中国股市的风险度量研究

本文从沪、深股指收益率的基本统计特征入手,用GARCH-GED模型和核估计模型分别估计了其VaR值,并对模型本身及其估计的VaR进行了较为严格的检验.结论显示GARCHGED模型能够反应股市的短期动态特征,而核估计模型估计的VaR反应了股市风险的长期特征,两个模型相互补充.     

股市收益率的风险测量——基于参数与非参数GARCH技术的动态VaR计算

风险管理的基础和核心是对风险的定量分析和评估,即风险测量。VaR方法由于其明确的的经济含义及易操作性,已成为金融机构进行风险管理的一种主流方法。本文基于参数GARCH和非参数GARCH技术计算股市收益率的VaR,并对二者进行比较。通过实证分析得出以下结论:上海股市收益率序列有强烈的GARCH效应,基于非参数GARCH技术得到的VaR在给定的显著性水平下更能有效地度量股市的风险。     

中国A股市场的风险厌恶度量

提出了非参数ARCH-M模型,给出了模型的局部估计方法。对2000-2005年间中国A股日市场综合收益率数据进行实证分析,进一步探讨了风险厌恶的度量问题。研究结果表明与常数风险厌恶模型相比,非参数化后的ARCH-M模型能较好地捕捉了变化趋势,且模型的预测精度也得到了提高。     

非参数回归估计与人工神经网络方法的预测效果比较

文章研究了非参数回归方法在中石油和浦发银行等六支股票的价格预测中的应用.讨论了核估计、k阶最近邻估计、样条估计和惩罚样条估计4种常用的非参数回归方法,其中,核估计和k阶近邻估计共选取5种不同的权函数.最后,以MAPE为判断指标,将非参数回归方法的预测结果与RBF(多变量插值的径向基函数)人工神经网络方法的预测结果进行了比较.     

中国股市流动性风险的非对称效应分析

通过构建一个非流动性指标,对中国沪深股市1995—2005年的市场流动性进行计量,发现中国股市流动性风险存在明显的波动聚集性特点。在此基础上,通过引入非对称GARCH模型对中国股市的流动性风险的动态特征进行实证检验,结果显示：中国股市的流动性风险存在明显的非对称效应,流动性风险表现出“强时愈强,弱时愈弱”的特征,这意味着当市场出现流动性问题时,政府的积极干预是合理的。     

含控制因子的R/S分析的H参数估计及应用

R/S分析法是揭示金融时间序列长记忆性的主要方法之一。针对经典R/S与修正R/S分析法之不足,对R/S分析法进行改进,设计含控制因子的R/S统计量,并应用蒙特卡洛模拟说明改进的方法比经典R/S与修正R/S分析法在估计H指数上的有效性。运用新方法对上证综合指数和深圳成分指数收益率序列的长记忆性与两市的平均非周期循环长度进行实证分析,研究表明：沪、深股市的收益率序列都具有长记忆性,但是沪市的收益率序列不存在明显的平均非周期循环长度,而深市的收益率序列则存在一个大约308天的平均非周期循环长度。     

证券投资预期收益率与风险的度量方法

收益与风险是证券投资的两个核心,任何机构和个人进行证券投资前,都必须计算证券在一定时期内的收益率,并以此为基础来估计该证券的预期收益率.因此,证券的预期收益率和风险是证券投资分析的两个重要指标.本文提出了三种切合实际而且容易操作的风险估计方法,能够准确而且又比较保守地估计出收益率的变化范围.     

基于风险预期的深市收益率预报研究

在预报股市收益率时考虑到股市风险波动及其结构性变化对股民心理预期的影响,采用状态空间理论将静态风险溢价GARCH-M模型改进为动态风险溢价模型。以中国深圳股市作为算例,研究了2006年1月至2008年8月深市风险的波动及股民风险预期的变化,并据此模拟了深市2008年8月的收益率,结果表明改进模型解释力更强,拟合精度更高,比一般的GARCH-M预报结果更准确。     

非参数核密度估计在恒生指数收益率分布中的应用

文章采用了一种新的方法--非参数核密度估计,对恒生大盘指数的收益率分布函数进行了研究.这种新方法不仅很好地刻画了收益率分布的尖峰肥尾等非线性特征,而且比一般的正态分布更能捕捉市场的风险特征,结论也更加准确.     

沪市VaR估计误差及其实证

风险价值是一种概率估计,造成风险价值的预测有误差.利用不同分布条件下VaR估计的置信区间来度量风险价值的预测误差,能使风险价值的估计更精确.对沪市周、月收益率进行实证研究,得出月收益率比周收益率的波动性大,参数法有高估风险的迹象.     

基于熵最大原则的GPD估计与中国股市极值风险测度

POT极值模型参数的准确估计是计算金融资产回报市场风险的关键。根据最大化熵原则（POME）得到POT模型中GPD参数估计方程组,通过回归模型的可决系数法选取阈值,最后将其应用到中国两个时段股市金融风险测度的实证研究中。结果表明：第1、2时段,最优阈值分别为0．01799、0．01801,γ、ξ和β的估计值分别为18．53467、0．14871、0．00802和2．93172、0．03649、0．01258,并得到不同显著性水平下的VaR和ES值,为GPD参数估计找到了一个更科学有效的方法,更为准确计算金融资产回报市场风险提供了新思路,同时也测算了本次国际金融危机对中国股市风险的影响。     

A semi-parametric method for estimating the beta coefficients of the hidden two-sided asset return jumps

ABSTRACT

We introduce a new methodology for estimating the parameters of a two-sided jump model, which aims at decomposing the daily stock return evolution into (unobservable) positive and negative jumps as well as Brownian noise. The parameters of interest are the jump beta coefficients which measure the influence of the market jumps on the stock returns, and are latent components. For this purpose, at first we use the Variance Gamma (VG) distribution which is frequently used in modeling financial time series and leads to the revelation of the hidden market jumps' distributions. Then, our method is based on the central moments of the stock returns for estimating the parameters of the model. It is proved that the proposed method provides always a solution in terms of the jump beta coefficients. We thus achieve a semi-parametric fit to the empirical data. The methodology itself serves as a criterion to test the fit of any sets of parameters to the empirical returns. The analysis is applied to NASDAQ and Google returns during the 2006–2008 period.     

上海股票市场分形特征的实证研究

以有效市场假说为基础的现代资本市场理论被越来越多的实践证明与现实情况不符,而分形理论则考虑到资本市场的复杂性和EMH的缺陷,以非线性范式为分析基础,解释了有效市场理论无法解释的许多市场现象,为更深入地分析资本市场提供了新的思路和方法。文章以上海股票市场为例,用分形理论对上海股市的分形特征进行了研究,其结果表明上海股票市场具有明显的分形特征。     

基于高维波动率网络模型的股票市场风险特征研究

波动率是金融风险管理研究的重要内容之一。本文基于复杂网络理论和数据挖掘技术提出股票市场的高维波动率网络模型。首先运用互信息度量不同股票价格波动之间的相关关系，其次对股票市场不同周期下的波动情况建立度的中心势、平均距离、幂律分布等网络拓扑指标，再次根据这些指标利用Prim算法构建出高维波动率网络模型，最后运用Newman-Girvan算法对股票价格波动率的相关性进行分层研究。高维波动率网络模型突破了传统波动率模型关于变量维数的限制，能够在依赖少量假设的基础上，挖掘出多个金融市场主体间的相互关系，反映金融市场的风险特征及网络拓扑性质。实证结果发现：与常用的Pearson相关系数法相比，在互信息框架下，股价波动的非线性相关关系得到了更好的度量；股票市场的整体波动性与个股波动率相关性变化趋势相反，市场处在高波动时期资产组合分散化效果较好；网络中存在少量度数大的关键节点和中心节点，风险通过这些节点可以迅速传递到整个市场；股票市场的运行具有明显的行业聚集现象；网络分层研究进一步直观的展现了风险在层与层之间的传递规律和与之对应的行业特征。高维波动率网络模型为挖掘股票市场的风险特征与管理金融风险提供了一个新的工具。     

基于周内多重分形波动率的基金投资风格漂移风险测度研究

基金发生投资风格漂移是把双刃剑，在获得短期超额收益时，也隐藏着巨大的风格漂移风险。本文首先以我国79只开放式股票型基金为样本，在量化投资风格漂移的基础上，分析发现其收益序列存在多重分形特征，据此构建周内多重分形波动率测度来刻画投资风格漂移收益的复杂波动特征，并与传统的GARCH族波动率计量模型的测度能力进行比较分析，实证结果发现本文构建的周内多重分形波动率测度更加精确，能更好刻画序列的复杂波动特征；然后，进一步构建MFVW VaR模型对基金投资风格漂移风险进行量化测度，发现该模型比传统的参数与非参数VaR模型能更好地对风格漂移风险进行有效测度，基金普遍存在较大的风格漂移风险；最后，对我国开放式股票型基金的产品创新策略与投资风格漂移监管策略进行了一些有益探讨。     

我国保险投资组合的模拟和金融风险测量研究

 本文利用Copula函数的概念研究了保险投资组合多元金融数据的统计模拟。根据我国保险投资的特殊性，我们选用沪深300指数、基金指数、企债指数和国债指数四种风险资产来模拟保险投资组合中的股票、基金、企债和国债收益。基于模拟的结果分别利用传统近似方法（Add-VaR、N-VaR和H-VaR）和Copula方法计算了投资组合的总风险；相对于Copula-VaR方法，Add-VaR显著高估了风险，N-VaR显著低估了风险，H-VaR对于Copula-VaR的近似效果比较好，但其也高估了风险，即H-VaR相对于Copula-VaR是一种比较保守的方法。另外，我们分析了投资组合权重变化和Copula函数的选择对投资组合总风险的影响。     

上证50ETF隐含高阶矩风险对股票收益的预测研究

高阶矩是刻画资产收益涨跌非对称和“尖峰厚尾”现象中不可忽略的系统性风险。本文基于我国上证50ETF期权数据采用无模型方法估计隐含波动率、隐含偏度和隐含峰度,通过自回归滑动平均模型提取期权隐含高阶矩新息(Innovations),将它们作为高阶矩风险的度量,探讨其对股票收益的预测作用。研究表明:①在控制换手率和股息率等变量后,隐含波动率对于上证50指数和市场未来4周的超额收益有显著负向的预测作用;②隐含偏度新息越低,上证50指数和市场的超额收益越高,这种预测能力在未来1周和未来4周均显著,但随着时间的推移,隐含偏度新息的预测能力逐渐下降;③隐含偏度风险对于我国股市横截面收益也有显著的解释能力,投资组合在隐含偏度风险因子上的风险暴露越大即因子载荷值越大,则未来的收益会越低;④隐含峰度新息总体上与股票收益负相关。     

基于Wishart检验的金融市场风险溢出研究

在假定两个金融市场均为有效市场的条件下,基于Wishart分布对不同滞后相关系数进行Wishart检验,来确定在这两个金融市场之间的风险溢出发生期和风险溢出强度。实证检验结果显示,沪、深两市之间的风险溢出发生期大约在3分钟之内,且在3分钟的风险溢出发生期内沪市对深市的风险溢出强度较深市对沪市的风险溢出强度衰减速度缓慢,这反映了沪市较深市具有更重要的影响力,该研究结果与金融市场的实际情况吻合。     

Nonparametric predictive inference for stock returns

In finance, inferences about future asset returns are typically quantified with the use of parametric distributions and single-valued probabilities. It is attractive to use less restrictive inferential methods, including nonparametric methods which do not require distributional assumptions about variables, and imprecise probability methods which generalize the classical concept of probability to set-valued quantities. Main attractions include the flexibility of the inferences to adapt to the available data and that the level of imprecision in inferences can reflect the amount of data on which these are based. This paper introduces nonparametric predictive inference (NPI) for stock returns. NPI is a statistical approach based on few assumptions, with inferences strongly based on data and with uncertainty quantified via lower and upper probabilities. NPI is presented for inference about future stock returns, as a measure for risk and uncertainty, and for pairwise comparison of two stocks based on their future aggregate returns. The proposed NPI methods are illustrated using historical stock market data.