基于分形视角下的沪港股市投资组合策略

针对已有研究的不足,为满足不同交易周期投资者的实际需求,将分形研究方法与传统投资组合模型相结合,考虑多时间标度和不同波动幅度因素,构建了单分形投资组合模型(MeanDCCA)和多重分形投资组合模型(Mean-MF-DCCA).依托"沪港通"平台,采用构建的模型,进行沪港股市组合投资,并对样本外效果进行检验和分析.结果表明:沪港股市间结构存在着标度效应和长记忆性,且具有多重分形特征;与传统的投资策略相比,单分形投资组合策略能够取得更佳的组合效果;多重分形投资组合策略通过选择合适的q阶,实证表明将会明显改善单分形投资组合策略,增强投资方案的盈利能力、提高夏普比率以及为不同风险偏好投资者创造额外效用.此研究对资产优化配置、风险管理以及沪港股市间相依结构刻画等方面具有重要的实际意义.     

金融市场组合风险的相关性研究

研究了上海、深圳两股票市场的相关模式.文章根据Copula函数的意义和广义帕累托分布(Generalized Pareto Distribution,GPD),建立了上海、深圳股票市场组合风险的相关结构模型.用GPD和Copula函数分别刻画了上海、深圳股票市场收益率序列的边缘分布以及变量间的相关信息.在此基础上构造了比较灵活的Copula-GARCH-GPD模型.实证研究表明沪深股市的相关模型为Clayton-GARCH-GPD.进一步用蒙特卡洛方法模拟的投资于两股票市场的组合风险表明,联合正态分布模型所得到的组合风险VaR明显地低于用Copula拟合的结果;在较高的置信水平下,Clayton Copula显示的结果更加安全.     

基于高维R-vine Copula的金融市场投资组合优化研究

为优化国际金融市场的投资组合,本文以全球具有代表性的七大股票市场重要股票指数作为金融市场的典型代表:首先运用较为灵活的APARCH模型来刻画股票指数收益序列的"典型事实"特征,其次针对投资组合优化模型中变量之间复杂相依关系,采用最大生成树MST (maximum spanning tree,MST)算法选择的R-vine Copula来刻画七个股票市场的相依结构,进而测度R-vine Copula相依结构下组合风险CVaR,最后基于R-vine Copula相依结构条件下建立Mean-CVaR投资组合模型,并实证对比了Mean-VaR,Mean-CVaR和基于R-vine Copula相依结构下的MeanCVaR模型的拟合效果.实证结果表明:考虑资产之间的相依结构能起到优化投资组合的效果,在降低投资组合风险的同时增加了回报率;基于R-vine Copula相依结构下的Mean-CVaR模型投资组合优化效果明显优于Mean-CVaR模型,而Mean-VaR模型较其它两种模型表现相对较差.     

基于混频数据抽样的已实现波动率长记忆模型

基于已实现GARCH模型和混频数据抽样(MIDAS)结构,提出了已实现混频数据抽样GARCH模型.该模型使用混频数据抽样结构从已实现测度中提取长短期波动率信息以提升模型对波动率的拟合和预测能力.基于指数和个股数据的实证分析表明,相比传统的已实现GARCH模型,新模型的样本内拟合能力更强,对长记忆性的捕捉更好.样本外结果表明,新模型显著提升了波动率的多步预测效果,并且改进效果随着预测期的延长而增强.     

基于多分形的资产组合风险度量建模与实证研究

考虑资产收益率的多分形特征及资产组合收益率间的复杂相依结构,运用Markov switching multifractal(MSM)模型对资产收益建模并结合Copula函数刻画相依结构,构建了资产组合市场风险度量的Copula-MSM模型.以风险价值(VaR)和期望损失(ES)作为市场风险度量工具,选取上证指数和恒生指数构成的资产组合进行实证分析,并比较Copula-MSM, Copula-GARCH和Copula-FIGARCH模型对VaR和ES风险测度的估计精度差异.实证结果表明,与Copula-GARCH和Copula-FIGARCH模型相比Copula-MSM能更准确的估计VaR和ES值,提高风险度量精度.     

基于GJR-EVT-COPULA和下偏矩的最优资产组合分析

与方差风险测度相比,下偏矩一方面能够度量下边风险,另一方面通过设置不同的风险因子它可以更广泛的反映投资者的风险偏好.Harlow[1]建立了基于历史数据的均值下偏矩最优投资组合模型,本文考虑建立预测数据下的均值下偏矩最优投资组合模型,并同Harlow的模型进行实证比较.考虑到实际收益数据的时变性、杠杆效应和厚尾特征,引入AR(1)-GJR(1,1)-EVT模型来描述金融时间序列的上述特征,并通过t Copula函数描述资产收益之间的非线性相关性.对基于历史数据的均值-二阶下偏矩模型和基于预测数据的均值-二阶下偏矩模型的投资绩效进行考察.中国股市的实证结果表明,基于预测数据的均值二阶下偏矩模型可以得到更好的投资绩效.     

基于CAViaR和GARCH模型的沪深300股指期货动态风险测度

以我国期货市场上交易最为活跃的沪深300股指期货为例,分别采用CAViaR模型和GARCH模型对多头VaR和空头VaR进行风险建模,深入研究了股指期货的收益分布特征和波动形态规律,并运用严谨的后测检验的方法对比了各个模型的风险预测精度。实证结果表明:(1)沪深300股指期货具有明显的"尖峰厚尾"现象,却没有显著的有偏性和长记忆性;(2)基于杠杆效应的GJR模型和兼具长记忆性和杠杆效应的FIAPARCH模型并没有表现出比传统GARCH模型更高的预测精度,同时,先验GED分布对金融收益分布特征的刻画要优于正态分布和SKST分布;(3)半参数法的CAViaR模型相比GARCH族模型表现出绝对优异的预测能力。总之,CAViaR模型在股指期货的风险预测方面是相对更合理的模型选择。     

基于Copula-ASV-EVT的QFII和HS300指数相关性风险度量

以ASV-EVT模型为边缘分布函数,运用三种Copula簇方法研究了QFII和HS300指数之间的相关关系.研究结果表明:BB1 Copula较好地刻画了两指数尾部相关的非线性、非对称特征,且较好地拟合了相关结构,表明两指数在低迷时期的相关性明显高于其活跃时期的相关性.同时回测检验显示Copula-ASV-EVT模型能有效测度两指数组合的市场风险.进而,基于2006-2012年样本实证得出QFII一直坚持价值投资的有力证据.同时,随着QFII数量的增长和上市公司分红制度的完善,中国证券市场面临价值投资理性回归的极好机遇.     

中国股市高频波动率的特征、预测模型以及预测精度比较

在HAR-GARCH模型和HAR-CJ模型的基础上构建了自适应的不对称性HAR-CJ-D-FIGARCH模型, 并用以对中国股市高频波动率进行了预测, 然后利用上证综指2000年至2008年的高频数据实证检验了中国股市高频波动率的特征, 最后运用SPA检验评价和比较了构建的模型与其他6类高频波动率模型的样本外预测能力. 结果表明: 中国股市高频波动率同时具有长记忆性、 结构突变、不对称性和周内效应等特征; 结构突变仅部分解释其长记忆性; 高频波动率连续性成分的长记忆性很强, 而跳跃性成分的长记忆性非常弱. 相比于其他6类模型, 自适应的不对称性HAR-CJ-D-FIGARCH模型对样本内数据的拟合效果最好, 同时也是样本外预测性能最好的模型.     

基于BEMD-Copula-GARCH模型的股票投资组合VaR风险度量研究

鉴于股票波动具有显著的多尺度特征,本文引入二元经验模态分解(EMD)与二元CopulaGARCH算法,提出一种新的VaR风险度量模型,即BEMD-Copula-GARCH模型.具体地,新BEMD-Copula-GARCH模型可分为三个主要步骤:数据分析,分风险估计和总风险集成.首先,基于二元EMD模型,将复杂且相互作用的股票对分解为若干组较为简单且相互独立的分量,以降低建模难度.其次,引入二元Copula-GARCH模型,刻画各组分量间的相互关系,以度量股票投资组合在不同尺度上的分VaR值.最后,集成各分VaR值以得出最终VaR风险度量结果.实证研究以恒生指数与上证综指为数据样本构造投资组合,结果表明:本文所构建的新模型能有效度量投资组合风险,其估计精度显著优于DCC-GARCH和Copula-GARCH等现有模型.     

中国股市收益率与波动性长记忆性的实证研究

根据 Granger关于序列长记忆性的定义 ,从股市收益率与波动性两个方面分析与研究了香港、上海和深圳股市的长记忆性 .结果表明 :中国股市收益率与波动性具有长记忆性 ,尽管收益率的长记忆性不如美国股市强 ;上海股市的记忆性明显强于深圳股市 ;分数可积模型较指数衰减自相关函数能更好地拟合样本的自相关系数     

金融市场的相关性分析--Copula-GARCH模型及其应用

作为一种全新的分析方法，Copula技术不仅可以有效地捕捉金融时间序列间的相关性，还可用于研究整个金融市场的特性、投资组合的选择及风险分析等其他金融问题。结合t-GARCH模型和Copula函数，建立Copula-GARCH模型并对上海股市各板块指数收益率序列间的条件相关性进行分析。结果表明，不同板块的指数收益率序列具有不同的边缘分布，各序列间有很强的正相关关系，条件相关具有时变性，各序列间相关性的变化趋势极为相似。     

基于Copula-SV模型的金融投资组合风险分析

基于正态Copula函数和SV模型,建立了正态Copula-SV模型,将其应用到金融投资组合风险分析,并与Copula-GARCH模型对金融投资组合风险分析方法进行了对比,结果表明,边缘分布的选择对变量的联合分布具有重要作用,Copula-SV模型比Copula-GARCH模型在刻画组合风险VaR值方面具有优越性。     

中国股市波动率的广义周内特征及其预测模型

本文将Realized GARCH模型推广至基于周历日的时变参数情形以刻画杠杆和溢出效应的周内特征并避免传统GARCH类模型在拟合长记忆性与周内效应时两者相互干扰问题.将新模型应用于上海股票市场2001至2013数据的分析发现:我国股市波动率存在时变的杠杆效应和溢出效应.实证结果表明:新模型无论在样本外的预测能力还是在样本内的拟合度上都明显优于现有模型.     

金融市场动态相关结构的研究

为了研究金融市场间非线性的动态相关结构,提出了一类具有变结构特性的分阶段Copula模型以及相应的二元正态Copula模型变结构点的诊断程序.构建了分阶段二元正态Copula-GARCH模型并用于上海股市各板块之间动态相关结构的研究.结果表明,在刻画金融收益序列之间动态相关结构的能力上,变结构二元正态Copula模型优于时变相关二元正态Copula模型.     

全面风险管理体系中的风险整合问题

假设风险满足一定条件,利用Copula和蒙特卡洛模拟方法对边际分布的选择和边际分布间的尾部相关关系两个方面进行分析,并得出结论: 第一, 在一定条件下,边际分布的选择并不影响对总风险的估计; 第二,相关系数模型可能因为边际分布间的尾部相关关系而低估总风险.在此基础上, 提出了尾部相关系数的概念, 得出了修正的相关系数模型.     

基于Copula2GARCH 的投资组合风险分析

结合Copula及GARCH模型的预报功能,建立了投资组合风险分析的Copula-GARCH模型.利用这个模型,对我国股票市场实际组合投资问题进行了风险分析,并给出了最小风险组合的具体形式.     

基于Lévy测度的动态操作风险度量

依据我国商业银行1994-2012年操作风险历史数据,本文引入Lévy测度描述操作风险损失所具有的非连续跳跃行为,利用稀疏序列法产生动态操作风险损失过程,采用了同时考虑损失频率相关性和强度相关性的Lévy Copula模型,给出了具有时变参数和时变相关性结构的动态操作风险度量模型和数值实验技术,计算了不同置信水平上的VaR与CVaR.实证结果表明:Lévy Copula模型能在减少模型设定风险的同时,较好地描述风险单元间的相关性结构;Lévy Copula模型相比于传统Copula模型对相关性结构刻画更为细致,能降低风险资本,并且通过稳健性检验;动态Lévy Copula模型能捕捉到风险的变化趋势,减少由于时变参数导致的风险资本估计偏差.     

担保债务凭证再证券化的违约相关性与资产组合总体风险测度——基于Copula分析技术

通过考察2个非独立担保债务凭证进行再证券化生成的复杂资产组合,研究了该资产组合的违约相关性测度及其与资产组合总体风险的关系,组合间的相关性定义为总风险因素的Kendall秩相关系数。通过构建Copula函数模型,并运用蒙特卡罗模拟技术对违约相关性与总体风险的关系进行仿真模拟。实验结果表明:当总风险的相关性增大时,投资组合内证券的预期违约比率会降低;同时,该实验也为担保债务凭证(CDO)发行人如何确定股权级比例的下边界提供了参考。只有在该下边界以上,CDO发行人才有可能盈利,并且投资者获得正收益。     

中国股市波动的异方差模型及其SPA检验

以中国股票市场最具代表性的股价指数-上证综指的高频(High-frequency)数据样本为例,实证计算了以GARCH族模型和随机波动(Stochastic volatility)模型为代表的不同异方差模型对中国股市波动率的预测,并进一步运用SPA(Superior predictive ability)检验法,实证检验了不同异方差模型对中国股市波动的刻画能力和预测精度问题.实证结果显示,就中国股市而言,随机波动(Stochastic volatility)模型是预测精度最高的异方差模型,但在某些损失函数标准下,EGARCH模型也具有良好的波动预测表现.