基于小波变换的LMSV模型变结构研究

提出了应用DWT(离散小波变换)系数累积平方和的LMSV(长记忆随机波动)模型单一变结构点的检测与基于最大重复离散小波变换(MODWT)系数的变结构点的定位方法，并提出了LMSV模型多个变结构点的检测与定位方法．该方法既能对变结构点进行检测和定位，又能同时确定各结构变化发生的尺度．用该方法对沪、深股市综合指数的收益序列进行了波动变结构分析，理论与实证结果表明该方法是有效且可行的．     

多元变结构门限GARCH模型的伪协同持续性研究

首先在理论上证明了变结构GARCH模型与IGARCH模型的关系,从而给出了波动持续性产生的一个主要原因,其次基于变结构GARCH模型伪持续性的概念给出了多元变结构门限GARCH模型伪协同持续性的定义;最后应用深圳和上海两个股市的日数据进行实证研究,表明两个股市的波动都存在很强的持续性,且他们之间是伪协同持续的.     

连续时间资产收益变结构模型的研究

提出了应用MCMC方法的连续时间变结构模型的单一变结构点的定位方法,并提出了连续时间多变结构点模型的变结构点定位方法;该方法在确定变结构点位置的同时,又能估计相应的模型参数.用该方法对上海股市综合指数的收益序列进行了变结构分析,理论与实证结果表明该方法是有效且可行的.     

股票价格波动模型探讨

在介绍传统的股票价格波动模型——随机游走模型和对数正态分布模型的基础上 ,提出了由随机波动源和异常波动源共同作用的波动源模型 ,并对波动源模型进行了实证研究 ,结果表明波动源模型要比传统的对数正态模型更能精确地描述现实股票市场的价格波动现象 .     

复杂系统的变结构分析

传统的变结构研究方法都是建立在模型基础上的,变结构分析主要集中在系统运动模型中参数的变化或变量的增减问题上。这种传统的分析方法只限于人们对未知系统的模型结构有一个大致的了解,在一 旬先验假设的条件下才能进行。但是在系统建模之前,人们很难预先知道系统的运行的模型形式。对复杂系统而言,传统的变结构分析方法就难以秦效。特别地,对非线性向量时间序列系统而言,系统内部动态均衡结构的变化不仅具有空间结构,而且具有一定的时间结构。针对这种实际情况,本文提出了一种新的变结构分析思想,利用神经网络技术对系统的运行规律的结构变化情况进行了分析。利用上海股市数据进行了实证研究,证实了所提方法的可行性。     

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.     

基于跳扩散模型的石油价格长期趋势分析

分析了国际石油市场1986至2012年周价格形成机制的长期演变趋势.在讨论均衡理论基础上,以长期市场供求关系解释了国际油价长期波动现象.基于跳扩散模型拟合石油价格动态过程,利用结构变点检验和累积量估计方法进行了实证研究.历史数据分析表明石油价格具有高波动性、高强度跳跃性和上升漂移特征.此外,模型预测即使当前大幅增加石油投资,未来几年内石油价格变化仍会处于一种高频跳跃的上行阶段.     

随机波动模型分析及其在上海股市的应用

随机波动模型的产生既有其数理金融背景,又有其金融计量根源;它们能很好地描述金融市场中的诸多波动现象.本文利用基本的随机波动模型对上海股市的波动性进行实证分析,得到了一些有益的结论;最后提出了对未来研究的一些建议.     

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。     

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.     

具有杠杆效应SV模型的贝叶斯分析及其应用

对具有杠杆效应的SV模型进行了的贝叶斯分析，使用基于Gibbs取样的BUGS软件对模型的参数进行了估计。用上海和深圳股市的指数收益时间序列对杠杆效应SV模型进行检验，指出沪、深两个股票市场存在显著的杠杆效应。     

随机波动性模型的比较分析

对均值条件分布为正态分布的随机波动性模型与条件厚尾分布的随机波动性模型进行了比较分析．实证结果表明，厚尾分布的随机波动性模型较正态分布的随机波动性模型能更好地描述我国股市的回报与波动性的特征．     

SV-GED模型在中国股市的VaR与ES度量及分析

从分析中国股市指数收益率的统计特征入手,以SV模型为基础,在多种分布情形下测算了沪深两市时变风险值V aR及ES。结果表明:基于GED分布的SV模型(SV-GED模型)较好地刻画了高频时间序列的尖峰肥尾性及波动集聚性与持续性等特性,并对两市指数进行较准确的预测,ES相比V aR能够较准确地估计尾部风险。     

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。     

随机波动率模型的参数估计及对中国股市的实证

基于有效重要性抽样(EIS)技巧,提出极大似然(ML)方法估计了四种不同收益分布假定的随机波动率(SV)模型的参数. 以上证综合指数和深证成份指数为例,实证检验了不同收益分布假定的SV模型的性能,分析适合我国股票市场的SV模型及收益分布. 实证结果表明,与正态分布、学生t-分布和广义误差分布(GED)假定的SV模型相比,具有“有偏”和“尖峰厚尾”特征的有偏学生t-分布假定的SV (SVSKt)模型能够更好地描述中国股票市场的波动性.     

基于VS-MSV模型的金融市场波动溢出分析及实证研究

对于动态投资组合与风险管理来说，测定波动溢出效应是非常重要的。已有的资料显示SV模型比GARCH模型能够更好地刻画金融市场的波动，使用SV模型研究两个金融市场间波动溢出的文献并不多见，而使用多元SV模型研究多个金融市场间波动溢出则属空白。为了同时研究分析金融市场之间的波动溢出，作者在研究多元SV模型的基础上，建立了能分析判断波动溢出的模型——VS—MSV模型，并进行了实证分析。     

权证收益率波动的度量:基于GARCH和SV模型的比较

分别采用GARCH模型和SV模型对权证收益率波动进行比较研究,发现这两类模型均能较好地拟合权证收益率的波动,但SV模型比GARCH模型更能捕捉权证收益率的波动信息。在权证总持续期间,通过SV模型计算的V aR值比GARCH模型更加准确;而在权证发行上市时期及最后交易日期间,通过GARCH模型计算的V aR值比SV模型更加准确。