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.     

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.     

中国股市波动率的广义周内特征及其预测模型

本文将Realized GARCH模型推广至基于周历日的时变参数情形以刻画杠杆和溢出效应的周内特征并避免传统GARCH类模型在拟合长记忆性与周内效应时两者相互干扰问题.将新模型应用于上海股票市场2001至2013数据的分析发现:我国股市波动率存在时变的杠杆效应和溢出效应.实证结果表明:新模型无论在样本外的预测能力还是在样本内的拟合度上都明显优于现有模型.     

投资者关注对中国黄金价格波动率的影响研究

黄金具有商品和货币的双重属性,是投资者进行资产保值及增值的重要手段.本文从行为金融理论出发,采用广义自回归条件异方差混频数据抽样模型(GARCH-MIDAS),探究百度指数和谷歌趋势对中国黄金价格波动率的预测能力.同时,引入了全球经济政策不确定性(GEPU)指数以及地缘政治风险(GPR)指数变量,检验对黄金波动的影响.进一步地,使用模型信度集(model confidence set,MCS)和方向检验(direction-of-change,DoC)两种评价方法检验各模型的样本外预测精度.实证结果表明,谷歌趋势能够显著大幅提升中国黄金价格波动率的预测精度,为准确预测我国黄金波动提供了新的视角,为稳定金融市场提供了可靠保证.     

羊群效应的新测度指数及其对我国股市波动的预测作用研究

羊群效应作为一种典型的市场投资者行为异象，极易对股票价格波动形成影响.因此，在已有羊群效应测度方法基础上，提出了一种新的羊群效应测度指数，并以我国上证综指为样本，运用广义自回归条件异方差混频数据（GARCH-MIDAS）模型实证检验了该指数对上证综指波动率的影响及预测作用，并与多种常用的同频数据GARCH族模型和纳入经济政策不确定性指数（EPU）的波动率模型进行比较分析.实证结果表明，相对于EPU指数，纳入新羊群效应指数的GARCH-MIDAS模型具有更显著的样本内参数估计结果，同时可以更好地解释上证综指波动的长期成分.进一步，模型信度集合（MCS）检验和预测方向准确性（DoC）检验结果表明，纳入新羊群效应指数能够显著提高模型对我国股市波动率的样本外预测精度.最后，采用不同样本外预测天数、不同损失函数、不同滞后期预测以及基于深证成指样本的各种实证结果进一步证实上述结论的稳健性.     

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.     

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.     

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.     

隔夜收益率能提高高频波动率模型的预测能力吗

将隔夜收益率作为解释变量加入到高频波动率模型中,研究其对模型预测精度的影响.以沪深300指数为例,运用样本外预测技术及新颖的模型可信集检验方法,同时选取比RV更为稳健的两尺度已实现波动率为基准波动率,实证研究表明,隔夜收益率对短期波动率存在显著的非对称效应;隔夜收益率能改善各波动率模型的拟合能力,并能显著提高模型的短期预测能力;在预测短、中及长期波动率时,已实现和已实现极差高频波动率模型的预测表现并不一致.     

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.     

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.     

中国股市高频波动率的特征、预测模型以及预测精度比较

在HAR-GARCH模型和HAR-CJ模型的基础上构建了自适应的不对称性HAR-CJ-D-FIGARCH模型, 并用以对中国股市高频波动率进行了预测, 然后利用上证综指2000年至2008年的高频数据实证检验了中国股市高频波动率的特征, 最后运用SPA检验评价和比较了构建的模型与其他6类高频波动率模型的样本外预测能力. 结果表明: 中国股市高频波动率同时具有长记忆性、 结构突变、不对称性和周内效应等特征; 结构突变仅部分解释其长记忆性; 高频波动率连续性成分的长记忆性很强, 而跳跃性成分的长记忆性非常弱. 相比于其他6类模型, 自适应的不对称性HAR-CJ-D-FIGARCH模型对样本内数据的拟合效果最好, 同时也是样本外预测性能最好的模型.     

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.     

基于GAS的混频Copula模型的投资组合风险预测

考虑到金融资产间的相关关系具有时变性和长记忆性,纳入了混频数据抽样(mixed data sampling,MIDAS)的混频Copula (MIDAS Copula)模型虽能刻画时变性和长记忆性,但其参数演变过程较为简单,因此将广义自回归得分(generalized autoregressive score,GAS)模型作为参数演变过程引入MIDAS Copula模型中,构建GAS MIDAS Copula模型.实证分析发现该模型提升了 MIDAS Copula模型对样本拟合的能力;进一步选择不同相关程度的三组沪深300行业指数,分析该模型对不同相关程度行业间时变相关系数长记忆性的捕捉能力及对投资组合的风险预测精度.结果发现:1) GAS MIDAS Copula模型对高度和中度相关行业间相关系数长记忆性的刻画能力均最优;2)对三组数据简单投资组合的VaR与ES回测检验结果显示GAS MIDAS Copula模型均有最高的预测精度.最后基于不同置信水平、不同权重比例、不同样本滚动窗口长度以及不同资产的各种风险预测结果证实了 GAS MIDAS Copula模型的稳健性.     

调整"已实现"波动率与GARCH及SV模型对波动的预测能力的比较研究

高频金融时间序列的分析与建模是金融计量学的一个全新的研究领域，“已实现”波动率是针对高频金融时间序列的一种全新的波动率的度量方法。为了降低“已实现”波动的测量误差，提出更有效的调整“已实现”波动。针对调整“已实现”波动的长记忆性和“杠杠”效应建立ARFIMAX模型。通过设定一系列标准，全面比较基于调整“已实现”波动的ARFIMAX模型、GARCH模型以及SV模型的预测能力。     

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.     

基于贝叶斯原理的随机波动率模型分析及其应用

基于贝叶斯原理,对随机波动性模型进行研究,并将随机波动率模型应用股市风险价值VaR的估计与预测.针对中国股市数据进行的实证结果表明,与GARCH模型相比,随机波动率模型能更好地描述股票市场回报的异方差和波动率的序列相关性;基于随机波动率的VaR较GARCH模型的VaR具有更高的精度.