具有杠杆效应的非线性SV模型及其应用

提出一类非线性SV模型,许多离散时间SV模型都是它的特例.这类模型的优点在于用它可以检验不同函数形式的随机波动,该模型的检验仅基于一个单独参数δ.在非线性SV模型的基础上,进一步把它扩展为具有杠杆效应的非线性SV模型.使用沪、深股市的指数日收益数据进行了实证分析,借助BUGS软件,利用Gibbs取样的MCMC方法对模型进行了贝叶斯参数估计,证明了应拒绝对数正态SV模型,而使用非线性SV模型.     

长记忆SV模型的统计性质及其实证分析

给出与证明长记忆随机(LMSV)模型的矩与谱密度。波动替代量的长记忆性，与ARFIMA模型的关系，以及其时间聚合等统计性质；最后利用模型考察了上海股市波动的长记忆特性。     

SV模型的变结构研究及应用

探讨SV模型的诊断分析和变结构建模问题，并在扩展SV模型基础上利用分段建模方法来检测模型结构变化点和分段变化模型的选择，最后以深驯股票市场综合指数为依据验证诊断分析方法的有效性。     

具有有偏厚尾的非对称SV模型及其实证研究

为了描述资产收益与波动率之间的非对称关系,提出一种非对称SV模型,即具有杠杆效应与尺寸效应的SV(SV-LS)模型。进一步,针对资产收益分布展现出"有偏"及"厚尾"特征,引入有偏广义误差分布(SGED)来描述资产收益,提出具有有偏厚尾的SGED假定下的SV-LS模型。继而,基于有效重要性抽样(EIS)技巧,给出了模型参数的极大似然(ML)估计方法。最后,采用上证综合指数收益数据进行实证研究。结果表明,SGED假定下的SV-LS模型表现最优,它能够综合刻画资产收益的"有偏"及"厚尾"特征,并且证明了我国沪市具有很强的波动持续性以及显著的杠杆效应。     

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Gibbs抽样的厚尾SV模型贝叶斯分析及其应用

我国的金融时间序列存在普遍的波动性现象,而波动性又存在尖峰厚尾现象。首先对反映波动性特征的厚尾金融随机波动模型(SV-T)进行贝叶斯分析,然后构造基于Gibbs抽样的MCMC数值计算过程进行仿真分析,最后利用DIC准则对SV-N模型和SV-T模型进行优劣比较。研究结果表明:在模拟我国股市的波动性的方面,SV-T模型比SV-N模型更优,更能反应我国股市的尖峰后尾的特性,并且证明了我国股市具有很强的波动持续性。     

具有结构转换的GARCH模型及其在中国股市中的应用

引入具有结构转换(switching regime)的GARCH模型(简称SW—GARCH)，并利用上海股市收益进行实证研究，通过与GARCH模型下的结果相对比，表明SW—GARCH大大提高了对市场波动性的预测能力，为股价波动的变结构建模问题提出了一个新方法，从而解决GARCH及其他异方差模型的结构变化问题。     

SV模型参数估计的经验特征函数方法

计算基本SV模型和杠杆效应SV模型的联合特征函数，借助经验特征函数方法估计这两个SV模型。使用上海和深圳股票指数收益数据进行实证研究，结果表明经验特征函数方法是一种简单易行的估计SV模型的方法。     

SV模型的聚合及其边际化研究

讨论了SV模型与ARMA模型之间的关系,说明了SV模型可由ARMA模型表示;研究了一维SV模型的时间聚合、多维SV模型的边际化以及同期聚合问题,得出了在上述3种情况下,相应模型均为ARMA模型的结论.     

应用小波分析方法研究沪深股市的溢出效应

应用小波分析方法研究沪深股市的价格和波动性的特征以及两市之间的溢出效应．对沪深股指收益率序列用小波分析作信号分解，分解为高频信号(细节信号)和低频信号(离散逼近信号)．通过比较沪深股市的高频信号之间的关系获知沪深股市之间存在着显著的价格和波动性的溢出效应．深市和沪市之间存在着一定程度的负的价格溢出效应；而深市对沪市存在着正的波动性溢出效应，沪市对深市存在着负的波动性溢出效应，并且波动性溢出效应大于价格溢出效应．     

基于贝叶斯原理的随机波动率模型分析及其应用

基于贝叶斯原理,对随机波动性模型进行研究,并将随机波动率模型应用股市风险价值VaR的估计与预测.针对中国股市数据进行的实证结果表明,与GARCH模型相比,随机波动率模型能更好地描述股票市场回报的异方差和波动率的序列相关性;基于随机波动率的VaR较GARCH模型的VaR具有更高的精度.     

基于日内价格幅度与回报的随机波动率模型

金融资产波动率测量与建模是金融理论与实践中的一个重要课题，已经有了许多测量与建模方法。本文引入了基于日内价格幅度与回报两个测度指标的随机波动率模型。利用中国股市数据进行的实证结果表明，与单测度指标的随机波动率模型相比．基于两个测度指标的随机波动率模型能更好地描述股票市场波动率和市场波动风险。     

长记忆随机波动模型的估计与波动率预测——基于中国股市高频数据的研究

为了有效捕捉中国股市波动率的长记忆性,提高远期波动率的预测精度,本文基于中国股市高频数据建立了长记忆随机波动模型,检验高频数据中时变的“日历效应”成分的频率,有效地对“日历效应”进行滤波。使用频域内拟极大似然方法估计LMSV模型参数,为了提高计算效率应用混沌优化算法进行最优搜索。对比了高频数据直接建模和已实现波动率方法建模的预测结果发现,通过高频数据估计的LMSV模型可以很好保留高频数据中所包含的信息量,克服信息丢失问题,预测结果要优于已实现波动率方法建模预测的结果。     

基于MSV类模型的中国汇市与股市间溢出效应

金融市场波动特征及溢出效应一直是经济、金融学界研究的热点问题之一,SV模型作为一种有效刻画金融时间序列波动的工具,极具应用前景,但用于测度溢出效应的向量SV模型由于参数估计困难而鲜见于文献。本文借助WinBUGS软件,采用基于Gibbs抽样的MCMC方法,运用DC-MSV模型和GC-MSV模型分别对汇市与股市间的动态价格溢出效应和波动溢出效应进行研究。实证结果表明,汇市与股市间的价格溢出具有明显的时变特征,总体为负相关关系;汇市与股市间存在双向波动溢出效应,但汇市对股市的波动溢出要强于股市对汇市的波动溢出,呈现不对称性。     

具有价格均值回复与随机波动率的信用差价衍生产品定价

为了研究均值回复特征与随机波动率对金融衍生品定价的影响，考虑状态变量的均值回复特征与两种随机波动率过程：平方根过程与Ornstein-Uhlenbeck过程，应用解偏微分方程与特征函数方法．推导出衍生品的定价方程。推导了基于均值回复特征与随机波动率的信用差价期权、信用差价上限与下限的定价公式。结果表明，均值回复和随机波动率在衍生品定价中起重要影响。