及时性自适应高维经济基本面建模与汇率预测分析

在人民币国际化不断推进,人民币汇率双向波动加强的背景下,构建具有优良预测能力的汇率预测模型愈发重要.参数模型对汇率预测的能力不仅取决于模型设定是否正确,还取决于模型能够同时:一方面能否迅速探测模型参数的结构性变化以使用最佳信息估计模型参数,另一方面能否及时识别模型解释变量以使用最佳解释变量对汇率进行预测.本文构建了自适应变元算法.该算法不仅能实时检测模型参数的结构性变化,探测参数的最大化同质区间,同时还能对变量进行及时识别以选择最佳模型解释变量,提高模型的预测能力.在样本外向前3至24个月的汇率预测中,自适应变元算法能显著超越随机游走,马尔可夫机制转换模型,误差修正模型,实时最优窗算法,多元自适应可变窗算法与其他经济基本面模型包括:弹性货币模型,购买力平价模型,利率平价模型,泰勒规则模型,偏移泰勒规则模型.变量选择结果显示,自"811"汇改以后,经济基本面因素决定了人民币汇率走势.中国与其他发达经济体包括欧元区,英国与日本的经济基本面同样能够决定美元兑人民币汇率走向.另外,自"811"汇改之后,人民币汇率预期相比于"811"汇改之前更易受到外部冲击的影响,合理的人民币汇率预期监管依然需要依赖于实行有管理的浮动汇率制度,防止汇率风险.     

基于TVS-HAR模型的农产品期货市场已实现波动率的预测研究

本文以4种农产品期货的高频数据为样本,在实证考察预测因子对农产品期货已实现波动率的预测能力基础上,通过假定时变HAR模型的参数遵循独立正态-伽马自回归过程先验分布,构建了具有时变稀疏度的HAR模型(TVS-HAR),以同时考虑预测模型参数的时变性和预测模型的时变性,并采用MCS检验评价和比较该模型和其他HAR族模型的样本外预测性能.实证结果表明:TVS-HAR模型能较好地识别和拟合潜在预测因子对农产品期货市场波动率的预测的重要性和影响程度的时变性;跳跃成分对我国农产品期货市场已实现波动率具有一定的预测能力;相对于其他几类HAR模型,TVS-HAR模型的预测性能最好.     

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.     

人民币汇率的半参数预测模型

利用从2006年1月4日到2008年7月18日人民币对美元汇率中间价的日均数据, 同时运用非参数函数系数模型和GARCH模型来分析人民币对美元汇率收益率与波动率的非线性时间序列特征. 实证结果表明, 半参数组合模型具有较好的拟合以及预测效果, 而且汇率管制政策变动的虚拟变量的估计 系数显著不为0. 跨度为50天的样本外预测显示: 96%的收益率真实值都落在2.5%以及97.5%的非参数分位 数回归预测线区间之内; 参数GARCH(1,1)模型拟合的波动率所显示出的汇率震荡与实际情况一致.     

半参数STAR模型的估计及应用

文中首次提出了一个新的STAR模型,在保留了转换函数的前提下,让转换变量以非参数的形式进入转换函数,从而有效减少了模型误设的风险,提高了样本内拟合和样本外预测的能力.蒙特卡罗实验的结果显示半参数STAR模型的有限样本拟合结果令人满意.利用1994年1月到2012年7月的人民币实际有效汇率月度数据,将半参数STAR模型和随机游走模型、自回归模型、门限自回归模型、平滑转换自回归模型和人工神经网络模型的样本外预测能力进行比较,结果显示半参数STAR模型在样本外预测能力上具有显著优势.     

半参数STAR模型的估计及应用

文中首次提出了一个新的STAR模型,在保留了转换函数的前提下,让转换变量以非参数的形式进入转换函数,从而有效减少了模型误设的风险,提高了样本内拟合和样本外预测的能力. 蒙特卡罗实验的结果显示半参数STAR模型的有限样本拟合结果令人满意. 利用1994年1月到2012年7月的人民币实际有效汇率月度数据,将半参数STAR模型和随机游走模型、自回归模型、门限自回归模型、平滑转换自回归模型和人工神经网络模型的样本外预测能力进行比较,结果显示半参数STAR模型在样本外预测能力上具有显著优势.     

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.     

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.     

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.     

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.     

融合机器学习算法的期权定价

设计了融合参数模型和非参数机器学习模型进行训练的算法，利用非参数模型拟合参数模型，将其作为先验分布，然后采用贝叶斯学习方法进行优化，并在训练中实现分布的动态调整。该方法在训练过程中有助于避免模型参数过度波动，提升模型泛化能力。针对期权定价，在BS、Heston等参数模型及神经网络等机器学习模型基础上，构建了相应的融合模型BS_BR和HS_BR，并利用市场数据进行了实证分析。研究表明，融合模型可以较好地发挥两类模型的优势，无论是在样本内拟合效率，还是样本外预测能力方面都具有更好的表现。     

基于局部波动率模型的上证50ETF期权定价研究

局部波动率模型被广泛运用于风险管理、期权定价等领域,该模型不仅可以描述波动率微笑、期限结构等实际现象,同时能保证市场的完备性.研究局部波动率模型的核心目标是对隐含波动率进行建模.本文分别通过参数法和非参数法对隐含波动率建模,不仅保证了波动率曲面的无套利性,同时给出了非参数法求解局部波动率的显式表达式,从而消除了近似误差,得到较为光滑的波动率曲面.此外,本文基于局部波动率模型对我国上证50ETF指数期权的定价进行了实证研究,分别从样本内定价误差、样本外定价误差、套期保值效果三个方面分析比较了该模型的定价效果.实证结果显示:对样本内数据,非参数法拟合的定价结果优于参数方法;对样本外数据以及套期保值效果来说,参数法取得的效果较好.特别地,隐含波动率建模方法无论是对期权定价还是套期保值,效果均优于直接根据市场数据建模的结果,样本内定价误差可减少一半以上,均方误差可降低1～2个数量级.     

基于混频数据驱动神经网络模型的波动率预测研究

金融市场价值波动与经济政策等宏观环境密切相关,其影响要素多源,价值波动往往表现出复杂的统计特征与变化规律,现有的波动率预测模型难以有效地预测其价值波动规律.面对价值波动中风险要素多源、频率多样、关系非线性的潜在挑战,考虑到深度学习框架下CNN和LSTM的计算优势,本文提出了基于混频数据反向抽样的CNN-LSTM的波动预测模型:MDNN (mixed frequency data-driven neural network),该模型既有效提取多元时序数据的时空特征、又充分利用混频信息,使其预测能力与泛化能力得到有效提升.选取常见的供应链金融质押物铜、铝和锌作为研究对象,样本外预测结果表明:相比于基准模型,MDNN更加准确、有效地预测出质押物已实现波动率,其稳健性检验也表明实证结论的可靠性.     

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.     

时间连续的马尔柯夫过程在汇率预测中的应用

为克服应用传统统计方法进行汇率预测时,因误选模型而导致的误差,提出了基于时间连续马尔柯夫过程的汇率预测方法。通过确定马尔柯夫过程的转移速度矩阵,建立汇率短期预测模型,并对其用拉普拉斯变换进行求解。将此模型应用于欧元/美元汇率的短期波动预测,实例表明,预测结果与实际观测值符合较好。     

人民币汇率的稳定机制及其动态过程(Ⅱ)——实证分析

首先应用协整方法检验人民币汇率、外汇储备、进出口及国际外汇市场的汇率（日元对美元的双边汇率）变化的可积性和变量之间的协整关系，进而建立用来描述人民币汇率由短期波动向长期均衡非线性调整的动态过程的误差修正模型．实证分析结果表明，模型的所有估计系数具有我们建模时设定的符号；并且人民币汇率、外汇储备及美元／日元汇率之间存在唯一的长期稳定关系，即协整关系；短期预测模型不仅具有令人满意的拟合效果和预测能力，而且具有结构稳定性     

基于符号价格极差的金融资产波动率预测研究

从价格极差在补充波动率预测方面的优秀表现和收益率符号信息在资本市场的广泛运用出发,本文将价格极差与收益率符号结合起来,构建了符号价格极差这一影响因子,并加入到4个主流的HAR模型中.基于上证综指的5分钟高频交易数据的实证结果表明:符号价格极差短期内对未来波动率影响显著且具有"非对称性",负(正)的符号价格极差导致未来波动率明显提高(降低);样本外预测结果显示,引入符号价格极差能够显著提高模型的预测能力且结果是稳健的,其中HAR-RSV-SR模型和HAR-Q-SR模型分别在对短期(1天)和中长期(5天和20天)的未来波动率预测中,表现出最高的预测精度.本文的结论对于波动率在资产定价和风险管理上的应用有着重要的参考价值.     

期权交易量能预测波动率吗——来自上证50ETF期权的证据

本文基于上证50ETF期权日交易量,按在值程度构建虚值,平值和实值期权的交易量占比,测试各类期权交易对上证50ETF已实现波动率的预测能力.结果发现虚值期权能显著提升HAR, HAR-CJ模型的波动率预测效果.进一步研究发现,虚值期权中的信息含量主要来自于深度虚值期权,非深度虚值期权对波动率预测效果较弱.相比隐含波动率,深度虚值期权对波动率的样本内拟合和样本外预测效果都更佳.深度虚值期权中,看涨期权的信息含量大于看跌期权,且看涨期权交易量与未来波动率负相关,看跌期权交易量与未来波动率正相关.这些结果表明,信息交易者倾向于使用深度虚值期权交易,而深度虚值看跌和看涨期权与未来波动率的不同关联性恰好与杠杆效应一致.本文的发现可用于改进现有的波动率预测模型,还将有助于完善监管者的风控指标体系.