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.     

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.     

HAR族模型与GARCH族模型对不同期限波动率的预测精度比较——基于沪深300指数高频价格的实证分析

以对收益条件方差建模的GARCH族波动率模型,及对高频已实现波动建模的HAR族波动率模型为考察对象,采用滚动时间窗的样本外预测,结合具有Bootstrap特性的SPA检验法,分别使用4种常用的损失函数作为评价指标,比较了13种常用波动率模型对沪深300指数短期、中期、长期波动率的预测精度。实证结果表明,对数形式的HAR-RV-CJ模型对短期、中期、长期波动率的样本外预测都具有最高的精度,且对长期波动率预测的优势最为显著;对收益条件方差建模的GARCH族模型即便加入已实现波动作为附加解释变量,其预测精度仍无法超越对已实现波动直接建模的HAR族模型。     

考虑杠杆效应的多重分形波动建模:基于中国股指的实证分析

为提高波动估计的准确性,针对修正因子的不足,改进了多重分形波动率测度,建立了反映多重分形波动特征的ARFIMA模型和HAR模型.样本内拟合实证表明:考虑杠杆效应的多重分形波动建模明显提高模型拟合程度.样本外预测实证表明:基于多重分形的波动模型是比GARCH类模型更有效的预测模型.两方面实证表明考虑杠杆效应的多重分形波动建模更能有效地刻画金融市场波动复杂性.     

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.     

沪深300指数期货已实现波动率的跳跃行为

采用修正的已实现门阀多次幂变差研究沪深300股指期货已实现波动率的跳跃特征,并通过构建考虑跳跃的AHAR-C-TCJ模型研究沪深300股指期货已实现波动率的跳跃成分对股指期货市场未来波动率预测的影响。结果表明:沪深300股指期货波动率的连续成分存在较强的长记忆性,而离散跳跃序列的长记忆较弱,但仍具有一定的可预测性;跳跃的久期序列的自相关性较强,而规模序列的自相关性不显著;显著的离散跳跃对沪深300股指期货日、周以及月的已实现波动率的预测都存在显著的正向影响,AHAR-C-TCJ模型能显著提高股指期货市场波动率的预测精度,尤其是标准差形式和对数形式的AHAR-C-TCJ模型。     

基于跳跃、跳跃强度和机制转换的股票市场波动建模及其预测研究

将跳跃及其跳跃强度引入到异质自回归(heterogeneous autoregressive, HAR)模型中,并在此基础上进一步嵌入固定转移概率矩阵的马尔可夫状态转换机制模型,构建出系列新的波动预测模型.运用系列统计检验手段(如模型置信度检验、样本外R²检验、趋势检验)评估上述预测模型对中国股票市场波动的预测能力,样本外的实证结果表明:1)与基准模型相比,结合马尔可夫机制转换的模型具有更好的预测表现; 2)相比其他预测模型,包含跳跃、跳跃强度以及马尔可夫机制转换的模型(MS-HAR-TJI)具有更高的预测精度; 3)在新冠疫情爆发期以及高波动时期, MS-HAR-TJI模型对中国股票市场波动仍具有很强的预测能力.     

基于马尔可夫状态转换方法的套期保值

中国商品期货市场由于各种因素影响导致期现关系的高、低波动状态发生变化, 这对套期保值产生重要影响, 将马尔可夫状态转换方法引入到中国商品期货市场最优套期保值研究, 分析状态转换下的套期保值. 研究表明, 期货市场和现货市场的关系表现为相异的高、低波动状态, 高波动状态的稳定性、持续时间均低于低波动状态, 市场所处的状态与基差变化密切相关. 套期保值绩效分析表明, 单一状态套期保值中MGARCH模型的效果好于VECM, 而VECM又好于VAR, 它们均优于OLS模型. 时变转换概率和常转换概率马尔可夫模型的套期保值效果优于单一状态下的套期保值.     

基于SSA-ELM的大宗商品价格预测研究

随着经济全球化的发展,国际期货市场中各大类大宗商品价格波动剧烈,而全球经济形势不明朗以及货币政策不确定使得大宗商品期货价格难以被准确预测.本文选取玉米,原油,黄金分别作为大宗商品农产品类、能源类、金属类的代表对象,基于奇异谱分析方法(singular spectrum analysis,SSA),对商品期货价格进行分解,结合Kmeans动态聚类技术将分解量聚合成不同特征的价格序列,再采用具有优良特性的极限学习机算法(extreme learning machine,ELM)对模型进行训练,得到大宗商品期货价格预测模型.实证结果表明,采用序列分解聚类策略能够显著提高模型预测精度,在价格未来的整体水平和变动方向上都能达到较好的预测效果.     

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.     

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。     

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.     

金融危机背景下的人民币汇率预测

在为金融危机期间人民币汇率的波动提供一种有效的预测方法.在利用替代数据方法检验和判别汇率系统具有非线性结构的基础上,识别了各具体汇率序列的最优滞后期组合,并分别采用了多层感知机(MLP)和层反馈网络(RNN2)结构构建同质神经网络模型,从三个方面对比分析了模型群在不同参数条件下的预测效果. 研究发现,根据不同序列的具体特征,各神经网络模型在不同自由度下的4个预测期限内的预测性能存在较明显的差异.同时,包含层反馈过程的RNN2模型在描述与预测人民币汇率的波动方面表现出很强的能力.此外, 还分析并解释了产生上述结果的原因,并为4种人民币汇率波动序列甄选出了相应的最优预测模型.