股票收益率预测及风险与收益关系研究——基于ARMA-GARCH模型和高频数据

以沪深300指数的一分钟为间隔的实时价格为研究样本,利用ARMA模型和基于T分布的GARCH(1,1)模型,对其收益率进行了拟合和预测,同时运用GARCH-M模型,分析风险和收益之间的关系。研究表明,股指波动存在条件异方差性;ARMA模型长期预测效果较好,而GARCH(1,1)-T模型短期预测效果较好;沪深300指数的风险和收益不呈正比,说明我国股市发展不成熟。     

不同分布下非对称GARCH模型波动率预测评价

以损失函数为评价标准,研究不同分布(正态分布、T分布、广义误差分布、偏态T分布)下非对称GARCH模型在上证综合指数波动率的预测能力并进行比较.结果表明,无论样本内还是样本外,非对称GARCH模型均能很好地预测上证综合指数的波动率,其中偏态T分布下TGARCH模型能更加准确地描述收益率分布的尖峰厚尾及非对称特征,预测能力最强.     

沪市180指数波动的实证研究

本文将ARCH族模型运用于我国上海股票市场的实证分析,从实证结果中选择适合上证指数收益率序列的模型,我们得出运用GARCH（1,1）-t模型对上证180指数收益率序列进行刻画较为合适．     

基于半参数GARCH模型的上证指数实证分析

以上证综合指数2006-01-02-2012-12-31的每日收盘价对数收益率为样本,运用半参数GARCH模型对其波动性进行研究,并与参数GARCH模型进行比较,凸显出了半参数模型的优良性.     

基于GARCH族的VaR方法在上证市场中的风险度量

使用上证地产指数的日对数收益率的数据,对其收益率序列进行统计描述,并且建立GARCH族模型。分别在正态分布、T分布和GED分布下总结GARCH参数并计算VAR值,通过实证分析指出序列分布具有尖峰厚尾的特征,上证地产指数的对数价格具有波动率聚集现象,其中利好消息的波动比利空消息更大,上证地产指数存在明显的杠杆效应;T分布下的EGARCH(1,1)模型能够更好地拟合上证地产指数,得出的VAR值准确性较高的结果。     

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.     

基于HMM的VaR风险度量及其实证分析

文章基于隐马尔科夫模型(HMM)提出了度量金融资产风险价值(VaR)的HMM-ARMA-GARCH模型。首先对金融资产收益率序列建立正常状态和异常状态的隐马尔科夫模型,使用期望最大化算法估算出模型中的未知参数,再利用Viterbi算法估算出收益率序列所对应的隐状态序列,根据隐状态序列把收益率序列数据分成正常状态类序列和异常状态类序列2个大类,对2个状态类序列分别建立ARMA-GARCH模型来估算VaR。最后利用该模型和传统的ARMA-GARCH模型对上证企债指数进行了实证分析,采用Ku-piec失败频率检验法对VaR的准确性进行检验。实证结果表明,该模型的VaR计算方法具有较好的估计效果,能够有效地降低GARCH模型高估波动持续性的现象。     

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。     

香港与内地股市的相关性及风险溢出效应研究———基于藤Copula-GARCH模型

目的 构建Copula-GARCH-CoVaR模型,研究深港通实施前后深市、沪市与香港股市间的相关性及风险溢出效应.方法 选取深圳成分指数、上海综合指数和香港恒生指数收益率序列,利用GARCH(1,1)-t模型刻画三地股票市场收益率的边缘分布,选取Pair-Copula并分别基于C藤和D藤对三市场相关性进行分析,通过计算市场间 ΔCoVaR值来分析深港通实施前后深市、沪市与香港股市之间风险溢出变化.结果与结论 相比于D藤,C藤下的Pair-Copula能更好地拟合深市、沪市与香港股市之间的相关结构.     

深证100指数日收益率波动性的实证研究

实证研究表明,对深证100指数日收益率可以建立GARCH(1,1)模型,但不能建立TARCH模型、EARCH模型、Asymmetric Component ARCH模型,即深证100指数日收益率的杠杆效应不显著.换句话说,深证100指数日收益率波动行为具有ARCH效果,但不具有不对称性以及信息程度偏误等特性.