GARCH模型在计算我国股市风险价值中的应用研究

主要讨论VaR模型中有关波动率的估计方法。通过拉格朗日检验（LM），发现上海股市的日收益率服从ARCH过程。分别采用GARCH（1,1）模型、RiskMetrics和移动平均法预测上海股市日收益率的波动性，计算每天的VaR。返回式检验表明，GARCH（1,1）模型比RiskMetrics和移动平均法能更准确地反映我国上海股市的风险。     

可加模型及其在金融市场波动率估计中的应用

放宽了传统GARCH模型参数形式的假定,将可加模型引入条件方差的估计,改进了Btihlmann和McNeil提出的迭代算法,并将其用于可加GARCH模型的估计.通过能够模拟真实波动率的数学实验,以及新加坡股市和不同市场股市比较的实证算例,发现可加GARCH模型不仅在估计现有参数模型无法刻画的复杂序列波动率时具有更好的估计效果,而且与一般非参数模型相比也有较好的估计效果.因此,可加GARCH模型对研究新兴市场股市或诸如金融危机等存在复杂波动特征的金融市场有着非常现实的意义.     

多元变结构门限GARCH模型的伪协同持续性研究

首先在理论上证明了变结构GARCH模型与IGARCH模型的关系,从而给出了波动持续性产生的一个主要原因,其次基于变结构GARCH模型伪持续性的概念给出了多元变结构门限GARCH模型伪协同持续性的定义;最后应用深圳和上海两个股市的日数据进行实证研究,表明两个股市的波动都存在很强的持续性,且他们之间是伪协同持续的.     

基于幂律型分布的动态VaR模型及实证研究

针对金融资产回报时间序列的尖峰厚尾性和波动集聚性,提出了基于AR(1)一GARCH(1,1)模型与幂律型分布相结合计算VaR的方法.用GARCH模型对时间序列建模刻画波动集聚性,用基于幂律型分布的扩展形式拟合GARCH模型的残差分布尾部,刻画回报时间序列的厚尾特征,两者结合更好地描述回报时序的动态波动现象.对上证综指进行实证分析,结果表明,文中提出的方法比基于正态分布的GARCH模型和静态幂律尾法更精确.     

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EGARCH和C-F扩展的VaR模型及应用

分别运用EGARCH和Cornish—Fisher扩展的VaR模型对中国深、沪股市的期望收益率与风险进行了实证比较研究，发现结合异方差的Cornish—Fisher扩展的VaR模型与仅用波动率描述的VaR计量方法比较，具有较好修正作用；同时对中国股票市场风险成因作了初步探讨。     

多分形波动率测度的VaR计算模型

以上证综指长达6年时间的5分钟高频数据为实证样本,首先提出了一种基于多分形谱(Multifractalspectrum)分析的市场波动率测度方法(Volatility measurement),并进一步探讨了其在市场风险价值(VaR)计算中的模型设计和应用.实证结果表明: 我国新兴资本市场的价格波动确实具有显著的多分形特性,且与各类线性和非线性GARCH族模型相比, 在高风险水平上,基于多分形波动率测度的VaR模型具有更高的风险测度精度.     

SV和GARCH模型拟合优度比较的似然比检验

讨论了在金融时间序列中广泛应用的两类波动性模型，即ARCH模型和SV模型的比较问题．从似然比原理出发，提出了一种基于随机模拟的似然比检验方法，阐明了利用该方法进行模型间比较的基本步骤，并利用基于随机模拟方法的似然比检验，分别比较了SV与GARCH(1，1)、SV与t-GARCH对上海股市数据拟合优度，结果表明：SV模型对于上海股市时间序列数据的拟合好于GARCH(1，1)模型，而SV模型上海股市时间序列数据的拟合与t-GARCH(1，1)模型效果相当。     

基于日内价格幅度与回报的随机波动率模型

金融资产波动率测量与建模是金融理论与实践中的一个重要课题，已经有了许多测量与建模方法。本文引入了基于日内价格幅度与回报两个测度指标的随机波动率模型。利用中国股市数据进行的实证结果表明，与单测度指标的随机波动率模型相比．基于两个测度指标的随机波动率模型能更好地描述股票市场波动率和市场波动风险。     

基于结构转换PTTGARCH模型沪深股市波动率的估计

考虑股市收益率波动存在结构转换特征以及描述波动非线性和非对称特征的幂变换门限GARCH(PTTGARCH)模型,本文提出结构转换PTTGARCH模型.选取沪深300指数日对数收益率作为研究对象,将股指的波动变化分为下跌、上涨和盘整三个状态:选用2013年7月1日至2015年12月17日以及2015年12月18日至2016年1月8日作为样本内和样本外时期:分别应用GARCH,EGARCH,APGARCH,PTTGARCH模型及具有结构转换的相应模型对沪深股市波动率进行估计和预测,利用高频数据得到的已实现波动率作为股指实际波动率的估计.采用平均平方误差(MSE_1,MSE_2),平均绝对误差(MAE_1,MAE_2)对估计与预测的波动率进行评价,并采用模型信度集(MCS)检验比较各模型估计和预测能力.研究结果表明:单状态和具有马尔可夫结构转换PTTGARCH模型在样本内和样本外的拟合和预测结果均更为准确.     

SV-GED模型在中国股市的VaR与ES度量及分析

从分析中国股市指数收益率的统计特征入手,以SV模型为基础,在多种分布情形下测算了沪深两市时变风险值V aR及ES。结果表明:基于GED分布的SV模型(SV-GED模型)较好地刻画了高频时间序列的尖峰肥尾性及波动集聚性与持续性等特性,并对两市指数进行较准确的预测,ES相比V aR能够较准确地估计尾部风险。     

随机波动性模型的比较分析

对均值条件分布为正态分布的随机波动性模型与条件厚尾分布的随机波动性模型进行了比较分析．实证结果表明，厚尾分布的随机波动性模型较正态分布的随机波动性模型能更好地描述我国股市的回报与波动性的特征．     

变截距SV模型及其在上海股市的实证

给出波动变结构的 Bayes诊断方法 ,并用上海股市的数据对它进行了实证检验 ,在此基础上建立了一类变结构随机波动模型——变截距 SV模型 ,实证分析与 Monte Carlo试验表明 ,随机波动模型的持续性参数对波动的变结构是极为敏感的     

股市风险VaR与ES的动态度量与分析

首先描述金融时间序列的一般特性，从收益率的波动性与分布两方面进行考虑，建立起计算时变风险值VaR和ES的模型，并在多种分布情形下动态测算上证综合指数的风险，结果表明基于GED分布的VaR模型能够较好地刻画高频时间序列的尖峰肥尾性及杠杆效应等特性，而ES模型则有效地弥补了VaR模型的不足之处。     

随机波动率模型的参数估计及对中国股市的实证

基于有效重要性抽样(EIS)技巧,提出极大似然(ML)方法估计了四种不同收益分布假定的随机波动率(SV)模型的参数. 以上证综合指数和深证成份指数为例,实证检验了不同收益分布假定的SV模型的性能,分析适合我国股票市场的SV模型及收益分布. 实证结果表明,与正态分布、学生t-分布和广义误差分布(GED)假定的SV模型相比,具有“有偏”和“尖峰厚尾”特征的有偏学生t-分布假定的SV (SVSKt)模型能够更好地描述中国股票市场的波动性.     

中国股票市场最优清算策略研究

研究机构投资者大额头寸的最优清算策略.通过对市场冲击成本和价格波动风险的权衡,获得了变现期VaR框架下的最优清算策略.理论分析表明:最优清算策略是总头寸、交易间隔、冲击系数和波动率的函数.在估计出中国股票市场冲击系数之后,对理论分析结果进行了实证测算和蒙特卡罗模拟检验.模拟结果表明实证估计得到的清算策略是最优(或近似最优).     

具有杠杆效应SV模型的贝叶斯分析及其应用

对具有杠杆效应的SV模型进行了的贝叶斯分析，使用基于Gibbs取样的BUGS软件对模型的参数进行了估计。用上海和深圳股市的指数收益时间序列对杠杆效应SV模型进行检验，指出沪、深两个股票市场存在显著的杠杆效应。