基于四次幂差修正HAR模型的股指期货波动率预测

股指期货波动率建模与预测是揭示其波动运行规律和市场风险是重要途径。本文基于跳跃、好坏波动率与符号跳跃建立四组HAR模型，提出单级纠偏HARQ类模型和多级纠偏HARQF类模型，实证研究揭示股指期货波动运行规律，并采用MCS检验来评估模型优劣。HAR建模考察连续与跳跃波动、好与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，基于最小化MSE准则确定最优抽样频率，利用已实现核修正的ADS检测法识别跳跃，采用已实现核估计修正好坏波动率与符号跳跃。基于沪深300股指期货的实证研究表明：连续波动比跳跃波动对未来已实现波动贡献更大；好坏波动率具有不对称波动冲击，而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；中位数已实现四次幂差能够显著提升HAR类模型的样本内外预测能力；与样本内预测相反，样本外预测中单级纠偏HARQ类模型优于多级纠偏HARQF类模型；MCS检验得出HARQ-RV-SJ模型表现最佳。研究结论与启示对认识股指期货波动规律和市场风险具有意义。     

嵌入GARCH波动率估计的B1ack-Litterman投资组合模型

在B1ack-Litterman投资组合模型中，为了更有效地估计风险资产的期望收益和波动率，引入了投资者的主观观点，这种处理确实能提高均值-方差投资组合模型的性能。但是在实践中，如何度量投资者观点成了另一个难题。为了克服这一困难，我们将GARCH波动率估计嵌入到B1ack-Litterman模型中，通过使用GARCH模型的预测能力来替代投资者主观观点，从而获得一个新的投资决策模型。作为应用，分别考虑了国内外真实市场数据测试情形，通过实证结果发现，嵌入了GARCH波动率估计后，Black-Litterman模型的性能可进一步得到很好提高，样本外平均收益率、波动率和夏普比等指标，均要好于一些传统模型。     

我国黄金期货价格波动率预测研究：来自模型缩减方法的新证据

黄金作为重要的避险资产,对其价格波动的定量描述和预测对于各类投资者的风险管理决策意义重大。基于标准回归预测模型,采用主成分分析、组合预测和两种主流的模型缩减方法(Elastic net 和Lasso)构建新的波动率预测模型,探究哪种方法能够更有效地利用多个预测因子信息。进一步,运用模型信度集合(model confidence set,MCS)、样本外R2和方向测试(Direction-of-Change,DoC)三种评价方法检验新模型的样本外预测精度。实证结果显示：不论是基于哪一种评价方法,相比其它竞争模型,两种缩减模型的样本外预测精度均为最优,可以为我国黄金期货价格的波动率预测提供可靠保障。     

GARCH类模型波动率预测评价

GARCH类模型已经广泛运用于波动率的预测,但对模型的预测表现进行评价却受到了忽视,其主要原因是缺乏合适的衡量标准。本文首先运用GARCH类模型对上证指数收益率进行了全面的估计及样本外预测,然后以已实现波动率作为波动率预测的评价标准,通过M-Z回归和损失函数来评价GARCH类模型的波动率预测表现。结果表明,无论是样本内还是样本外,GARCH类模型都能够较好的预测上证指数的收益波动率。其中,偏斜t-分布假设下的GJR(1,1)模型的预测能力最强。     

中国股票市场的最优波动率预测模型研究——基于沪深300指数高频数据的实证分析

以沪深300指数的高频数据为例,采用滚动时间窗的样本外预测以及SPA检验法,对比了基于日收益数据的历史波动率模型和基于高频数据的实现波动率模型的预测能力.主要实证结果显示,实现波动率模型以及加入附加解释变量的扩展随机波动模型是预测精度最高的波动模型,但在学术界和实务界流行的GARCH及其扩展模型对我国A股市场波动的预测能力较差.     

引入投资者关注的中国股市协方差预测——基于多元HAR类模型

众多经济事实表明投资者并非完全理性。一方面，投资者由于有限关注，无法及时掌握市场上所有投资决策相关信息，可能导致资产价格对信息的反应不足；另一方面，某些信息会诱导投资者过度关注和过度交易，导致价格信号中包含更多噪声。这些都会造成短暂的错误定价，引起资产价格波动和资产间相关性的变化。鉴于此，本文认为投资者关注是影响资产多元波动率的一个重要外生因素，用百度指数衡量中国市场个体投资者关注，将其引入已实现协方差的多元异质自回归类模型，刻画个体投资者关注的变化对资产协方差的非对称影响，同时区分电脑端和移动端百度指数对协方差预测的不同贡献。采用2014年1月2日至2018年12月28日的50ETF成分股高频价格，和以股票简称及“50ETF”为关键词的百度指数，对上述模型进行实证。结果表明，百度指数代理的个体投资者关注蕴含对协方差预测有益的信息，将其引入协方差预测模型显著提升拟合性能和样本外预测能力；投资者关注的变化对资产波动及相关性的影响均存在非对称性；引入电脑端百度指数比引入移动端百度指数对协方差预测性能的提升更为显著。研究结果肯定了引入投资者关注对协方差预测的积极作用，对投资者的资产配置和风险管理有实际指导意义。     

不同抽样频率波动模型的预测精度比较

以上证综指和标准普尔500指数为例,构建了基于不同抽样频率股价数据的波动模型,然后运用样本外的滚动时间窗法实证计算了各波动模型对未来市场波动率的预测值,最后运用具有bootstrap特性的SPA检验法实证检验了各波动模型的预测精度差异.研究结果表明,基于低频数据的波动模型对股市波动率的预测精度远远落后于基于高频数据的波动模型,使用高频数据有助于对市场波动率的精确预测.     

基于LSTHAR模型的投资者关注对股市波动影响研究

有限关注理论认为投资者关注有限，无法掌握市场上所有信息，这会使股票出现暂时的错误定价，引起市场波动，因此投资者关注可能包含预测波动的有益信息。鉴于百度指数能较好代理中国投资者的主动性关注，本文提出将其作为逻辑平滑转移结构的转移变量，引入已实现波动的异质自回归类模型，以刻画投资者关注的变化对未来市场波动的非线性影响。基于华夏上证50ETF高频价格数据的实证表明：新模型相比于异质自回归类基础模型，有显著更优的拟合效果和显著更强的预测性能，即投资者关注的非线性引入对波动率预测有显著贡献。本文还发现，相比于引入移动端百度指数和总体百度指数，引入电脑端百度指数对模型预测性能的改进明显更大，表明电脑端百度指数代表的投资者关注对市场波动有更大的影响。研究结论对投资者风险管理和投资决策有实际指导意义。     

波动预测建模与尾部风险测量方法

  作为中国资本市场的对冲工具，股指期货在2015年经历了一轮极端牛熊市。在股指异常波动阴影下，研究股指期货尾部风险的测量方法，对风险管理与资产配置具有理论意义和实践意义。传统风险测量方法通常利用低频波动率构建尾部风险VaR和ES估计量，但高频波动率比低频波动率蕴含更多信息且计算效率更高，利用高频波动率建立高效的尾部风险测量方法成为研究趋势。         基于条件极值理论和新型高频波动率，构建RV-EVT框架的股指期货尾部风险测量方法。阐述已实现波动率衍生的跳跃、好坏波动和符号跳跃理论；为提高波动率估计精度，利用已实现核修正CPR跳跃检验、好坏波动和符号跳跃；考虑跳跃、好坏波动和符号跳跃建立4组对数形式的HAR类波动预测模型。在极值理论框架中嵌入HAR类模型预测波动率，构建两步法的RV-EVT尾部风险测量方法；根据样本外滚动预测评估股指期货尾部风险测量水平，采用无条件覆盖和自枚举检验对VaR和ES进行回测分析。         研究结果表明，波动率的样本外滚动预测显示，HAR波动预测框架下好坏波动分解优于连续跳跃波动分解，好坏波动衍生出的正负符号跳跃具有极为突出的波动预测能力；回测分析检验结果显著，尾部超出数接近理论预期，表明RV-EVT尾部风险测量方法有效；HAR-RV-RS和HAR-RV-SJd模型的尾部风险测量表现最佳；ES模型比；VaR模型具有更优的尾部风险测量水平，特别是在高风险状态下ES模型能弥补VaR模型失控的缺陷；通过量化交易资金管理研究，揭示尾部风险测量方法的应用价值。         建立了高频波动率与风险管理的桥梁，为金融资产尾部风险度量提供了有效方法，对资产配置和风险控制具有借鉴意义。     

跳跃的估计、股市波动率的预测以及预测精度评价

本文基于C_TMPV理论估计已实现波动率的跳跃成分,在此基础上构建考虑跳跃的AHAR-RV-CJ模型和MIDAS-RV-CJ模型来预测中国股市的已实现波动率,并评价和比较各类波动率模型的预测精度。实证结果表明:基于C_TMPV估计的波动率跳跃成分对日、周以及月波动率的预测有显著的正向影响;AHAR-RV-CJ模型和MIDAS-RV-CJ模型的样本内和样本外预测精度在不同的预测时域上都是最高的,尤其是对数形式的模型;MIDAS族模型的样本外预测精度在中长期预测时域上比HAR族模型高;AHAR-RV-CJ模型和MIDAS-RV-CJ模型的样本外预测能力在中长期预测时域上比基于低频数据的Jump-GARCH模型、SV-CJ模型和SV-IJ模型好。     

金融市场的多分形波动率测度、模型及其SPA检验

提出一种新的金融市场波动率的测度方法--多分形波动率(multifractal Volatilty)测度,并以上证综指在长达8年左右时间内的高频数据样本为例,构造了多分形波动率的ARFIMA动力学模型.同时,运用最近提出的SPA(superior predictive ability)检验法,实证对比了多分形波动率模型与现有的如实现波动率(realized volatility)模型、GARCH模型以及随机波动(stoclaastic volatility,SV)模型对市场波动预测能力的优劣.实证结果显示,在某些损失函数标准下,文中提出的多分形波动率测度及其动力学模型具有比现有其它模型更优的波动率刻画能力和预测精度.     

沪深300股指期货的波动率预测模型研究

以沪深300股指期货仿真交易的5分钟高频数据为例,运用滚动时间窗的样本外预测和具有Bootstrap特性的SPA检验法,全面对比了基于日收益数据的历史波动率(historical volatility)模型和基于高频数据的已实现波动率(realized volatility)模型对波动率的刻画和预测能力.主要实证结果显示,已实现波动率模型以及加入附加解释变量的扩展随机波动模型是预测精度较高的波动模型,而在学术界和实务界常用的GARCH及其扩展模型对沪深300股指期货的波动率预测能力最弱.     

投资者关注对人民币汇率价差波动的影响研究——基于GARCH-MIDAS模型

源自心理学的有限关注理论近年来被广泛应用于金融研究，其基本思路是：金融市场产品种类繁多，由于存在信息成本，个人投资者的关注便成为一种稀缺资源，于是更倾向于交易关注到的产品，进而影响价格。该理论在证券市场已得到大量的实证支持，因此对外汇市场的研究显得非常必要。 基于谷歌搜索量指数构建的人民币关注指数，以2011年6月27日至2016年7月29日为研究区间，利用最小二乘回归实证检验投资者关注对人民币在岸和离岸汇率价差波动率的影响。特别地，利用基于已实现波动率的GARCH-MIDAS模型将波动率分解为长期成分和短期成分，并分别进行回归，考虑了价差波动的结构性特征。 研究结果表明，投资者关注能够显著增大人民币汇率价差波动，货币当局可适当引导进而达到收窄价差、抑制套利的目的。与波动长期成分相比，投资者关注对波动短期成分的作用更强。加入央行干预、利率平价、流动性、预期等控制变量后，投资者关注对汇率价差波动率的预测能力依旧显著，表明其所包含的信息并未被已有变量覆盖。稳健性检验中，将4个控制变量同时加入基准模型并考虑关注与控制变量之间的耦合效应，结果表明投资者关注仍然具有独立的解释能力，且在长期内会通过影响控制变量的作用间接影响价差波动，作用机制与短期有所区别；直接利用基于月度投资者关注的GARCH-MIDAS模型对波动进行分解，通过系数的显著性进一步验证投资者关注对波动长期成分的作用；分别将在岸和离岸汇率波动率直接分解后进行最小二乘回归，投资者关注效果同样显著,且综合效果与原检验基本一致。 通过探讨投资者关注对人民币汇率价差波动的解释能力，拓展了基于谷歌搜索量指数测量的投资者关注在外汇市场的研究，为人民币汇率走势的预测提供了新思路，具有积极的现实意义，货币当局和外汇投资者可以构建人民币关注指数，以此作为参考来实现有效汇率管理或风险控制等多重目的。     

基于“已实现”波动率ARFI模型和CAViaR模型的VaR预测比较研究

高频金融数据在风险价值VaR度量和预测方面的价值已经引起了学术界和业界的广泛兴趣。计算和预测VaR的方法广义上可以分为两大类:间接法和直接法,在有了高频数据后,两类方法均可行,尤其是由于高频数据导出的"已实现"波动率的出现,使得间接法有明显改进。本文将从间接法中选取基于"已实现"波动率的ARFI模型与从直接法中选取的两个CAViaR模型进行比较,采用沪深300、上证指数、深证成指的5分钟高频数据,根据多种在评价VaR预测模型表现时广泛使用的后验测试,对各模型进行实证检验,结果表明基于CAViaR模型的预测表现优于基于"已实现"波动率的ARFI模型,这对风险管理从业者有一定的参考意义。     

考虑成分股联跳与宏观信息发布的沪深300指数已实现波动率模型研究

利用日内高频数据计算的已实现波动率较好度量了金融资产的风险,因此对其预测模型的研究具有重要意义。考虑到指数成分股的联跳可能蕴含指数跳跃所未能反映的信息,提出运用非参数方法识别指数成分股的联跳,采用自回归条件风险模型估计成分股联跳强度,并将其引入指数的已实现波动率异质自回归（HAR-RV-CJ）模型中,分析模型预测性能的改进。进一步的,考虑到宏观信息公告的发布可能对股市产生整体性影响,相应影响成分股联跳的几率;因此,在成分股联跳的自回归条件风险模型中引入居民消费价格指数、国内生产总值、贸易差额等宏观信息公告变量,并分析对联跳强度估计以及指数已实现波动率预测的影响。采用2011年1月4日至2013年7月11日沪深300指数及其成分股高频数据的实证表明,指数成分股联跳与指数跳跃具有不同的特征;用成分股联跳强度代替HAR-RV-CJ模型中的跳跃构建的HAR-RV-CI模型,较原始的HAR-RV-CJ模型,以及同时考虑指数跳跃与成分股联跳强度的HAR-RV-CJI模型,具有明显较优的样本内拟合与样本外预测性能。引入宏观信息公告变量可以改进联跳强度自回归条件风险模型的拟合效果,并提高指数已实现波动率模型的样本内拟合能力,但对于指数已实现波动率的样本外预测性能并无明显的帮助。     

已实现波动GAS-HEAVY模型及其实证研究

引入日内高频数据计算的已实现波动，能够提高波动模型预测能力。本文将日收益和已实现波动联合建模，提出一种新的波动模型。选取尺度调整t分布和F分布作为日收益和已实现波动的分布，更为充分和灵活地捕捉厚尾性，采用得分驱动方法设定波动模型更新项，得出广义自回归得分（GAS）波动模型，提高对实际模型的逼近效率。本文对模型遍历性和平稳性进行证明，并与同类模型进行比较。蒙特卡罗模拟实验显示，在数据生成过程误设的情况下本文提出的GAS-HEAVY模型比同类模型具有更好的数据拟合效果。基于沪综指、深成指和沪深300指数2013.1至2017.4日内1分钟高频数据实证分析表明，不同损失函数的SPA检验下GAS-HEAVY模型的波动预测能力显著强于其它同类模型。本文给出的GAS-HEAVY模型为有关理论研究和市场应用提供了新的波动计量工具。     

基于多分形理论的动态VaR预测模型研究

经济物理学(econophysics)的大量研究表明,金融市场的波动具有复杂的多分形(multifractal)特征,因此准确地测度和预测市场波动,对金融风险管理工作的意义重大。在已有多分形波动率(multifractal volatility)测度及其模型应用基础上,以上证综指10年的高频数据为对象,提出了基于多分形波动率的样本外动态风险价值(out-of-sample dynamic VaR)预测法。通过两种规范的后验分析(backtesting)结果表明,与8种主流的线性和非线性GARCH族模型相比,在高风险水平上,基于多分形波动率测度的VaR模型明显具有更高的样本外动态风险预测精度。     

基于深度学习和股票论坛数据的股市波动率预测精度研究

本文利用深度学习和股吧发帖数增长率数据对沪深300指数波动率进行样本外预测,将预测结果与19种波动率预测模型作对比,并用MCS方法检验各模型的预测精度。研究发现:深度学习预测效果明显好于选取的其他对比模型。另外,股票论坛数据对提升波动率预测精度有所贡献,但贡献有限。本文为波动率预测提供了一种更精确和更稳健的实现方法,探索了股票论坛数据在波动率预测上的应用,并拓展了深度学习在金融领域的运用。     

引入外部冲击的中国铜期货市场高频波动率建模与预测

在中国经济逐渐全球化的背景下，引入外部冲击对中国有色金属期货市场的高频波动率进行建模和预测，有利于提高对中国有色金属价格波动的预测能力。本文将外部冲击信息引入HAR-RV-CJN模型，以中国上海期货交易所铜期货高频数据样本为例，对模型的拟合效果进行实证检验，并基于自举法的SPA检验，评估高频波动率模型的预测精度。结果表明，外部冲击变量在长期内对期铜已实现波动率的预测产生重要影响，引入外部冲击信息后的HAR-RV-CJN-ES模型相比于HAR-RV-CJ模型和HAR-RV-CJN模型，拟合效果和预测精度在长期都有了显著提高。     

“坏”跳跃、“好”跳跃与高频波动率预测

  准确的波动率预测对资产组合配置和风险管理有非常重要的意义，在当今大数据时代，充分利用股市高频数据预测股票波动率成为可能。         股市高频信息的一种应用是使用已实现方差和它的组成部分预测股票波动率。已实现方差可以拆分为已实现负半方差和已实现正半方差两个部分。由于已实现负半方差和已实现正半方差极限形式中包含的连续运动部分完全一致，所以它们的不同仅来源于它们跳跃部分的差异，但连续运动部分的存在是否会“稀释”股价跳跃对波动率所产生的影响，为此有必要进一步提取负跳跃和正跳跃。基于负跳跃变差和正跳跃变差，利用HAR模型研究两种不同方向的跳跃是否对波动率产生不对称影响，使用DM统计量和样本外 R²_OS，作为评判标准，考察这种区分跳跃方向的做法是否改进了对波动率的预测能力。         研究结果表明，①负跳跃对应未来波动率上升，正跳跃对应未来波动率下降。作为风险规避者的投资者厌恶风险和不确定性，意味着投资者厌恶未来波动率上升而偏好未来波动率下降。因此，将股价的负跳跃称为“坏”跳跃，将股价的正跳跃称为“好”跳跃。②“好”跳跃导致未来波动率下降，而连续运动部分的上升导致未来波动率上升，两者效应的总和是已实现正半方差对未来波动率的影响不显著；“坏”跳跃和连续运动部分的上升都导致未来波动率上升，两者效应的总和是已实现负半方差对未来波动率产生显著的正影响。③利用“坏”跳跃和“好”跳跃不但能够更好地拟合样本内的未来波动率，而且还能够明显地改善波动率的样本外预测能力。         研究结果支持日内收益率的正负符号信息在波动率预测领域有其价值，两种不同方向的跳跃对波动率产生不对称影响。在波动率预测实践中，利用“坏”跳跃和“好”跳跃能够改进对波动率的预测能力。