GARCH模型的经验似然估计

以计量经济学中ARCH模型族为背景,对GARCH模型进行讨论和研究。讨论了基于GED分布的β-ARCH模型和GARCH模型的经验极大似然估计的求解方法,得到了相应的平稳模型的大样本性质定理。     

一个非对称GARCH模型的严平稳遍历性

讨论了一个非对称广义自回归条件异方差新模型的严平稳性及遍历性，并且给出了该模型存在高阶矩的条件。     

GARCH模型的实证研究

本文通过对上证综指收益率序列的实证分析,发现其具有明显的群集聚集性、波动性、尖峰厚尾的特征,并应用GARCH及其扩展模型对该序列进行建模分析,发现GARCH模型可以较好的消除金融时间序列的异方差性,同时发现,GARCH-t的拟合效果更好一些。     

太阳黑子的多项式趋势-自回归-条件异方差模型

用确定性趋势与残差服从条件异方差模型的自回归模型组合，作为太阳黑子相对数的数学模型，用它拟合1848—2002年太阳黑子相对数数据，取得很好的效果，首先通过逐步回归与逐步自回归，建立太阳黑子数的多项式趋势-自回归校正模型，然后通过PortmanteauQ检验和Lagrenge乘子检验证明残差存在强烈的异方差性，表明仅仅用多项式趋势-自回归校正模型是不够的，再配上一种条件异方差模型，即EGARCH模型控制其残差方差，从而建立多项式趋势 自回归 EGARCH模型，用此模型进行数据拟合回代，分析和预测，表明该模型的拟合，预测效果是好的，所分析的太阳黑子周期是恰当的。     

基于GARCH模型的股票波动性分析

对于高频金融数据,模型回归后得到残差序列的方差衡量了投资的风险程度,一直以来是人们关注的焦点。通常情况下,残差平方项之间存在一定的正相关性,这就是股票市场波动性的集群现象。本文主要运用GARCH类模型对这种现象进行分析,并选取能够对数据作出最优拟合的模型。     

应用Gibbs Sampler的GARCH模型选择

为了解决候选模型较多,无法一一比较其准则值的问题,提出基于Gibbs样本生成器(Gibbs sampler)的广义自回归条件异方差(GARCH)模型的选择方法.模拟实验结果表明:该模型选择方法可以高效、准确地从大量的候选模型中选择出准则值最小的模型.     

应用自回归条件异方差模型研究我国水力发电量

为了研究水力发电量条件方差的变化规律及残差的统计分布特征,引入自回归条件异方差模型,建立基于正态分布假设的同阶自回归条件异方差模型对我国2001年1月到2016年2月的水力发电量进行实证分析,研究得出该模型对发电量的估计与预测具有良好的效果。     

GARCH族模型在我国沪市指数上的实证分析

波动性是股票市场的一大显著特征.文章以市场指数本身作为研究对象,选用广泛应用的GARCH族模型来研究上证综指的波动性.在对我国上证综指的波动建模中,主要采用伪最大似然估计,并通过短期与长期的预测绩效评价,确定指数GARCH(EGARCH)为上证综指长期波动的最优预测模型。     

基于GARCH模型的外汇投资组合应用

对于外汇市场主要7个货币对欧元/美元,英镑/美元,美元/瑞士法郎,美元/日元,澳元/美元,美元/加元,纽元/美元的汇率运用时间序列分析方法,分别运用GARCH模型对汇率进行建模预测,计算得到收益期望,以GARCH模型残差方差作为风险度量。对投资过程中有无杠杆,运用马可维茨的“均值-方差”模型进行投资决策,得到下一日的投资策略。     

一族GARCH模型的概率性质

简要回顾了异方差ARCH(GARCH)模型的有关背景,并以此为基础提出了一族广义自回归条件异方差(GARCH)模型hδt-1,然后讨论了这族广义自回归条件异方差(GARCH)模型的严平稳性及遍历性,t=gt-1 ct-1hρ同时给出了该模型存在高阶矩的充分条件,并对这族GARCH模型的一类子模型进行了模拟.     

GARCH-neural网络模型对股票价格买卖差波动率的预测

股票价格买卖差是衡量金融市场流动性和有效性的重要指标,已经得到学术界的广泛研究.相比而言,作为衡量股票市场风险的重要因素的股票价格买卖价差的波动率却没有得到相同的重视.在广义自回归条件异方差(generalized autoregressive conditional heteroscedasticity,GARCH)模型的基础上,提出了GARCH-neural network (GARCH-NN)混合模型分析股票价格买卖价差波动率的动态性.以深圳证券交易所成分股价指数的高频数据为样本对所提模型进行了实证分析.运用GARCH家族模型对股票价格买卖差波动率的动态性进行分析,得出预测效果最优的GARCH模型.在最优GARCH模型的基础上结合神经网络分析方法即GARCH-NN混合模型对样本数据进行了实证分析.比较分析最优GARCH模型和GARCH-NN混合模型对股票价格买卖差波动率的预测效果,并以AIC(Akaike information criterion)和BIC(Bayesian information criterion)作为检验模型预测效果的指标.实证结果表明,提出的GARCH-NN混合模型更优.     

股票价格冲击混合分布分类信息GARCH模型及其应用

基于现有的股票价格时间序列模型,建立了一个股票价格冲击混合分布分类信息GARCH模型,引入指令簿信息,可以在解释股价变动的自相关性和异方差特性的同时,度量交易量对价格的冲击系数,进一步将价格冲击系数应用于投资优化中,可以得到投资组合的最优交易策略.     

基于ARMA-EGARCH-M模型的沪深股市波动性分析

文章讨论了ARCH模型族的拟合波动性的优缺点,建立ARMA-EGARCH-M模型,简要说明了此模型的优点;以2000年1月11日-2006年3月15日上证综指和深证成指收盘价为样本,对我国沪深股市收益率分布用ARMA-EGARCH-M模型进行拟合分析,结果表明该模型能更有效地拟合我国沪深股市的波动性;最后解释实证结果和分析了我国股市的行为。     

基于GARCH模型的沪深股市分析

利用我国沪深股市2007年7月1日至2010年7月1日的收盘指数,对沪深股市的波动性、收益率及其相关性进行了实证分析研究。研究表明,沪深两市具有明显的GARCH效应,而且两市之间具有联动性。     

EMD和GARCH模型应用于股票价格预测

将EMD（经验模式分解）方法应用到股票价格趋势的预测中,找出影响股票市场波动的关键因素,旨在提高预测的精确性。通过EMD方法将上证指数日收盘价数据分解为不同频率的数据段,重组为高频序列、低频序列和趋势序列,运用高阶自回归和GARCH模型对分解出来的各序列进行拟合和预测,避免各个分段预测过程中的误差累积,最后对预测数据重组,得到样本外数据的预测序列。结果表明,该模型具有较好的预测效果,能给投资者提供更为合理的股票投资意见,同时为趋势预测研究提供借鉴。     

中国股市交易量的周内效应

研究了中国股市交易量在一周里面的变化规律,采样时间跨度是从1990-12-19到2002-12-31。以市场换手率度量交易量,采用自回归广义自回归条件异方差(AR-GARCH)模型研究了中国股市交易量的时间系列。研究结果显示沪市和深市的日市场换手率不服从正态分布并且存在着自相关性和ARCH效应;AR-GARCH模型很好地拟合了日市场换手率时间系列,估计出来的参数十分显著;周一到周五的日市场换手率存在显著差异并且周一的市场换手率达到了一周的最大值。利用混合分布假说进行了解释,非交易日的信息积累可能是周一高换手率的原因。结果指出:在该研究的样本范围内,中国股市交易量存在着周内效应。     

GARCH模型和SV模型对深圳股市的比较

文章采用GARCH模型和SV模型对深圳股市进行了实证分析;结果表明,基本SV模型较GARCH(1,1)模型能更好地拟合实际金融时间序列数据;从总体上来说,基本SV模型的预测效果优于GARCH(1,1)模型。     

基于CARR模型与GARCH模型对VaR的比较研究

研究了在一般情形下和极端风险下的风险度量,分别采用基于极差、收益率为变量建模的CARR模型、GARCH模型应用于VaR的计算,结合深证成指的实际数据进行实证分析,分别对比在不同分布下GARCH模型和CARR模型计算出的VaR,最终得出基于在广义伽马分布下CARR模型算出的VaR值,能更加真实地反映深证股市极端情形下风险程度,而基于T分布下的GARCH模型更加真实地反映深证股市一般情形下的风险程度.     

基于GARCH-CVaR模型的我国股票市场风险分析

条件风险值(CVaR)风险度量方法是风险值(VaR)方法的改进，是一种较之VaR更加客观谨慎的风险度量方法。运用CVaR的动态计算模型——GARCH-CVaR模型，对我国股票市场风险特征进行了分析研究，结果表明：我国股票市场具有显著波动聚集性及持续性，股票市场的CVaR值始终比同期VaR值偏大，尤其在市场剧烈波动即风险较大时．