基于参数学习的GARCH动态无穷活动率Lévy过程的欧式期权定价

在股票价格中引入漂移率、波动率和随机跳跃三种状态， 建立动态状态空间模型， 并通过局部风险中性定价关系（RNVR）推导无套利定价模型. 以非高斯条件ARMA-NGARCH为基准模型， 构建S&P500指数的离散动态Lévy过程， 并基于序贯贝叶斯的参数学习方法， 进行模型估计和期权定价研究. 结果表明： 动态Lévy过程能够联合刻画时变漂移率、条件波动率和无穷活动率等特征， 且贝叶斯方法的引入提高了期权隐含波动率的定价精度. 同时， 无穷活动率模型在期权定价方面具有显著优势. 在五类滤波中， 无损粒子滤波估计精度最高， 速降调和稳态过程（RDTS）的期权定价误差最小， 而非高斯模型在收益率预测方面没有表现出显著的差异.     

基于ARMA-GARCH调和稳态Levy过程的期权定价

通过收益率时间序列分析, 估计了非高斯ARMA-GARCH模型用以描绘资产价格的随机过程. 进一步假设模型的噪音分别服从标准正态分布及两类纯跳跃Levy分布 (经典调和稳态(CTS)和速降调和稳态(RDTS)), 并建立风险中性Levy-ARMA-GARCH模型进行恒生指数期权定价的实证研究. 研究结果表明: 中国股市主要股指的历史滤波噪音序列皆呈现尖峰有偏和肥尾的非高斯特征, 调和稳态相比其它Levy过程有更好的尖峰肥尾的刻画能力; 恒指价格的跳跃测度存在速降趋势, 形成收益率的尖峰厚尾; 布朗运动低估了金融市场震荡程度, 高斯分布高估短、中、长期隐含波动率; 调和稳态Levy过程的拟合与定价能力较好, 速降调和稳态过程综合的定价能力更稳健.     

基于序贯贝叶斯参数学习的Lévy动态波动率模型研究

非高斯动态波动率模型及其计量是现代金融的重要研究内容.基于Levy-GARCH动态波动率模型,引入了序贯贝叶斯参数学习方法,并进行SP500指数的跳跃风险溢价估计、欧式期权定价、风险测度评估的实证研究.研究表明,相比傅里叶变换的极大似然估计,序贯贝叶斯参数学习显著改进了各模型的期权定价能力.研究还发现,带跳跃随机模型的风险度量更加准确;跳跃风险溢价明显高于扩散风险的溢价;跳跃强度越大,风险的市场价格越高.     

基于参数学习的GARCH动态无穷活动率Levy过程的欧式期权定价

在股票价格中引入漂移率、波动率和随机跳跃三种状态,建立动态状态空间模型,并通过局部风险中性定价关系(RNVR)推导无套利定价模型.以非高斯条件ARMA-NGARCH为基准模型,构建SP500指数的离散动态Levy过程,并基于序贯贝叶斯的参数学习方法,进行模型估计和期权定价研究.结果表明:动态Levy过程能够联合刻画时变漂移率、条件波动率和无穷活动率等特征,且贝叶斯方法的引入提高了期权隐含波动率的定价精度.同时,无穷活动率模型在期权定价方面具有显著优势.在五类滤波中,无损粒子滤波估计精度最高,速降调和稳态过程(RDTS)的期权定价误差最小,而非高斯模型在收益率预测方面没有表现出显著的差异.