动态利率模型估计方法的一个实证检验

在分析广义矩估计法和极大似然法原理和方法的基础上，采用上海证券交易所国债回购利率数据对这两种估计方法在动态利率模型估计上的实证效果进行检验．为使其检验结果具有可比性，运用蒙特卡罗法产生仿真回购利率路径，然后对利率模型参数进行二次估计，所得结果就可用于对比评价这两种估计方法．检验结果表明，两种估计方法都能够比较准确地估计长期平均利率θ值，同时都过高地估计均值回复参数；对于波动项参数σ^2和γ值，MLE法的估计均值和标准误差要优于GMM法；总体上MLE法的估计误差明显小于GMM法的误差．     

利率期限结构模型的比较与实证分析

运用极大似然估计从统计分析的角度分别对四个常用利率期限结构模型的参数进行估计.通过对我国金融市场上债券回购利率的实证分析,对以上利率期限结构模型进行比较,结果表明比较适合我国利率市场的利率期限结构模型为CKLS模型.     

关于制度转换Vasicek利率期限结构模型

在Vasicek模型的基础上加入制度转换因素，研究制度转换是否能对模型的修正起帮助作用。结果显示，制度转换能够捕捉到利率变动中的大部分异方差现象。在中国金融市场上单制度模型的建模能力是远远不够的，但仍有一部分异方差现象不能由制度转换所解释。因此，在加入制度转换的同时，还须对短期利率约波动项进行更丰富的参数设置。     

利率期限结构波动效应协整的实证

在刻画短期利率波动具有长期回复均值和负向飘移率的非线性均值-广义自回归条件异方差(GARCH)模型中,引入马尔科夫区制转移特征,给出波动区制转移概率的计量递推公式和最大似然函数数值求解程序.对动态模型综合设计的科学性进行参数假设检验,证实非线性均值回复与马尔科夫区制转移效应的GARCH模型相比,其单独或双项组合的杠杆效应、负向信息强响应、高波动低持续等效应模型具有更强的现实数据拟合能力,可从时间序列和横截面角度,进一步揭示短期市场利率期限结构的内在波动规律.     

非参数利率期限结构模型的实证检验

利用随机过程的原理和非参数的核函数估计方法建立了非参数的利率期限结构模型，采用上海证券交易所的国债回购利率数据对建立的模型进行了实证检验，并与Vasicek、CIR模型进行了比较．结果显示，短期利率扩散过程的漂移函数和扩散函数都是非线性的，短期利率的概率分布不服从参数模型所假设的分布．实证结果证实，与参数模型相比，非参数模型能够更准确地描述我国的国债利率期限结构状况．     

波动率持续性基于信息到达过程的成交量解释

综合利用对数周期图方法、Granger因果检验、以及扩展广义自回归条件异方差模型 ,对随机抽取的 10只上证 180成份股进行了实证研究 .得出以下结论 :收益波动率和成交量有相同的长记忆特征 ;信息到达过程是波动率行为的原因之一 ,成交量和波动率展现出的相互因果关系可能是它们同受信息到达过程影响的结果 ;成交量变量能够在有限程度内解释部分波动率的持续性 .     

中国国债市场短期利率模型的参数与非参数统计分析

短期利率的动态变化对于宏观经济调控、金融风险管理以及金融衍生产品的定价都具有非常重要的意义.以上海证券交易所的7天国债回购利率数据为样本,采用单因子利率期限结构参数模型和非参数模型,针对我国国债市场短期利率动态变化的研究表明:我国短期市场利率均值回复现象显著,波动率较小;而且均值回复以及波动率的变化与利率水平呈现非线性.     

异方差的估计与实证

"异方差"是微观计量建模中不可回避的问题,尽管计量经济学理论从残差项出发给出大量的检验方法,但对如何估计异方差则没有给出明确答案.从数据分布出发,认为极大似然法在估计异方差方面具有独特的优势.首先建立异方差的极大似然估计模型,然后对一实际调查数据进行异方差估计.     

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。     

利率期限结构CKLS的参数估计

文章运用马尔可夫链蒙特卡洛方法对利率期限结构CKLS模型参数进行估计,并利用我国近10年的国债回购利率进行实证分析,实证结果表明CKLS模型能很好反映我国国债回购利率的变化,是一个适合我国利率市场的利率期限结构模型。     

基于VaR和压力测试方法的我国股指期货价格波动性风险研究

股指期货在我国起步较晚,加之金融市场波动性大、股票市场不稳定等特点,通过理论基础对其风险进行度量显得十分重要。通过综合运用VaR方法和压力测试方法,结合GARCH模型对未来收益率序列标准差进行预测,从而得到在一定置信水平下的风险测度。由此得出了收益率变化存在异方差性和不对称性的结论,同时提出建议与对策。     

时变波动率下ARIMA族触发式理财产品定价

拓展了触发式理财产品定价的相关结果,突破了波动率为常数的假设.对欧元兑美元的汇率进行分析,给出了汇率遵循的随机模型.利用Wilcoxon检验和Bartlett方差齐性检验,证实了随机模型具备波动率时变特性,进而采用ARIMA族模型描述汇率序列的波动率.利用Monte-Carlo方法模拟三款源自农业银行的触发式理财产品的价值,并给出相应的有效模拟次数.     

跳扩散模型中随机利率和随机波动下期权定价

为合理刻画股价实际变化趋势,在双指数跳扩散模型中通过允许利率随机和波动率随机建立了合理的市场模型;然后利用鞅方法推导了随机利率、随机波动率下双指数跳扩散模型的欧式期权定价的闭式解;最后通过数值模拟分析了模型的主要参数对期权定价的影响.数值结果显示:所提模型能够较好地刻画股价实际变化趋势,股票收益和波动率负相关,随机利率对短期到期期权影响几乎可以忽略,而对长期到期期权价格影响显著.     

基于SV利率期限结构模型的国债价差研究

利用SV利率期限结构模型,本文选取上海证券交易所和银行间债券市场多个交易日的国债数据,运用遗传算法求解模型参数,得到两个市场的国债收益率曲线。结果表明,使用SV模型拟合出的国债理论价格与实际价格之间误差较小,适用于我国国债市场;在两个市场上相同剩余到期期限的国债收益率之间存在价差,而且价差随着国债的到期期限的增加先变小后变大。可能是由于市场分割、流动性差异和交易机制的不同引起的。     

利率波动对股票价格影响的实证研究

就利率如何影响股票价格进行了理论分析，并利用上海证券交易所7天国债回购利率与上证指数数据进行了实证研究，发现中国的股票价格与利率之间存在共同的长期趋势，利率的目度波动领先股票目收益率的变动。对此现象．给出了一些相应的经济解释和政策建议。     

我国国债收益率的预测与评价

由于我国的债券市场被人为地分成交易所市场和银行间市场，不同的国债投资主体被限制在不同的国债流通市场进行交易，因此国外的债券收益率的理论和模型并不能完全的适用于中国现状。目前，我国相关的主要研究大都针对某个特定的市场或某种特定的方法，缺乏一种完整的收益率模拟方法和评价体系，其一般仅对其中一个市场进行收益率的波动性分析，本文对交易所国债收益率建立ARIMA—TARCH模型并进行预测，预测评价指标和误差分析指标表明其具有很高的精度和预测能力。     

Heston模型下考虑随机劳动收入的最优投资问题

基于Heston随机波动率模型研究投资者拥有一份随机劳动收入的最优投资问题。假设金融市场由一个风险资产（股票）和无风险资产（银行存款）构成,并考虑投资者拥有一份随机劳动收入,在指数效用函数下使其终端财富最大化;利用随机控制方法得到该问题的最优投资策略的解析表达式,通过数值模拟分析模型中的主要参数以及劳动收入对最优投资策略的影响。结果表明：随着投资者的劳动收入波动率增大,投资到风险资产的比例减小;在风险厌恶系数增大时,投资到风险资产的比例也减小;风险资产的投资比例对Heston模型中的参数变化非常敏感。     

Dynamic Hedging Based on Markov Regime-Switching Dynamic Correlation Multivariate Stochastic Volatility Model

It is important to consider the changing states in hedging.The Markov regime-switching dynamic correlation multivariate stochastic volatility( MRS-DC-MSV) model was proposed to solve this issue. DC-MSV model and MRS-DC-MSV model were used to calculate the time-varying hedging ratios and compare the hedging performance. The Markov chain Monte Carlo( MCMC) method was used to estimate the parameters. The results showed that,there were obviously two economic states in Chinese financial market. Two models all did well in hedging,but the performance of MRS-DCMSV model was better. It could reduce risk by nearly 90%. Thus,in the hedging period,changing states is a factor that cannot be neglected.