中美棉花期货价格波动特征的比较研究

利用GARCH（1,1）模型和EGARCH（1,1）模型分别对中国和美国棉花期货价格的波动特征进行对比分析。结果表明,从总体看郑州和纽约棉花期货市场都具有价格波动剧烈的特点,郑州棉花期货市场收益波动不具有杠杆效应,证明中国的棉花期货市场还不够成熟。     

中美棉花期货价格波动特征的比较研究

利用GARCH(1,1)模型和EGARCH(1,1)模型分别对中国和美国棉花期货价格的波动特征进行对比分析.结果表明,从总体看郑州和纽约棉花期货市场都具有价格波动剧烈的特点,郑州棉花期货市场收益波动不具有杠杆效应,证明中国的棉花期货市场还不够成熟.     

上证综指收益率波动性的非线性方法研究

以上证综指日收盘价为样本建立了对上证综指收益率波动性的非线性模型.实证结果表明我国上海股市的价格波动具有异方差性及显著的左尖峰厚尾的特征;收益率的波动不服从正态分布;具有集聚性和记忆性;波动持续时间较长.通过分析比较GARCH模型拟合效果较好,并预测结果有一定的稳定性.同时对收益率建立了EGARCH（1,1）和TARCH（1,1）模型,表明收益率波动存在一定的杠杆效应.     

基于EGARCH-CVaR的我国股市风险分析

根据我国股票市场收益的基本特征,对上证180指数收益率序列分别构建基于正态分布、t分布和GED分布的EGARCH模型。通过计算三种不同分布下的CVaR值,对股市风险进行分析。并将EGARCH模型的CVaR值与GARCH模型的CVaR值进行比较。结果表明,基于广义误差分布的EGARCH模型(EGARCH-GED)能更好地刻画我国股市的市场风险。     

上海证券交易所Ａ股市场的波动性分析

运用主要的三种条件异方差模型：ARCH、GARCH、EGARCH模型，对上海证券交易所A股指数的波动性进行拟合，分析模型对上证A股指数收益的波动性、杠杆效应的拟合情况，比较不 同模型对未来波动性的预测情况。实证分析结果表明：EGARCH模型比较适合对我国股票市场 波动性作长期预测，若假设收益序列服从t分布，由此改进的EGARCH-T模型会得到比正态分 布下更好的拟合与预测效果。     

白糖期货波动特征实证检验

对我国郑州商品交易所白糖期货在2006—2011年收益率序列的波动特征进行了实证检验。研究结果表明:白糖期货的收益率分布均表现出尖峰厚尾特征,GARCH(1,1)模型检验结果发现,其α+β值小于1,但非常接近1,表明都具有很强的波动持续性;EGARCH(1,1)和TGARCH(1,1)模型估计的结果则表明白糖期货表现出正的杠杆效应。     

GARCH模型分析股票市场的波动性

本文全面比较了描述波动率的各种模型以检验各种模型设定在改善模型表现、降低模型误差方面的作用并运用GARCH族模型对深证成指收益率的波动性进行研究,分析了我国股市波动性的特点。通过比较发现对于深市股指收益率的波动性,EGARCH（1,1）模型能很好的拟合。同时还对股指收益率的波动性进行了预测分析。     

基于GARCH类模型的中国股市收益率分析

自二十世纪八十年代以来, 金融时间序列的波动群聚性,尖峰厚尾性和长记忆性特征的研究已经成为众多研究的论题, 是当今金融风险管理的核心. GARCH类模型是波动群聚性建模中常用的模型. 作者在简要介绍金融时间序列波动性的GARCH模型的基础上, 运用MATLAB软件包编程, 利用FIGARCH模型、NAGARCH模型和EGARCH模型对中国股市波动特征进行建模, 并比较了正态分布、Studentt分布、GED分布和偏t分布等四种不同分布特征的FIGARCH、NAGARCH和EGARCH模型对中国股市波动特征的拟合.实证结果表明, 偏t分布更适合我国股市波动特征的描述, FIGARCH模型在拟合效果方面要优于其他模型.     

股票收益率预测及风险与收益关系研究——基于ARMA-GARCH模型和高频数据

以沪深300指数的一分钟为间隔的实时价格为研究样本,利用ARMA模型和基于T分布的GARCH(1,1)模型,对其收益率进行了拟合和预测,同时运用GARCH-M模型,分析风险和收益之间的关系。研究表明,股指波动存在条件异方差性;ARMA模型长期预测效果较好,而GARCH(1,1)-T模型短期预测效果较好;沪深300指数的风险和收益不呈正比,说明我国股市发展不成熟。     

基于GARCH族的VaR方法在上证市场中的风险度量

使用上证地产指数的日对数收益率的数据,对其收益率序列进行统计描述,并且建立GARCH族模型。分别在正态分布、T分布和GED分布下总结GARCH参数并计算VAR值,通过实证分析指出序列分布具有尖峰厚尾的特征,上证地产指数的对数价格具有波动率聚集现象,其中利好消息的波动比利空消息更大,上证地产指数存在明显的杠杆效应;T分布下的EGARCH(1,1)模型能够更好地拟合上证地产指数,得出的VAR值准确性较高的结果。     

基于时变的我国开放式基金选股和择时能力定量分析

金融时间序列数据常常发现有波动聚集的现象即波动随时间变化的现象.选取2003年前发行的15只开放式基金的周数据作为样本,在T-M模型和H-M模型的基础上加入GARCH效应来分析基于时变的我国开放式基金的选股和择时能力,以求对这两种能力更精确的评估.实证结果表明,传统的T-M模型和H-M模型不仅高估了基金经理的选股能力,还高估了基金投资组合的系统风险.因此,为了去除这种高估的偏差,应该在评估基金绩效或基金经理选股、择时能力时在模型中考虑GARCH效应.     

上证综指波动率的估计——基于GARCH（1,1）模型的研究

波动率是测度风险的重要变量,在金融领域中占有至关重要的地位。采用GARCH（1,1）模型研究了上证综指的波动率。研究结果表明GARCH（1,1）模型能够准确地估计1年以上股市的波动率。     

GA在改善证券市场风险测量精度中的实证研究

应用遗传算法(GA)估计线性GARCH(1,1)模型和非线性EGARCH(1,1)的参数,建立两个模型计算中国证券市场的风险值(VaR).通过对比传统算法和遗传算法的风险值,计算数据显示:线性GARCH(1,1)模型和非线性EGARCH(1,1)模型下,GA得到的风险值均大于真实值,可以解决传统算法中预测精度不高的问题.     

沪深股市的波动性分析——基于t分布下GARCH和SV模型的比较

构建基于N分布和t分布下的GARCH(1,1)和SV模型,并通过实证分析探讨了上证指数和深证成指收益序列的波动性.分析结果表明,GARCH(1,1)类模型和SV类模型能较好地拟合沪深股市收益率的波动,并指出我国股市存在较强的波动持续性;而基于t分布的各模型能有效地刻画股市的厚尾性;此外,通过计算VaR值,说明深市比沪市的风险更大,且SV类模型能更准确地反映收益率的风险特性.     

对于预测上海股市股指波动性的数量模型的比较

目前对于随时间而变化的波动性预测模型主要有两类:一类是假设波动性的变化是一个确定性过程的GARCH模型,另一类是假设波动性的变化是一个随机性过程的随机波动模型.本文同时将这两类模型(GARCH(1,1)模型及其特例RiskMetrics模型,随机波动模型)应用于上海股市中,通过对样本外区间的预测准确度来衡量这两类模型对我国股市波动性的预测能力.通过4个预测准确度指标,MS模型对于上证指数在样本外区间的预测相对于另外两个模型而言都是显著最佳的.RiskMetrics模型的表现则要优于GARCH(1,1),且RiskMetrics在实际运用中要方便的多.     

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。     

中国股市收益波动的实证研究

采用GARCH类模型，利用上证综合指数对中国股市收益波动进行了实证研究。以前的研究显示中国股市波动存在反向的不对称性或不对称性不显著，并归因于中国股市的高投机性。而本研究的TARCH模型和EGARCH模型的实证结果首次提出了新的不同证据。说明中国股市存在显著的不对称性。对杠杆效应和波动反馈效应在中国股市的作用进行理论分析，认为波动反馈效应更能说明中国股市波动的不对称性。