MCMC方法在估计二元随机波动率模型中的应用

金融数据的波动性一直是经济学研究的热点问题之一,随机波动率模型(SV)在波动率建模中有着重要的应用.马尔科夫链蒙特卡罗(MCMC)方法是估计参数的一种有效方法,给出估计一类二元SV模型参数的MCMC算法,并通过WinBUGS软件编程实现了该算法.文章最后给出了模型和程序的一个实际应用.     

基于跳跃厚尾随机波动模型的股市波动研究

通过对4个不同SV模型对比分析,试图了解股市收益序列中具有较大波动幅度的极端实现值能够被解释为一个非高斯分布的尾部行为,还是高斯扩散中一个跳跃组分的叠加,抑或是这两种设定同时起作用.采用两种具有不同波动程度的上证综指日收益数据进行的实证研究发现,我国股市日收益序列不仅存在显著的尖峰(厚尾)特征,而且波动持续性较低,以及受政府政策影响较多.此外,两组收益数据所对应模型的实证比较发现,跳跃设定有助于SV模型描述波动剧烈的收益序列,但却不适合波动平缓的收益序列.     

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.     

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.     

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。     

对上海股票市场波动性的ARCH研究

在分析上海股市收益波动特征的基础上，利用多种形式的ARCH类模型对上海股市日收益率的波动进行了实证分析，结果表明上海股市具有较为明显的ARCH效应．     

基于中国股市波动率的多元模型比较与分析

讨论了DCC-GARCH和ICA-GARCH的多元时间序列协方差模型,并从中国股市出发,对中国股市的波动率进行估计及预测.同时,引入VaR模型,比较各多元模型衡量中国股市波动率的准确性及适用性.     

中国股市波动集簇性和不对称性研究

利用GARCH类模型，以上证综合指数为对象对中国股市波动进行实证研究。新的证据显示中国股市波动的集簇性和不对称性是显的，并在中国股市的背景下对集簇性和不对称性的几种经济解释进行了理论分析。     

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.     

基于Gibbs抽样的贝叶斯金融随机波动模型分析

通过分析随机波动模型的统计结构,推断了SV模型似然函数的具体形式,据此构造了模型参数的共轭先验分布.利用贝叶斯定理获得了相应的模型参数后验条件分布.同时,为了获得模型参数的贝叶斯估计及其置信区间,设计了基于Gibbs抽样的MCMC数值计算程序,并利用上海综合指数和深圳成分指数数据进行了建模实证分析,解决了参数随机条件下金融随机波动时间序列建模问题,提高了模型预报精度.     

随机波动模型估计及在金融风险防范中的应用

对随机波动（SV）模型提出了一种基于禁忌遗传算法的伪极大似然（TSGA－QML）估计。Monte Carlo试验表明这种方法在参数估计与波动估计上都有较好效果。利用这一方法对上海股市收益进行了波动分析，发现上海股市的收益具有很高的波动持续性。     

基于金融随机波动模型的快速MCMC算法研究

为了更快更准确地使用MCMC算法估计SV模型的未知参数,结合现有的MMP算法以及有限正态混合近似算法,提出了一种快速的MCMC算法(FMCMC),通过随机模拟实验,验证表明FMCMC比其他的MCMC方法更优更快.最后选取我国沪深股市收益率数据进行了应用研究,发现了沪深300股市具有较强的波动持续性以及波动幅度较小等现象,也证实了FMCMC算法的有效性以及准确性.     

ARCH族模型对沪市综合指数的实证分析

本文选取沪市股价综合日指数(1999/01/01～2002/12/30)作为样本,根据有效市场理论,利用股指的随机游走过程对上海股市的有效性进行检验,建立ARCH模型验证上海股市的可预测性.实证结果发现,上海股市具有杠杆效应、波动集群性和波动持续性.     

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.     

股市波动的周内效应研究

收益与风险共存，以往对股市的周内效应研究仅集中在收益率上，对股市的另一特征波动性的周内效应进行了实证研究。应用无条件波动的修正Levene检验和条件波动的GARCH模型，研究了上证综合指数，结果显示我国股市存在显的星期一高波动现象，利用混合分布模型对此现象进行了解释，周末信息的积累对星期一交易的影响可能是其高波动的原因。     

GARCH模型分析股票市场的波动性

本文全面比较了描述波动率的各种模型以检验各种模型设定在改善模型表现、降低模型误差方面的作用并运用GARCH族模型对深证成指收益率的波动性进行研究,分析了我国股市波动性的特点。通过比较发现对于深市股指收益率的波动性,EGARCH（1,1）模型能很好的拟合。同时还对股指收益率的波动性进行了预测分析。     

机构投资者对股价波动率的影响研究——基于2011-2013年沪市横截面数据的实证分析

选取2011-2013年上海证券交易所A股作为研究样本,运用Stata12、Excel软件,通过统计描述分析、多元回归法、虚拟变量回归法分析了机构投资者对股市波动率的影响.实证研究发现,在不同市场环境下机构投资者持股对市场稳定性所起的作用不同,随着机构投资者的壮大,个股流通市值越大,日内波动率和超额波动率越大,股市收益波动率越小;上市公司业绩越好,股价波动率越低.鉴于此,我国应扩大机构投资者队伍,根据市道适度控制基金产品的发行速度,并促进上市公司优胜劣汰、进退有序.     

中国股市收益波动的实证研究

采用GARCH类模型，利用上证综合指数对中国股市收益波动进行了实证研究。以前的研究显示中国股市波动存在反向的不对称性或不对称性不显著，并归因于中国股市的高投机性。而本研究的TARCH模型和EGARCH模型的实证结果首次提出了新的不同证据。说明中国股市存在显著的不对称性。对杠杆效应和波动反馈效应在中国股市的作用进行理论分析，认为波动反馈效应更能说明中国股市波动的不对称性。     

半参数门限随机波动率模型及其实证研究

为了描写金融资产收益率波动率非对称性,以及充分刻画金融资产收益率偏态厚尾等典型特征,将门限效应和非参数分布引入到标准的随机波动率(SV)模型中,构建半参数门限随机波动率(TSV-DPM)模型对金融资产收益率的波动率进行建模。利用基于贝叶斯的MCMC算法估计模型参数,使用对数预测尾部得分(LPTS)比较不同模型在极端事件中的预测能力。以欧元/美元汇率日度数据对TSV-DPM模型进行实证分析,结果表明TSV-DPM模型不但能够有效的刻画欧元/美元汇率收益的波动率的动态特征,而且对极端事件的预测能力优于SV-DPM模型,同时验证了欧元/美元汇率收益率具有较强的波动率持续性和较弱的波动率非对称性。     

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.