多维门限GARCH模型的平稳遍历性

给出了多维双门限自回归GARCH模型；该模型是一维双门限自回归GARCH模型在多维情况的一种推广，并且讨论了多维双门限自回归GARCH模型存在严平稳遍历性的充分必要条件。     

中国股票市场正反馈交易行为之实证

本文通过实证分析得出，上海股票市场中显著存在正反馈交易行为．并依靠Shiner、Sentana和Wadhwani提出的模型揭示了收益的自相关性、波动性与反馈交易行为之间的关系．     

Factor-GARCH模型研究与理论探讨

结合国外研究现状，对解决多维GARCH模型的方法——Factor-GARCH模型进行了系统的讨论．将投资组合的收益率Rt表述为潜在公共因子的函数形式，并对函数形式中的一些变量和假定给出了理论和现实的解释；将投资组合的协方差Ht的结构进一步细化，将其表述为可观测变量的线性函数．并指出了今后的研究方向。     

中国股票市场收益的长期记忆性研究

首先应用R/S分析法研究中国股票市场的长期记忆性，实证结果表明中国股市作为一个新兴的资本市场，表现了与国外发达股市不太一样的特征，即中国股市具有较明显的长期记忆生，又用既能描述短记忆又能表现长记忆的ARFIMA模型对中国股票市场进行建模研究，并证明该模型与其他模型相比较所体现的优越性。     

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。     

基于不同分布假设的GARCH模型对上证指数风险值预测能力的比较研究

采用GARCH模型对上海股票市场的潜在风险进行了度量．通过对三种不同分布（Normal，Student-t，GED）进行返回检验，可看出GED分布能更好地刻画上证指数的尖峰厚尾特征，从而也能更准确地预测沪市的风险值．     

Asymmetry of the Conditional Volatility of Chinese Stock Market

This paper mainly investigates the asymmetry of the conditional volatility of Chinese stock market by using the GARCH models. We collect the dally data of Shanghai composite index to analyze the volatility asymmetry. The empirical results show that there exists a distinct volatility asymmetry for return. In addition, we extend G JR model to the case with the information flow that is represented by the volume, and the results imply that the volume can＇t substitute the information flow to account for the conditional volatility asymmetry.     

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.     

非线性时间序列建模的混合GARCH方法

在文献[1]的基础上，首次提出混合广义自回归务件异方差（Mixture Generalized Autoregressive Conditional Heteroscedastic Model简记MGARCH）模型；给出并证明了MGARCH模型的一阶平稳性的充分必要条件及二阶平稳性的充分务件；给出该模型参数估计的EM算法：利用BIC定阶准则对MGARCH模型的各成份进行定阶；计算结果表明该模型对金融非线性时间序列中存在的变异率现象具有较强的描述能力，有广阔的应用前景。     

ARFIMA approximation and forecasting of the limiting aggregate structure of long‐memory process

This article studies Man and Tiao's (2006) low‐order autoregressive fractionally integrated moving‐average (ARFIMA) approximation to Tsai and Chan's (2005b) limiting aggregate structure of the long‐memory process. In matching the autocorrelations, we demonstrate that the approximation works well, especially for larger d values. In computing autocorrelations over long lags for larger d value, using the exact formula one might encounter numerical problems. The use of the ARFIMA(0, d, d?₁) model provides a useful alternative to compute the autocorrelations as a really close approximation. In forecasting future aggregates, we demonstrate the close performance of using the ARFIMA(0, d, d?₁) model and the exact aggregate structure. In practice, this provides a justification for the use of a low‐order ARFIMA model in predicting future aggregates of long‐memory process. Copyright © 2008 John Wiley & Sons, Ltd.