我国汇改后汇率波动的实证研究

本文通过ARCH族模型来对人民币/美元汇率收益率进行建模,并分析其波动的杠杆效应和风险溢价效应,结果发现汇改后外汇市场效率有所提高,外汇市场的风险可由过去的风险程度加以预测.由TARCH、EGARCH、EGARCH-M模型的研究显示人民币/美元汇率收益率存在杠杆效应,存在明显的非对称性,还不具备具有的高风险高回报的风险溢价效应特征.     

基于SV模型的行程时间预测

行程时间的波动性分析及预测是道路交通网络研究的重要内容,为有效预测出行者行程时间,本文基于实际路段行程时间数据构建随机波动率模型,利用马尔科夫链蒙特卡洛方法求解模型参数,使用标准随机波动率(SV-N)模型和厚尾随机波动率(SV-T)模型对行程时间进行预测。结果表明:在刻画对路段行程时间波动率特征的效果上,厚尾随机波动率模型优于标准随机波动率模型;在行程时间预测上,厚尾随机波动率模型更能准确地进行实时预测。本文方法对行程时间预测具有实时性,可对实际路段行程时间进行在线预测及对交通出行者的路线规划提供理论依据。     

基于分位数回归的人民币兑美元汇率风险测度

针对人民币兑美元汇率风险问题,提出了一种基于分位数回归的风险测度方法;以2015-08-11—2019-09-16人民币兑美元汇率中间价数据为研究样本,运用EGARCH模型和TGARCH模型刻画了外汇收益率序列存在的不对称性、波动集聚性以及尖峰厚尾性特征,并在GARCH族VaR模型的基础上构建了QR-GARCH族VaR模型,最后选择Kupiec失败率检验和动态分位数检验等后测检验方法,比较了两类模型的风险预测精度;结果表明:相对于GARCH族VaR模型,QR-GARCH族VaR模型不仅仅对随机扰动项的假设分布不敏感,并且表现出显著优异的风险预测能力,其中基于t分布的QR-EGARCH VaR模型的预测能力最优,故QR-GARCH族VaR模型在人民币兑美元风险测度问题上更具适用性和稳健性。     

人民币/美元汇率收益率的统计特性和非线性特征研究

采用非参数检验(Jarque-Beta检验和Kolmogorov-Smirnov检验)以及Q-Q概率图对人民币/美元汇率收益率进行正态性检验,随后利用替代数据法对人民币/美元汇率收益率进行相关性和非线性特征检验.研究结果表明:人民币/美元汇率收益率不服从布朗运动,存在"尖峰厚尾"的现象,并且呈现内在的确定性非线性特征,这说明这些汇率的非线性特性是来自于产生它们的复杂经济系统内部因素,而不是源于其经济系统外部变量.     

中国股市跳跃行为的随机波动模型分析

基于上证综指样本数据,探讨双跳跃随机波动模型并研究股市波动跳跃行为.应用马尔科夫蒙特卡洛方法对模型参数进行估计,通过残差正态检验比较各类随机波动模型刻画股市波动能力,采用损失函数评价法和线性回归法,评估其对上证综指波动的预测精度.结果显示,中国股市跳跃波动程度和强度较大,对股市收益和波动均有显著影响;在引入跳跃成分刻画股市异常波动行为后,双跳跃模型显著提高股市收益波动率的估计精度与预测能力.     

美元/欧元汇率的趋势与波动分析及区间预测

对美元/欧元汇率进行趋势与波动分析并作出区间预测。利用BP神经网络提取趋势,对残差分别运用自回归移动平均模型和广义自回归条件异方差模型分析波动性,将趋势与波动性结合给出区间预测。对2001年7月至2017年10月美元/欧元汇率的研究发现,BP神经网络具有很好的非线性刻画能力,但只有合适的预测精度才能得出较好的预测区间,同时也发现,广义自回归条件异方差模型对波动性的分析效果优于自回归移动平均模型。因此,BP神经网络模型与广义自回归条件异方差模型的组合模型(BP-GARCH模型)更适合时间序列的中长期区间预测。通过调节BP神经网络的参数、误差及预测精度提高组合模型的精度。     

基于多分辨率分析和极值理论的集合VaR模型

为了捕捉金融资产价格波动的多尺度时变特征,利用多分辨率分析(multi-resolution analysis,MRA)将收益率序列分解成不同时域上的正交分量,并对各分量序列分别建立适当的ARMA-GARCH模型,在此基础上引入极值理论(extreme value theory,EVT)对收益率的厚尾性进行建模,构建了一种MRA-EVT模型.将该模型应用于沪深300指数的VaR预测.实证研究结果表明,与传统ARMA-GARCH模型、无条件EVT模型和MRA模型相比,该MRA-EVT模型显著提高了VaR的预测绩效.     

京东小金库收益波动率的GARCH类模型构建

鉴于互联网金融对经济发展起着越来越重要的作用,针对收益波动率的分析已成为当下热点话题,提出基于互联网理财产品收益波动率的研究。首先选取京东小金库(嘉实)七日年化收益率作为研究对象;其次运用ADF检验、自相关性检验等方法仔细分析数据特征,得出收益率具有非平稳性、自相关性、尖峰厚尾、波动集聚性、异方差性等特征;最后基于数据特征分析结果对收益率构建了基于GED分布的TGARCH(1,1)和EGARCH(1,1)模型,通过ARCH效应检验以及模型输出结果,得出上述模型可以很好地拟合数据的结论;分析模型结果发现:京东小金库收益率存在反杠杆效应,即当市场上出现"利好消息"时,收益率波动更明显。     

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.     

考虑跳跃和杠杆效应的股市多分形波动率建模

考虑股票市场中存在的跳跃行为和杠杆效应等特征,在HAR模型基础上,构建了一种新的多分形波动率模型.以上证指数和深证成指每5min高频数据为研究样本,运用“模型信度设定”(MCS)检验方法,实证对比了各波动率模型在高波动和低波动两个子样本期对我国股市的预测能力.实证研究结果表明,所提出的多分形波动率测度指标及其计量模型具有较好的预测作用,特别是在高(极端)波动时期其优势更为突出;研究结果有望为金融风险(特别是极端风险)的管理与控制提供新思路与新方法.     

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。     

汇率收益率短记忆性与长记忆性特征的研究

采用Q检验,经典R/S分析法以及ARFIMA模型对人民币和欧元汇率收益率序列的记忆程度进行研究,结果表明人民币汇率收益率虽然不存在显著的短记忆性,但长记忆特征比较显著,而欧元汇率收益率虽然存在短记忆特征,但不存在显著地长记忆性,说明了欧元外汇市场的成熟和人民币外汇市场的低效,因此,对两种汇率收益率序列的拟合预测需建立不同的数学模型.     

基于极值理论的ARMA-GARCH-M类模型及实证分析

为预测金融资产回报序列的极端风险,用ARMA-GARCH-M类模型处理回报序列的异方差性,风险溢价性.结合EVT方法捕捉回报序列分布厚尾的优势,建立两个度量金融市场极端风险的模型:EVT-ARMA-EGARCH-M模型与EVT-ARMA-TGARCH-M模型.最后以苹果公司股票数据为实例,证实了两个模型都能很好的刻画极端风险.     

基于GARCH-分形布朗运动模型的碳期权定价研究

文章将广义自回归条件异方差(generalized autoregressive conditional heteroskedasticity,GARCH)模型和分形布朗运动结合引入碳金融期权定价研究中。通过对欧洲碳排放配额(European Union Allowance,EUA)期货收盘价的样本数据检验,发现其存在尖峰厚尾、条件异方差性和分形特征;采用GARCH模型拟合并预测碳价收益率波动率;将预测的波动率作为输入值代入分形布朗运动期权定价方法,运用蒙特卡罗模拟对EUA期货期权进行定价,并与B-S期权定价法(Black-Scholes Option Pricing Model)比较。结果表明,基于GARCH分形布朗运动模型的碳期权定价法预测精度有显著提高。     

金融时间序列变点探测的小波模极大值线方法

研究小波变换方法在金融时序分析中模型变点探测的应用,对金融时间序列采用连续小波变换,通过分析小波变换模极大值线对应的时间序列样本点的小波系数特点,提出了金融时间序列变点探测的小波模极大值线方法,并对广义自回归条件异方差均值模型(GARCH-M模型)进行了仿真计算,其结果验证了此方法的实用性和有效性.该方法更能准确定位金融资产收益率波动所发生的具体时刻,有利于金融资产价格异常时点的正确识别与统计建模分析和资产收益率波动的预测.     

非齐次Poisson跳-扩散再装股票期权的定价

文章假定股票价格过程遵循非齐次Poisson跳跃扩散过程,并且股票预期收益率μ(t)、波动率σ(t)和无风险收益率r(t)均为时间的函数,在风险中性定价模型中,得到了再装股票期权的定价;比较了时间依赖参数下与参数为常数下的定价公式,并讨论了当有红利率为δ(t)时的期权定价公式。     

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。     

基于GARCH-MIDAS模型对股市波动率预测

极端冲击(例如战争和金融危机)会导致股市波动剧烈.提出5种增强的混频模型(GARCH-MIDAS),可以捕捉非对称和极端冲击对股市波动率的影响.样本内的结果表明,我国股市存在明显的波动率聚集效应和杠杆效应,并且负面的极端震荡会导致较高的波动性.而样本外的MCS和DM检验结果则清楚地显示出EGARCH-MIDAS-ES模型最适合预测股市波动率,该模型在短期波动中纳入了非对称效应,长期趋势中加入了极端冲击的影响.此外,稳健性检验证实,与标准GARCH-MIDAS模型相比,增强的波动率模型在统计和经济方面均可产生更好的预测结果.通过考虑极端冲击,为股市波动率预测提供了新的见解.     

复杂金融系统的重现时间间隔分析

依据复杂性科学的思路,研究了金融市场大波动极端事件的重现时间间隔,考察了中国股市高频数据的重现时间间隔分布和时间关联特性,介绍了几种分布检验和关联测度方法,从不同角度进行精确分析.其次,系统介绍了重现时间间隔分析方法在金融复杂系统研究中的应用,对波动率、已实现波动率、收益率和交易量的重现时间间隔进行了实证分析,并在此基础上进行初步市场风险估计.最后,介绍了基于委托驱动的微观模型,通过模拟交易人的委托下单过程模拟市场的价格波动演化,研究大波动极端事件重现时间间隔的动力学机理,为中国股市大波动极端事件的风险估计和规避提供理论依据.     

基于GJR模型的中国股市收益率波动性研究

取一段时间的上证指数日收盘价为数据样本,从时间序列分析的角度运用模型重组方法构造带student-t分布的ARMA-GJR-M模型研究中国股票市场收益率的波动性。结果表明,ARMA(4,3)-GJR(1,1)-M模型能够全面描述中国股票市场收益率的非正态性、尖峰厚尾异方差性、强烈的波动集聚性和自相关性以及波动过程中的杠杆效应这四大特征。同时,收益率与风险大小成正比也在模型中得到很好的体现。实证结果显示,ARMA-GJR-M模型的拟合效果比GJR-M模型的更好。