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.     

GARCH模型和SV模型对深圳股市的比较

文章采用GARCH模型和SV模型对深圳股市进行了实证分析;结果表明,基本SV模型较GARCH(1,1)模型能更好地拟合实际金融时间序列数据;从总体上来说,基本SV模型的预测效果优于GARCH(1,1)模型。     

对于预测上海股市股指波动性的数量模型的比较

目前对于随时间而变化的波动性预测模型主要有两类:一类是假设波动性的变化是一个确定性过程的GARCH模型,另一类是假设波动性的变化是一个随机性过程的随机波动模型.本文同时将这两类模型(GARCH(1,1)模型及其特例RiskMetrics模型,随机波动模型)应用于上海股市中,通过对样本外区间的预测准确度来衡量这两类模型对我国股市波动性的预测能力.通过4个预测准确度指标,MS模型对于上证指数在样本外区间的预测相对于另外两个模型而言都是显著最佳的.RiskMetrics模型的表现则要优于GARCH(1,1),且RiskMetrics在实际运用中要方便的多.     

SV模型的模拟GMM方法——兼论涨跌停板制度的有效性

采用SV模型的一个简捷高效的估计方法——模拟广义矩估计方法，以上证综合指数为样本，考查了涨跌停板制度对沪市股票收益波动的影响，并将SV模型的实证结果与GARCH模型进行了比较，发现SV模型的估计更符合实际；最后，利用Monte Carlo方法对股票收益序列进行了模拟和分析，进一步证实了这一结论。     

我国同业拆借市场的时序研究——基于Vasicek模型

同业拆借利率是我国金融市场的主要利率。为了更好的描述我国短期利率的动态特性,本文以我国同业拆借利率作为研究对象,构造了我国同业拆借利率期限结构的基础模型。本文首先通过马尔科夫链蒙特卡罗法对Vasicek模型进行参数估计,并对模型的拟合效果进行分析。然后采用时间序列模型对我国的同业拆借市场中的七日同业拆借利率进行实证研究,得出了我国银行同业拆借市场利率数据序列整体较为平稳的结论,这也说明了其均值回复现象较显著。最后,通过检验发现同业拆借利率的样本内预测存在明显的ARCH效应,样本外预测的研究表明其不存在ARCH效应,由样本内预测建立的GARCH(1,1)模型的拟合效果较好。     

上海证券A股市场波动性拟合模型改进研究

研究了将ARMA模型与ARCH族模型相结合,通过建立ARMA-EGARCH-M模型来拟合证券市场波动性,基于大样本数据通过样本期内外模型预测能力检验,得出结论认为针对上海证券A股市场,改进后的波动性拟合模型相较于广泛使用的GARCH(p,q)-M模型具有更好的样本外预测能力.     

基于有序抽样样本参数的置信区间

讨论了一种新的抽样方法即有序抽样方法下样本的信息矩阵及参数的极大似然估计的性质，把它和简单随机抽样样本下的信息矩阵进行了比较，并以此估计为基础给出了一种新的参数的置信区间的构造方法，表明在相同的置信水平下以此方法构造的参数的置信区间比传统方法下构造的参数的置信区间更短，因而也具有更高的相对精度。     

基于动态SV模型预测国债利率期限结构

选取中国人民银行2011年1月至2018年3月共87个月的国债收益率数据，通过改变价格数据为收益率数据，将传统的Svensson模型求解转化为线性优化问题，对利率期限结构进行较精确拟合，实证结果表明，参数的估计值与理论值有高度相关性且更加稳健。之后基于SV模型中各参数的AR（1）模型和VAR（1）模型构建了动态SV模型，实现了预测步长为1个月、6个月和1年的样本外预测，预测结果表明，随着预测步长增大，动态SV模型的预测能力逐渐增强；当预测步长为1年时，SV-VAR（1）模型表现出较明显的优势，特别是对于长期利率的预测，预测误差的均值、方差以及均方根误差均小于其他模型。因此，动态SV模型更适合于步长较长时长期利率的预测，并且SV-VAR（1）模型的表现更好，这为国债利率期限预测提供了一种新方法。     

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.     

沪深股市的波动性分析——基于t分布下GARCH和SV模型的比较

构建基于N分布和t分布下的GARCH(1,1)和SV模型,并通过实证分析探讨了上证指数和深证成指收益序列的波动性.分析结果表明,GARCH(1,1)类模型和SV类模型能较好地拟合沪深股市收益率的波动,并指出我国股市存在较强的波动持续性;而基于t分布的各模型能有效地刻画股市的厚尾性;此外,通过计算VaR值,说明深市比沪市的风险更大,且SV类模型能更准确地反映收益率的风险特性.     

上海证券交易所Ａ股市场的波动性分析

运用主要的三种条件异方差模型：ARCH、GARCH、EGARCH模型，对上海证券交易所A股指数的波动性进行拟合，分析模型对上证A股指数收益的波动性、杠杆效应的拟合情况，比较不 同模型对未来波动性的预测情况。实证分析结果表明：EGARCH模型比较适合对我国股票市场 波动性作长期预测，若假设收益序列服从t分布，由此改进的EGARCH-T模型会得到比正态分 布下更好的拟合与预测效果。     

基于SV模型的沪深股市风险分析

利用SV-N模型、SV-t模型和SV-GED模型对深证综指和上证指数数据进行仿真分析,用预测参数估计得到的波动率计算var值并与相应实际指数收益率进行比较.研究结果表明,上证指数和深证综指都表现出强的波动持续性,且深证股市的波动水平比上海股市要大,风险也要高.并且,基于GED分布的SV模型能更好的反映沪深股市风险.     

基于多输出支持向量回归算法的股市预测

提出了一种新的多输出支持向量回归算法,给出了定义在超球上的损失函数,并将训练SVM转化为迭代解线性方程组,在求解过程中采用边计算边使矩阵降阶的方法,加快了运算速度.建立了该算法应用于股市预测的模型,对上证指数的建模与预测表明:与单输出支持向量回归算法建立的模型相比,该算法具有更好的整体预测精度和抗噪性能,是对股市进行分析和预测的一种可行而有效的方法.     

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。     

基于修正GARCH模型的中国股市周内效应实证研究

运用总样本区间（1996～2009年）上证综指和深证成指数据,同时以合格境外投资者制度（QFII）实施为分界点,前后分为两个子样本区间（1996～2002年和2002～2009年）,采用修正GARCH模型分别研究三个样本区间中国股市周内效应特征。研究结果表明：1）在不同的样本区间中,中国股市收益率和波动率均存在周内效应;2）中国股市收益率和波动率周内效应在不同的样本区间：表现并不一致,前子样本区间沪深股市收益率和波动率存在更加显著的周内效应。     

证券市场灰色神经网络组合预测模型应用研究

提出将3种灰色模型(残差GM(1,1),无偏GM(1,1)和pGM(1,1))与神经网络模型进行有机组合,建立一种新的灰色神经网络组合预测模型,并以中国股票市场上证指数为例进行模拟预测.实证表明:组合预测模型的模拟预测精度较原有方法更为精确,可作为股市预测的有效工具.     

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.     

基于支持向量机的上市公司财务危机预警研究

以2002—2005年在沪深两市挂牌交易的87家ST上市公司及102家非ST上市公司为样本,采用公开发布的财务报表中的相关数据,运用支持向量机模型进行了实证研究.研究表明,在小样本数据条件下,与其他预警模型相比支持向量机模型预测精度远远高于其他方法,具有其他方法所不具有的优越性.     

试析上海房市与股市的关系——基于计量模型的实证分析

通过相关性检验、协积检验和格兰杰因果检验对2006年2月-2007年10月的上海中房（综合）指数和月末上证指数的月度数据进行计量分析,得出了股市带动上海房地产市场的结论。