基于实际波动率的VaR模型实证研究

以实际波动率预测方法替代传统的波动率预测方法，应用到VaR模型中去，并随机选择了五只股票数据进行实证研究，比较基于GARCH模型和实际波动率模型的两种VaR预测结果，得到基于实际波动率的VaR预测效果显著地优于基于GARCH模型的VaR预测效果.     

基于GARCH模型的股票买卖时机分析

通过对股票收盘价格的历史数据进行处理分析,建立GARCH模型,此模型较好的描述股票价格的条件异方差性,同时用此方法对股票价格进行拟合和预测,利用预测数据分析股票较好的买卖时机.     

期权定价的波动率模型比较与探索

选取上证50ETF期权数据,利用信息含量的比较方法,对广义自回归条件异方差(GARCH)模型、BlackScholes(B-S)隐含波动率模型、无模型、异质自回归波动率(HAR-RV)模型和"短期依赖"结合模型的波动率预测能力进行比较.实证结果表明,各模型的信息含量排序为ARMA-GARCH、B-S、HAR-RV、无模型和结合模型.对于单个模型而言,GARCH模型的预测精度相对较低,无模型隐含波动率表现最优,在综合考虑操作复杂程度和预测准确性的条件下HAR-RV模型则是最佳选择,结合模型在提升波动率预测稳定性方面表现较好.     

基于时间序列模型的股票价格波动特性分析

股票市场的波动率问题一直是现代投资学研究的关键问题,是国家监管机构最关注的风险指标。选取股票交易系统中2015—2016年股票东阿阿胶(000423)日收盘价数据,分别从序列水平特征和波动特性2个角度,运用ARIMA模型和GARCH模型,进行股票的短期预测和波动性拟合。结果显示:ARIMA模型对深交所股票东阿阿胶日收盘价的短期预测值与实际值相对误差小,GARCH模型较好地拟合了股票价格,并估计出了风险区间,能为短期投资者和股票决策者提供参考。     

对于预测上海股市股指波动性的数量模型的比较

目前对于随时间而变化的波动性预测模型主要有两类:一类是假设波动性的变化是一个确定性过程的GARCH模型,另一类是假设波动性的变化是一个随机性过程的随机波动模型.本文同时将这两类模型(GARCH(1,1)模型及其特例RiskMetrics模型,随机波动模型)应用于上海股市中,通过对样本外区间的预测准确度来衡量这两类模型对我国股市波动性的预测能力.通过4个预测准确度指标,MS模型对于上证指数在样本外区间的预测相对于另外两个模型而言都是显著最佳的.RiskMetrics模型的表现则要优于GARCH(1,1),且RiskMetrics在实际运用中要方便的多.     

基于价差分析建立国债期货跨期套利模型

国债期货交易初期以期现套利和跨期套利等投资方式为主.跨期套利以预测跨期价差为基础,此前有关股指期货及国债期货跨期套利的研究往往忽略了对跨期价差的分析.根据已有相关文献,总结得出均值方差模型、协整GARCH模型两个常用的跨期价差预测模型,并且认为自回归模型也在一定程度上适用于价差预测.分别用这三个模型对实际价差进行预测,通过检验预测结果得出以自回归模型为基础的最优价差预测模型.     

GARCH模型和SV模型对深圳股市的比较

文章采用GARCH模型和SV模型对深圳股市进行了实证分析;结果表明,基本SV模型较GARCH(1,1)模型能更好地拟合实际金融时间序列数据;从总体上来说,基本SV模型的预测效果优于GARCH(1,1)模型。     

交易量与股价波动性动态关系的研究

交易量与股价变化的关系是金融市场研究的重要课题之一.VGARCH模型是在传统的GARCH模型中加入交易量得到的衍生模型.通过对上证指数波动性预测的实证分析得出:VGARCH模型能更准确地预测股票指数的波动性.进一步指出,相比于交易量,其波动率能更好地度量每日信息到达量.     

高频GARCH模型的最优抽样分析

波动率代表是运用高频数据估计日频GARCH类模型时构造的一个重要统计量,文章针对运用高频数据估计日频GARCH模型的3种方法,基于估计量的渐近结果讨论了最优波动率代表的选择问题,并展开了在日内高频数据抽样中应用的讨论。通过对沪深300指数的高频数据实证分析发现：同一波动率代表在不同抽样频率下的表现有明显差异;在同一频率下,不同波动率代表有优劣之分;在不同估计方法下,每一个波动率代表的最优频率都不同。因此,日内高频数据的最优抽样频率应针对模型所用的不同估计方法加以区别对待。     

深市股指波动性的实证研究

运用GARCH类模型对我国深市的两个股指日收益率的波动性进行研究,主要回答了中国股票市场是否存在GARCH效应,对于所选的两个股指的波动率,最适合的GARCH模型是什么2个问题。计算结果显示,对深证综指日收益率的波动而言,EGARCH-M(1,1)模型的拟合效果较好,而GARCH-M(1,1)则能较好地拟合深证成指日收益率的波动。同时,还对这两个股指日收益率的波动率进行了预测。     

上证综指波动率的估计——基于GARCH（1,1）模型的研究

波动率是测度风险的重要变量,在金融领域中占有至关重要的地位。采用GARCH（1,1）模型研究了上证综指的波动率。研究结果表明GARCH（1,1）模型能够准确地估计1年以上股市的波动率。     

沪深股市的波动性分析——基于t分布下GARCH和SV模型的比较

构建基于N分布和t分布下的GARCH(1,1)和SV模型,并通过实证分析探讨了上证指数和深证成指收益序列的波动性.分析结果表明,GARCH(1,1)类模型和SV类模型能较好地拟合沪深股市收益率的波动,并指出我国股市存在较强的波动持续性;而基于t分布的各模型能有效地刻画股市的厚尾性;此外,通过计算VaR值,说明深市比沪市的风险更大,且SV类模型能更准确地反映收益率的风险特性.     

GARCH模型和ECM模型对沪深两市预测的比较分析

GARCH模型反映了经济变量之间特殊的不确定形式：方差随时间变化,所以在金融市场的预测和决策有着重要的作用。鉴于股票和房地产这两个重要的经济指标,本文选择上海和深圳两地的股票收益率的波动性作为研究对象,建立了GARCH模型及其主要变化形式,结果表明基于T分布的GARCH（1,1）模型更好模拟了实际值。另外,本文还对上海,深圳的股市进行协整分析,建立了相应的误差修正模型并对其预测,预测效果比基于T分布的GARCH（1,1）模型更好。     

SVAR-GARCH模型的多元波动率估计

考虑SVAR GARCH模型的多元波动率, 提出一种估计波动率的新方法. 先利用独立成分分析技术求解因果结构和统计独立的误差项, 建立残差项条件协方差阵与误差项条件协方差阵的关系, 然后利用单变量GARCH模型的估计结果和识别的因果结构, 估计多变量GARCH模型的条件波动的脉冲响应方法, 实现多元波动率的估计, 该方法可有效减少估计参数. 实验结果表明, 新方法估计的波动率与能源期货市场的规律相符.     

基于时变的我国开放式基金选股和择时能力定量分析

金融时间序列数据常常发现有波动聚集的现象即波动随时间变化的现象.选取2003年前发行的15只开放式基金的周数据作为样本,在T-M模型和H-M模型的基础上加入GARCH效应来分析基于时变的我国开放式基金的选股和择时能力,以求对这两种能力更精确的评估.实证结果表明,传统的T-M模型和H-M模型不仅高估了基金经理的选股能力,还高估了基金投资组合的系统风险.因此,为了去除这种高估的偏差,应该在评估基金绩效或基金经理选股、择时能力时在模型中考虑GARCH效应.     

SVAR-GARCH模型的多元波动率估计

考虑SVAR GARCH模型的多元波动率, 提出一种估计波动率的新方法. 先利用独立成分分析技术求解因果结构和统计独立的误差项, 建立残差项条件协方差阵与误差项条件协方差阵的关系, 然后利用单变量GARCH模型的估计结果和识别的因果结构, 估计多变量GARCH模型的条件波动的脉冲响应方法, 实现多元波动率的估计, 该方法可有效减少估计参数. 实验结果表明, 新方法估计的波动率与能源期货市场的规律相符.     

远期运费协议与粮食期货市场的波动溢出关系

从金融视角出发, 探究远期运费协议和粮食期货市场之间的波动溢出关系. 粮食作为世界三大干散货类型之一, 具备相当成熟的期货交易市场, 故选取远期运费协议(forwardfreight agreement, FFA)和巴拿马(Panamax)型船主要运载的粮食期货类型进行研究. 首先,采取统计特征分析及协整检验对日收益序列进行分析; 然后, 通过建立广义自回归条件异方差(generalized autoregressive conditional heteroskedasticity, GARCH)模型, 分析两个市场间的相关性并对比其波动性. 结果表明, 粮食期货市场在收益和波动性上均引导FFA 市场的变化, 论证了GARCH 族模型检验波动溢出特征的有效性, 并为干散货航运市场参与者和投资者提供理论参考.     

采用MCMC方法的上海股市随机波动模型

采用贝叶斯统计中的马尔科夫链-蒙特卡罗(MCMC)方法对上海股市的随机波动性进行研究,基于Gibbs抽样的MCMC数值计算过程,对上海股市的随机波动率模型(SV)进行参数估计,并在WinBUGS软件中实现.根据信息判别准则(DIC),对比拟合的SV-N,SV-T,SV-MT模型参数,结果表明:SV-T模型最能反映上海股市波动具有尖峰厚尾的特性,可进一步用于预测样本外的波动率结果.