中国股市多分形波动率建模及预测研究

本文考虑股市高频数据的日内效应和已实现波动率的测量误差修正了现有多分形波动率指标的构建方法，以HAR模型为基础构建新的多分形波动率预测模型.利用Diebold-Mariano检验和"模型信度设定"检验等方法综合评价了各种模型对我国沪深300股指的预测能力.结果表明：1）在相同模型范式下，赋权调整已实现波动率的样本外预测能力要优于已实现波动率，而本文提出的新的多分形波动率模型要显著优于其他模型；2）在相同波动率测度指标下，引入股价波动的跳跃成分和杠杆效应能进一步改善波动率模型的短期预测效果；3）最优和次优模型均是基于新多分形波动率方法构建的模型.     

基于杠杆效应和结构突变的HAR族模型及其对股市波动率的预测研究

近年来,基于高频交易数据的HAR族模型在对各类金融市场波动率的预测研究中展现出了良好的预测效果.本文在4个经典或前沿的HAR族模型的基础上,考虑杠杆效应和结构突变因素对波动率的预测作用,构建4个带杠杆效应和结构突变的HAR族模型.接着,以上证综指和深证成指的5分钟高频交易数据为研究样本,对上述模型进行样本内和样本外分析,以此检验各成分对股市波动率的预测作用以及比较各模型的预测能力.实证结果显示:已实现波动率,连续波动率,下行波动率,上行波动率,杠杆效应和结构突变成分对股市波动率的预测作用较强,而跳跃波动率,符号跳跃方差对股市波动率的预测作用较弱;带杠杆效应和结构突变的HAR族模型对股市波动率的样本内拟合效果和样本外预测能力都明显优于相对应的不带杠杆和结构突变的HAR族模型,其中大多数情况下LHAR-CJ-SB模型展现出最高的拟合效果和预测精度.以上结果表明,杠杆效应和结构突变因素能有效提高HAR族模型的预测精度,所以在HAR族模型的构建中这两个因素不能被忽视.     

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。     

隔夜收益率能提高高频波动率模型的预测能力吗

将隔夜收益率作为解释变量加入到高频波动率模型中,研究其对模型预测精度的影响.以沪深300指数为例,运用样本外预测技术及新颖的模型可信集检验方法,同时选取比RV更为稳健的两尺度已实现波动率为基准波动率,实证研究表明,隔夜收益率对短期波动率存在显著的非对称效应;隔夜收益率能改善各波动率模型的拟合能力,并能显著提高模型的短期预测能力;在预测短、中及长期波动率时,已实现和已实现极差高频波动率模型的预测表现并不一致.     

基于外部信息冲击的符号跳跃变差高频波动率模型

现阶段研究高频波动率的主流HAR-RV-跳跃模型仅考虑了与高频波动率有关的内生变量,忽视了外部信息冲击的影响,对高频波动率的估计和预测可能存在偏误.本文尝试将外部信息冲击引入到HAR-RV-跳跃模型中,构建基于外部信息冲击的符号跳跃变差高频波动率模型(HAR-VRV-跳跃模型).这类模型不仅兼顾内生因素和外部信息冲击对高频波动率的共同影响,还考虑了多元信息冲击的非对称效应.通过选取沪深300和中证500指数的高频交易数据作为研究样本,并利用滚动时间窗口预测和SPA检验对HAR-V-RV-跳跃模型的预测能力进行了评价,结果表明:HAR-V-RV-跳跃模型可以依据外部信息冲击的类型对高频波动率做出更准确的预测,其预测能力明显优于现有的HAR-RV-跳跃模型.但是,HAR-V-RV-跳跃模型对平稳期高频波动率的预测表现优于非平稳期.     

基于跳跃、好坏波动率与百度指数的股指期货波动率预测

本文首次将百度指数引入HAR波动建模框架,基于跳跃、好坏波动率与百度指数提出HAR改进模型,实证研究揭示股指期货波动运行规律,并通过MCS检验分析预测模型优劣.HAR建模考察连续-跳跃波动、好-坏波动率的两种已实现波动分解.为了降低波动率估计偏差,基于序列相关法仿真统计最优抽样频率,利用已实现核修正的ADS检测识别跳跃,进一步修正好坏波动率与符号跳跃.基于沪深300股指期货的样本内外预测表明:连续波动比跳跃波动对未来已实现波动的预测贡献更大;好坏波动率具有不对称的波动冲击,好(坏)波动率抑制(加剧)未来波动性;符号跳跃对未来波动具有负向冲击;好坏波动率分解优于连续与跳跃波动分解;百度指数能显著提升HAR波动建模的样本内外预测能力;MCS检验证实,考虑符号跳跃与百度指数的HAR-RV-SJ-BI模型表现最佳.研究结论对认识股指期货波动规律和市场风险具有意义.     

基于TVS-HAR模型的农产品期货市场已实现波动率的预测研究

本文以4种农产品期货的高频数据为样本,在实证考察预测因子对农产品期货已实现波动率的预测能力基础上,通过假定时变HAR模型的参数遵循独立正态-伽马自回归过程先验分布,构建了具有时变稀疏度的HAR模型(TVS-HAR),以同时考虑预测模型参数的时变性和预测模型的时变性,并采用MCS检验评价和比较该模型和其他HAR族模型的样本外预测性能.实证结果表明:TVS-HAR模型能较好地识别和拟合潜在预测因子对农产品期货市场波动率的预测的重要性和影响程度的时变性;跳跃成分对我国农产品期货市场已实现波动率具有一定的预测能力;相对于其他几类HAR模型,TVS-HAR模型的预测性能最好.     

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.     

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.     

考虑杠杆效应的多重分形波动建模:基于中国股指的实证分析

为提高波动估计的准确性,针对修正因子的不足,改进了多重分形波动率测度,建立了反映多重分形波动特征的ARFIMA模型和HAR模型.样本内拟合实证表明:考虑杠杆效应的多重分形波动建模明显提高模型拟合程度.样本外预测实证表明:基于多重分形的波动模型是比GARCH类模型更有效的预测模型.两方面实证表明考虑杠杆效应的多重分形波动建模更能有效地刻画金融市场波动复杂性.     

隐含波动率曲面的预测研究:来自中国台湾市场的证据

本文采用"两步法"构建了期权隐含波动率曲面的动态模型,并利用该动态模型检验了台指期权隐含波动率曲面的可预测性.结果显示,台指期权隐含波动率曲面无论在统计意义上还是经济意义上都具有可预测性,当在预测过程中加入看涨(看跌)期权市场净购买压力信息后,台指看涨(看跌)期权隐含波动率曲面的样本外预测效果得到了显著提高,在不考虑交易成本以及合适的交易成本的情形下,依据模型预测结果构建的交易策略能获得正的超额收益.     

基于多分形波动率测度的ES风险度量

多分形波动率(Multifractal Volatility,MFV)是一种最近提出的金融市场波动率测度方法。以上证综指和标准普尔500指数的高频价格数据为例,构造了多分形波动率测度的lnMFV-ARMA动力学模型,并运用基于Bootstrap方法的后验分析过程,实证对比了lnMFV-ARMA模型与其他6种常用波动模型对ES(Excepted Shortfall)风险测度的估计精度差异。实证结果表明:在所考察的大多数分位数水平下,lnMFV-ARMA模型对ES风险测度的估计精度都优于许多现有常用波动模型,特别是对标准普尔500指数的极端价格波动风险具有最优的刻画能力。     

引入隔夜信息的已实现波动率

中国股市每天交易时间只有4小时,而可能影响股票收益的信息却在24小时内连续累积。隔夜信息即指非交易时段产生的影响股市的信息,既可能源自非交易时段的政策颁布、公司公告,也可能源自海外市场的股价变动等。在估计日已实现波动率时,对隔夜信息的处理方式尚无定论。以沪深300指数5分钟高频价格为实证数据,比较多种引入隔夜信息的方法,发现本文提出的以SP500指数交易时段已实现波动率代理隔夜波动率,与沪深300指数交易时段已实现波动率相加而构建的日已实现波动率估计量,在均方误差指标和模型置信集检验下具有最高的样本内精确度。并且以之为真实波动率代理变量时,常用GARCH类模型样本外预测性能的比较结果在各种估计窗/预测窗组合下最为一致。     

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.     

基于波动率测量误差的波动率预测模型

本文研究了一种基于波动率测量误差的波动率预测模型,并做了非线性扩展,期望改进预测效果.考虑到文献中关于波动率可能长记忆性和非线性并存的观点,本文以具有长记忆特征的HAR(heterogeneous autoregressive)模型为基础,加入波动率测量误差后模型持续性有所提高,结合非线性的时变参数模型则达到结构变化和减弱异方差的效果.本文用2652天的沪深300高频数据计算的已实现极差波动率来验证模型效果.固定参数下,在HAR型模型中加入测量误差作为调节变量可以较显著地改善样本外预测效果.时变参数下,加入测量误差的HARQ型模型预测效果大多优于对应的HAR型模型.时变参数模型总体上可以改善固定参数模型的预测效果,尤其在预测期较长的情况下改善均是显著的.     

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.     

投资者关注对中国黄金价格波动率的影响研究

黄金具有商品和货币的双重属性,是投资者进行资产保值及增值的重要手段.本文从行为金融理论出发,采用广义自回归条件异方差混频数据抽样模型(GARCH-MIDAS),探究百度指数和谷歌趋势对中国黄金价格波动率的预测能力.同时,引入了全球经济政策不确定性(GEPU)指数以及地缘政治风险(GPR)指数变量,检验对黄金波动的影响.进一步地,使用模型信度集(model confidence set,MCS)和方向检验(direction-of-change,DoC)两种评价方法检验各模型的样本外预测精度.实证结果表明,谷歌趋势能够显著大幅提升中国黄金价格波动率的预测精度,为准确预测我国黄金波动提供了新的视角,为稳定金融市场提供了可靠保证.     

羊群效应的新测度指数及其对我国股市波动的预测作用研究

羊群效应作为一种典型的市场投资者行为异象，极易对股票价格波动形成影响.因此，在已有羊群效应测度方法基础上，提出了一种新的羊群效应测度指数，并以我国上证综指为样本，运用广义自回归条件异方差混频数据（GARCH-MIDAS）模型实证检验了该指数对上证综指波动率的影响及预测作用，并与多种常用的同频数据GARCH族模型和纳入经济政策不确定性指数（EPU）的波动率模型进行比较分析.实证结果表明，相对于EPU指数，纳入新羊群效应指数的GARCH-MIDAS模型具有更显著的样本内参数估计结果，同时可以更好地解释上证综指波动的长期成分.进一步，模型信度集合（MCS）检验和预测方向准确性（DoC）检验结果表明，纳入新羊群效应指数能够显著提高模型对我国股市波动率的样本外预测精度.最后，采用不同样本外预测天数、不同损失函数、不同滞后期预测以及基于深证成指样本的各种实证结果进一步证实上述结论的稳健性.     

加权已实现极差四次幂变差分析及其应用

针对金融高频数而开发的极差波动估计量因能更精确地度量波动率而备受关注. 根据方差有效性结合数值模拟, 推导出了已实现极差多幂次变差族中最优的波动估计量, 并依据无偏性和方差有效性给出了相应的加权估计量. 同时将这些估计量与已实现GRACH模型相结合, 并对模型进行扩展. 实证表明已实现极差四幂次变差是已实 现极差多幂次变差族中最优的波动估计量, 加权的已实现极差四幂次变差能有效消除日历效应的影响, 扩展的已实现GRACH模型在拟合和预测效果上明显优于传统的EGARCH模型.     

基于混频数据驱动神经网络模型的波动率预测研究

金融市场价值波动与经济政策等宏观环境密切相关,其影响要素多源,价值波动往往表现出复杂的统计特征与变化规律,现有的波动率预测模型难以有效地预测其价值波动规律.面对价值波动中风险要素多源、频率多样、关系非线性的潜在挑战,考虑到深度学习框架下CNN和LSTM的计算优势,本文提出了基于混频数据反向抽样的CNN-LSTM的波动预测模型:MDNN (mixed frequency data-driven neural network),该模型既有效提取多元时序数据的时空特征、又充分利用混频信息,使其预测能力与泛化能力得到有效提升.选取常见的供应链金融质押物铜、铝和锌作为研究对象,样本外预测结果表明:相比于基准模型,MDNN更加准确、有效地预测出质押物已实现波动率,其稳健性检验也表明实证结论的可靠性.