基于已实现二阶矩预测的期货套期保值策略及对股指期货的应用

资产收益的跳跃行为给套期保值决策带来了挑战. 提出了考虑跳跃、基于预测的VecHAR-RVRCOV-J模型, 首次将高频数据中蕴含的跳跃信息引入套期保值决策, 对期货和现货收益率的已实现二阶矩做异质滞后阶向量自回归, 构造动态套期保值比率的预测统计量. 实证应用中以沪深300股指期货及沪深300指数为对象构建套期保值策略, 在样本内和样本外的综合套保绩效考核上, 新模型优于常用的二元GARCH模型.     

基于VaR的期货最优套期保值模型及应用研究

提出基于VaR确定期货最优套期保值比率原理,并建立了以组合VaR为目标函数的套期保值优化决策模型,一是从理论上推导了VaR最优套期比,二是研究发现VaR最优套期保值比在期货合约期望收益率为零,期货和现货收益率完全相关或VaR置信水平接近于100%的情况下趋近于最小方差最优套期比;现货和期货价格变动完全一致情况下,VaR最优套期比等于传统的套期比,三是得出了VaR最优套期比由反映套期保值者投机需求和纯套期保值两部分组成的结论.     

基于资金限制的多品种期货套期保值决策模型

依据期货-期货相关性与现货-期货相关性原理,在最小方差套期保值的基础上,引入了多品种期货套期保值的资金约束,建立了多品种期货套期保值模型.该模型的创新与特色是建立基于资金限制的多品种期货套期保值模型.利用多元GARCH预测多品种组合的资金需求量,在把握未来资金需求的情况下,确定多品种期货套期保值的最优策略,避免了因资金短缺而造成的套期保值失败.并利用大连商品交易所的大豆期货合约、豆粕期货合约及豆油现货数据,对基于资金限制的多品种期货套期保值决策模型进行了实证分析.     

金融系统压力:指数化测度及其溢出效应研究

2008年全球金融危机的爆发及其冲击促使监管者更多的关注全球金融市场的关联网络特征及金融风险在各金融市场间的传导机制.本文基于全球向量自回归模型(GVAR),从关联网络的视角构建了金融压力溢出效应模型,考察信贷市场、资本市场、外汇市场、债券市场和货币市场等五个金融子市场压力在不同国家和市场间的传导及其动态演变.研究结果表明,美国是全球金融市场中金融压力主要溢出者;发达经济体主要通过其资本市场和货币市场影响我国的信贷市场、资本市场和外汇市场,而新兴经济体金融压力则主要影响我国的债券市场和货币市场.资本市场和货币市场是不同国家和金融子市场间金融压力传染的重要路径.2014年以来国际金融市场压力对我国金融市场的影响远高于金融危机时期,且资本市场和外汇市场所受影响更为显著.     

基于VaR-GARCH模型族的我国期铜市场风险度量研究

描述了金融时间序列的一般特性,从收益的波动性与分布出发,组建起计算时变风险价值的VaR-GARCH模型族,并应用该模型族在3种分布假设下对我国铜期货的市场风险进行了实证分析.研究结果表明,基于广义误差分布的VaR-EGARCH模型能很好地刻画期铜收益的尖峰厚尾性与市场风险.同时,对期铜市场风险的变动趋势进行了详细剖析.     

基于广大极值分布的高频极值条件VaR模型

在考虑当前预期和波动性条件下,为了有效地捕获极端条件下收益率时间序列动态特征,提高VaR的度量精度,建立了基于高频数据的条件极值VaR模型.应用智能优化算法对条件极值分布的时变参数进行估计,考察了在不同样本容量分块下的条件极值VaR,并对VaR计算结果的精度进行了Kupiec-LR检验和动态分位数检验.研究结果表明,基于高频数据的条件极值分布较好地拟合了极端条件下的收益率特征,与McNeil提出的传统条件极值VaR相比,应用高频数据建立在条件广义极值分布基础上的条件极值vaR的Kupiec检验DQ检验值都较为理想,表明该模型能够捕捉到我国市场风险特征,提高极端情况下风险测度能力.     

基于高频数据的中国市场股指期货套利

利用上证50ETF, 上证红利ETF 和深证100ETF 来复制沪深300指数作为现货, 构建沪深300 股指期货的无套利边界,并对IF1005、IF1006 和IF1007三个主力合约进行了套利机会和结果的分析, 发现:三个主力合约均存在套利机会;与国外股指期货推出初期出现的双边套利机会相比, 沪深300股指期货只有单边套利机会; 与仿真交易数据出现的持续套利机会相比,实际交易数据出现的套利机会逐渐减少;在套利机会较多时获得的利润较少, 而套利机会较少时获得利润较多; 最后根据研究结果提供了相应的投资建议.     

卖空交易与异质信念:基于中国股票市场的证据

Miller认为开放卖空交易将引入异质信念,悲观投资者的预期通过卖空交易释放到市场中,从而缓解股票定价过高的现象.本文利用我国股票市场5次主要融资融券名单调整的数据对这一假说进行检验,发现市场中异质信念在卖空交易开放后显著增强,异质信念的引入对股票定价过高产生一定的缓解作用.此外,由于我国同时引入了融资交易和卖空交易两种机制,本文对两种交易机制进行检验,排除融资交易的影响,最终确认卖空才是引入异质信念和缓解股票定价过高的主要原因.本文研究结果表明卖空交易对提高中国股票市场质量具有促进作用.     

基于ACD模型的中国期货市场波动性

通过用久期来调整收益率, 把非等距数据等距化, 构建ACD-GARCH模型来反映高频波动特征.并添加微观结构变量, 构建了ACD-GARCH-M模型, 用以分析久期、交易量与收益率和波动率的关系.结果表明: 较长的久期是由于信息缺乏所致, 久期对收益率的影响不显著, 但久期和价格的波动性负相关.交易量和价格的波动性正相关.在加入了微观解释变量的ACD-GARCH-M模型中, GARCH效应大大减弱了, 说明ACD-GARCH-M模型能较好地反映高频波动聚集性的本质, 久期、交易量是产生波动聚集的原因.     

高频金融时间序列的协同持续关系研究

对向量高频时间序列的“已实现”协方差阵提出相应的模型并建立了“已实现”向量自回归模型.应用Bollerslev和Engle提出的持续和协同持续概念,讨论了“已实现”向量自回归模型存在线性协同持续的充要条件和寻找这种线性协同持续向量的方法,在此基础上进行了实证分析,表明沪深两股市之间不存在线性协同持续关系.最后指出协同持续概念在动态组合投资、风险规避策略中的意义和作用.     

高频数据下基于PGARCH模型的VaR估计方法及应用

高频数据在风险价值VaR度量和预测方面的价值日益凸显,文中基于高频数据为嵌入日内收益过程的PGARCH模型提出一类稳健M估计,同时给出相应的VaR估计方法,并基于沪深300指数和恒生指数的5分钟高频数据对时间内和时间外的VaR进行估计预测.实证结果表明,高频数据下PGARCH模型的M估计所提供的VaR估计方法可更加准确的预测VaR,预测结果均优于日间低频数据的估计结果和基于高频数据的QMLE估计结果,该方法可以很好地应用于风险管理中.     

高频环境下沪深300股指期货波动测度——基于已实现波动及其改进方法

作为中国唯一上市交易的金融期货产品,沪深300股指期货在资本市场价格发现和风险防范过程中扮演重要角色, 科学准确地测度其收益波动对充分实现股指期货避险功能具有重要理论和现实价值.在日内高频信息环境下分别采用经典已实现波动率、已实现极差波动率和已实现双幂波动率等三类方法对沪深300股指期货的收益波动进行测度,通过样本内预测误差指标对上述 方法的测度性能进行比较. 实证结果表明:沪深300股指期货在上市交易后表现出由剧烈波动 到渐趋平稳的波动特征,已实现波动的改进方法在沪深300股指期货收益波动的测度性能上具有较为明显的优越性.     

社交网络异质信息投资者市场演化及其规律

通过引入双因素交互机制和参照依赖优化过程,构建出社交网络环境下的异质信息交易模型.根据投资者的不同社交环境特性,分别使用Watts-Strogatz小世界网络和Modified Barabási-Albert网络来模拟线下和线上社交网络环境,并进行了市场仿真.研究表明:在无社交,线下社交,线上社交环境中,投资者不购买信息仅靠搭便车获利的难度依次增加了.社交环境中投资者的私有信号向社交圈内公众信号转化,引发不完全信息下决策的羊群效应,从而形成比无社交环境低且波动更剧烈的市场效率.相比于线下,线上环境中私有信号的进一步转化使得市场效率也随之进一步降低.社交网络环境下投资者需要支付更高的信息成本来弥补交互所致的低市场效率;线上比线下环境效率更低,支付的成本也更高.     

锚定心理影响期货市场价格的数理模型

锚定心理是金融市场中投资者的一种非理性心理,对投资者的判断及金融产品价格有重要影响. 结合期货市场的特征,并依据锚定心理产生的不充分调整启发式模型,以交易者获得的初始信息为锚定点,建立了锚定心理影响投资者交易及期货均衡价格的数理模型. 分析发现,锚定心理的存在会增加期货合约的交易量,造成短期期货均衡价格偏离理性条件下的理论值,从而使期货价格的价格发现功能和期货市场有效性受到影响.     

基于TVS-MHAR模型金融市场高频多元波动率的预测

本文基于Kalli和Griffin(2011)的时变稀疏模型和多元HAR模型,构建了具有时变稀疏性的多元HAR模型(TVS-MHAR),并利用中国上证综指、沪深300期货和国债期货的五分钟高频数据,对金融市场的已实现波动率矩阵进行预测.本文通过Cholesky转换方法保证预测波动率矩阵的正定性.通过对不同多元波动率模型的预测结果进行数值比较和经济比较,本文发现,本文构建的TVS-MHAR模型无论对于短期预测、中期预测还是长期预测都具有最高的预测精度和最大的投资改善.同时,时变多元波动率模型可以获得比固定参数模型更好的预测效果,高频数据模型比低频数据模型获得更大的投资改善.