基于局部均值分解的高频金融数据波动率估计

为解决高频数据在风险评估中存在的非线性问题,提出了利用局部均值分解方法实现高频数据波动率估计。首先,采用高频模拟数据验证估计方法的可行性; 其次,将沪深300 指数不同频率收盘价作为研究对象,利用局部均值分解方法估计波动率,计算相对误差统计量。实验结果表明,利用局部均值分解方法可以有效实现高频数据波动率估计和解决高频数据中的非线性问题,随着抽样频率的增加,估计精度逐渐提高。该方法为高频数据波动率非参数估计提供了新的研究思路。     

GARCH-neural网络模型对股票价格买卖差波动率的预测

股票价格买卖差是衡量金融市场流动性和有效性的重要指标,已经得到学术界的广泛研究.相比而言,作为衡量股票市场风险的重要因素的股票价格买卖价差的波动率却没有得到相同的重视.在广义自回归条件异方差(generalized autoregressive conditional heteroscedasticity,GARCH)模型的基础上,提出了GARCH-neural network (GARCH-NN)混合模型分析股票价格买卖价差波动率的动态性.以深圳证券交易所成分股价指数的高频数据为样本对所提模型进行了实证分析.运用GARCH家族模型对股票价格买卖差波动率的动态性进行分析,得出预测效果最优的GARCH模型.在最优GARCH模型的基础上结合神经网络分析方法即GARCH-NN混合模型对样本数据进行了实证分析.比较分析最优GARCH模型和GARCH-NN混合模型对股票价格买卖差波动率的预测效果,并以AIC(Akaike information criterion)和BIC(Bayesian information criterion)作为检验模型预测效果的指标.实证结果表明,提出的GARCH-NN混合模型更优.     

基于分类信息GARCH模型的高频数据波动率研究

提出了基于分类信息的C-GARCH模型和S-GARCH模型,并结合传统未考虑分类信息下的GARCH模型,以上证综指五分钟数据为样本,对波动率进行了实证分析;研究结果表明:分类信息GARCH模型优于未考虑分类信息的模型,最优模型为C-GARCH模型,其次为S-GARCH模型;好消息和坏消息对高频数据方差的影响程度相对较小,但却提高了描述精度;好消息与方差波动负相关,坏消息与方差波动正相关;坏消息对波动率的影响比好消息大,具有非对称性。     

基于广义可加模型的波动率估计方法

放宽了传统GARCH模型参数形式的假定,将广义可加模型引入条件方差的估计,改进了[Bhlmann P,McNeil A J.An algorithm for nonparametric GARCH modelling.Computational Statisticsand Data Analysis,2002,40(4):665-683]提出的迭代算法并将其用于可加GARCH模型的估计.通过能够控制真实波动率的数学模拟实验,分别用样本内和样本外估计的方法说明了可加GARCH模型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,而与非参数模型相比,可加GARCH模型也有较好的估计效果.通过一个推断波动特征的算例,表明了可加GARCH模型对研究新兴市场股市或者处于金融危机中的股市等存在复杂波动特征的金融市场波动率有着非常现实的意义.     

基于极大重叠离散小波变换的金融高频数据波动率估计

利用极大重叠离散小波变换方法对资产收益的积分波动率进行估计.针对沪深300指数选取不同小波函数估计积分波动率,计算相对误差统计量.结果表明,不同小波函数对积分波动率估计不存在显著差异,但随着抽样频率的增加,估计精度逐渐提高.对尺度及其相应尺度下的波动率进行对数变换可见,二者之间存在显著的线性关系,随着尺度的增加,波动率逐渐变小.     

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.     

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.     

基于分位数回归的企业债信用风险研究

将非参数GARCH模型的方差方程取对数变换后所得的模型用于估计企业债利差波动率。针对模型误差的非对称性，利用更为稳健的分位数回归方法估计改进后的非参数可加GARCH模型。实证分析结果表明，改进后的模型对波动率的估计更为有效；分位数回归方法比最小二乘回归方法能更有效的克服模型误差的非正态影响，对异常值的敏感程度更低，是一种非常稳健的估计方法。     

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.     

基于风险度量模型的高频股票交易数据的比较分析

探讨GARCH-VaR和GARCH-CVaR模型的参数估计,并在实例分析中比较了其估计效果.针对高频股票交易数据的非平稳性,建立对数收益率的ARMA(3,2)-GARCH(1,1)模型,并计算VaR和CVaR的值.实证研究表明,GARCH-CVaR模型比GARCH-VaR模型估计效果更好,运用GARCH模型能有效计算出VaR和CVaR的值,从而精确给出证券市场中高频股票交易数据的风险度量.     

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。     

EMD和GARCH模型应用于股票价格预测

将EMD（经验模式分解）方法应用到股票价格趋势的预测中,找出影响股票市场波动的关键因素,旨在提高预测的精确性。通过EMD方法将上证指数日收盘价数据分解为不同频率的数据段,重组为高频序列、低频序列和趋势序列,运用高阶自回归和GARCH模型对分解出来的各序列进行拟合和预测,避免各个分段预测过程中的误差累积,最后对预测数据重组,得到样本外数据的预测序列。结果表明,该模型具有较好的预测效果,能给投资者提供更为合理的股票投资意见,同时为趋势预测研究提供借鉴。     

双因子GARCH利率波动模型的Bayes估计

本文运用向量GARCH模型描述利率的波动性,建立了双因子GAECH利率波动模型,并分别运用机大似然估计和Bayes估计对模型的参数进行了估计,通过实证分析发现运用GARCH模型能很好地描述利率的波动性且运用Bayes方法能得到更好的结果。     

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。     

多资产波动序列日内共同周期结构研究?

利用灵活傅里叶变换回归(FFF)方法对中国股票市场多资产波动序列建立日内周期模型,并利用典型相关的假设检验和多元信息准则来确定波动序列共同周期成分的数目和周期元素的数目.实证分析表明:1)通过对中国上证8只银行股票146d的5min数据分析,发现有3个共同周期成分可以描述日内波动,并且利用共同周期成分预测未来波动优于时间序列模型的预测效果;2)通过对不同抽样尺寸下的对比研究发现,5min抽样频率的波动序列更适合用降秩方法来确定共同周期成分.     

我国外汇储备汇率风险测度

选取2015年3月18日至2016年7月8日的美元/人民币日频汇率数据作为样本,建立了基于正态分布、t分布、GED分布的GARCH(1,1)模型来研究汇率的波动性,并计算出风险价值(VaR值),结果显示,在置信水平分别为0.99,0.95,0.9的条件下,基于t分布、GED分布的GARCH(1,1)模型的VaR值大于基于正态分布的GARCH(1,1)模型的VaR值,使其有效地估计风险具有现实意义。     

高频金融数据市场微观结构噪音误差

文章针对近年来高频金融数据在波动率研究领域的研究应用中出现的市场微观结构噪音误差影响严重的问题,以"已实现"波动率估计为载体给出了2种有效的市场微观结构噪音估算方法,即微观结构噪音的自协方差估计和以高频数据的"已实现"波动率估计市场微观结构噪音误差,并对两者通过蒙特卡罗模拟试验数据作了比较,得出了相应的结论.     

高频金融数据下二阶波动率阵的估计

文章针对高频金融数据波动率研究领域中出现的微观结构噪音和跳过程的双重影响问题,在对高频金融数据下单个资产跳-扩散定价过程中波动率研究的基础上,对资产定价过程中的跳和微观结构噪音分别进行考虑,得出了高频金融数据下2个资产跳-扩散定价过程中的二阶波动率阵的估计和其收敛速度,扩大了现有文献中相应的研究结果.     

金融市场中高频数据的分析方法

对高频数据所得到的市场波动率特征和常用的模型及估计方法进行系统的总结,归纳出模型的共同特征、不足之处和修正方法,指出了应用高频数据所面临的问题,提出了在中国股票市场中高频数据的应用方法．     

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.