象、价值异象等)大都采用年度会计数据,从而使得一些在样本区间内的重要信息被忽视。本文首先通过Fama-MacBeth回归和截面分组的方法统一分析了九个主要的市场异象在我国A股市场的表现。在此基础上,针对异象指标更新频率低的局限性,同时为了利用调整期内更多的信息,本文基于移动平均(MA)方法度量我国股市的价格趋势,进而对各个初始异象进行调整。实证结果显示:中国股市价格趋势呈现短期化;基于MA策略动态调整后各市场异象组合平均收益和风险调整的收益均显著加强,尤其是对一些原本表现较弱的异象;投资者情绪越高以及信息不确定程度越大,调整后的异象表现越强。     

多风险控制目标下的资产配置模型

相比于VaR风险测度,CVaR风险测度因满足次可加性能够更好地描述金融资产组合风险,而广义极值分布和Copula函数较好地拟合了金融资产收益率的厚尾特征和相依性。本文尝试使用CVaR风险测度和Copula-GEV分布描述金融资产组合的极端值风险,并将其作为风险控制目标引入传统均值-方差模型,构建多风险控制目标下的资产配置优化模型,实现在金融资产配置决策中综合考虑期望收益、波动性风险和极端值风险,并设计PSO-MC优化算法对模型进行求解。通过对我国上市公司股票收益率数据的实证分析,验证了模型及求解算法的有效性。     

尾部相关性对投资组合VaR的影响分析

通过随机模拟,研究两种不同的风险度量(VaR和方差)与相关性之间的关系.当用方差度量风险时,资产收益率之间的线性相关性越小,资产组合的风险就越小.当用VaR度量风险时,收益率间的尾部相关性对VaR也有显著影响.如果资产收益率之间的线性相关性较小,而尾部相关性较大,则风险可能较大.     

基于高阶矩风险控制的贷款组合优化模型

以银行各项资产组合收益率最大化为目标函数, 以VaR来控制贷款组合的风险价值, 以偏度约束来控制贷款组合收益率的整体分布向大于均值的方向倾斜、以减少发生总体损失的单侧风险, 以峰度来控制贷款组合收益率分布出现极端情况的双侧风险, 建立了资产分配的收益率均值-方差-偏度-峰度模型.本模型的创新与特色是通过峰度约束控制了贷款组合收益率向极端损失偏离的程度.在马可维茨均值-方差模型的基础上, 增加了偏度和峰度参数, 建立了收益率均值-方差-偏度-峰度模型.模型通过方差约束, 控制了组合收益率偏离均值的离散程度: 通过偏度约束, 控制了组合收益率总体分布向损失一侧偏离的程度: 通过峰度约束, 控制了组合收益率出现极端损失或收益的可能性. 模型从多个角度控制了贷款组合的风险, 拓展了经典的均值-方差优化组合思路.     

基于随机模拟和VaR模型的投资组合优化研究

投资组合的优化旨在对资金进行分配组合,得到各项资产的最优分配权重,并在权衡投资收益和风险的基础上使投资达到期望效用最大化.在研究过程中,首先运用Monte Carlo随机模拟方法预测各资产的收益率期望值,计算出收益率标准差和各资产间的相关系数,进而求解资产的组合风险.然后将VaR(Value at Risk)条件引入到模型中,建立以资产组合收益为最大目标,以资产组合的VAR为约束条件的投资组合优化模型,计算出资产分配比重.最后通过实例分析资产价格走势和检验分布假设,验证模型的合理性和可行性,为投资者的决策提供理论和应用依据.     

基于条件蒙特卡罗方法的信用违约互换合约定价

多标的资产违约相关性结构的度量及其联合违约时间的模拟是信用违约互换合约定价的关键.Copula函数和蒙特卡罗模拟是解决此关键问题的有力工具,被广泛应用于信用衍生品定价.本文基于因子t-copula模型,结合条件蒙特卡罗模拟,构建了计算第7n次信用违约互换合约的条件蒙特卡罗算法.该算法能够捕捉多标的资产违约的尾部相关性,更准确地度量标的资产组合的违约风险及提高违约事件的模拟效率.数值结果表明,在考虑尾部相关性的情形下,采用重要抽样技术的JK算法和改进的JK算法是不稳定的,不能达到减方差的目的;而本文新构建的定价算法更稳定,在高斯copula和t-copula模型下,都能够有效减小估计量的方差,提高信用违约互换合约的定价精度和可靠性.     

摩擦市场下加权极大-极小随机模糊投资组合模型及实证

考虑投资者面临证券市场随机和模糊的双重不确定性，把证券收益率视为随机模糊变量. 根据前景理论建立符合投资者心理特征的期望收益和目标概率隶属度函数，构建目标权重不等的加权极大- 极小随机模糊投资组合模型. 在含有交易费用和最小交易单位约束的摩擦市场环境下，利用改进动态邻居粒子群算法求解投资组合问题. 采用实证方法把市场分为上升和下降两个阶段，研究模型的表现. 结果表明： 加权极大- 极小随机模糊投资组合模型的收益率优于均值-方差投资组合模型； 利用加权极大- 极小随机模糊投资组合模型能够满足不同风险态度投资者的需求，构建与投资者风险态度一致的投资组合.     

证券投资基金的风险资本确定研究

研究基金管理人如何配置风险资本以抵御来自资产组合收益风险的问题。建立基金管理人确定风险资本的模型，给出关于投资组合收益率分布函数的最小风险资本比率。用跳跃一扩散过程来描述市场收益率，在此基础上建立基金的投资组合的收益率模型，并给出模型参数的估计方法。利用随机模拟方法获得投资组合收益率的模拟样本．可以获得投资组合收益率的经验分布，进而计算最小风险资本率。用模拟方法获得的投资组合收益率的经验分布可以克服用常方差正态分布假设的误差。本文的结果对基金管理人的风险管理具有指导意义。     

动态投资组合风险控制策略

从股市上采集的大量股票收益率数据表明,前后相邻的股票收益率数据呈现出一定程度的依赖关系,即前期收益率呈现出大的波动幅度,紧接着后期收益率也呈现出大的波动幅度,这样的波动特点被称之为"波动聚集性","风险传染性",在金融计量上,通常用收益率的方差来定量刻画收益率的波动幅度的大小和相应收益率风险的大小,因此本文选用能准确拟合金融资产收益率方差的GARCH模型来刻画金融资产收益率的这种"风险传染性",在此基础上应用协同持续思想构建了投资组合的风险优化控制模型,并求得了相应最优投资组合权重.选取6支股票作了实证检验.检验结果表明,按该模型配王的投资组合收益率长期被控制在较小的风险范围,在统计上亦表现出较高的夏普比.     

流动性调整的消费资本资产定价模型——来自中国市场的经验证据

在流动性调整的消费资本资产定价理论模型的基础上,通过线性和非线性两种方程形式、使用GMM估计方法,实证检验该模型对中国A股市场截面收益的解释力。实证结果发现:样本期内的风险厌恶系数估计值在合理的范围内,表明我国市场不存在"股权溢价"之谜;在解释25个FF组合截面收益时,拒绝以幂效用函数为基础的标准消费资本资产定价模型,递归效用函数的消费资本资产模型具有更强的截面解释能力。流动性是决定资产定价的重要因素之一,流动性风险可以解释FF组合规模效应的76%、账面/市值比效应的49%。     

基于收益序列相关的动态投资组合选择——动态均值-方差模型

以动态均值-方差模型研究基于收益序列相关的投资组合选择.利用嵌入法将动态均值-方差模型嵌入到二次效用模型当中,通过动态规划方法求得最优投资策略和有效边界的解析形式.还得到一个反映风险资产动态投资价值的指标,它能包涵序列相关性的影响,在静态情形下,该指标是夏普指数绝对值的单调递增光滑变换.风险资产投资价值影响最优投资,并决定有效边界斜率.最优投资策略使期望终期财富向目标值趋近,该目标值随风险资产投资价值递增.最后以收益服从AR(1)过程为例对最优投资策略进行数值计算,发现序列相关可以对最优策略造成显著影响.     

基于Copula-GARCH-EVT的资产组合选择模型及其混合遗传算法

在非正态分布的条件下,M arkow itz的均值-方差资产组合选择模型存在不足。为此,以V aR和CV aR作为风险度量方法,EVT反映收益率的尾部分布,GARCH反映收益率的波动性,Copu la函数反映金融资产收益的相关性,构建了基于Copu la函数的资产组合选择模型。针对非正态分布条件下V aR非凸性和分布函数不连续性导致资产组合选择优化计算复杂、不精确的难题,设计了基于单纯形和传统遗传算法的混合遗传算法。最后,根据中国证券市场数据,采用该混合遗传算法对建立的资产组合选择模型求解。