人民币汇率的双成分混合波动率模型

汇率波动性预测在金融和计算领域一直受到广泛关注,然而由于缺乏可以捕捉汇率波动动态变化的预测模型,高频汇率的波动率预测至今没有得到彻底的研究.文章提出了基于神经网络的双成分混合汇率波动率模型,该模型利用低通Hodrick-Prescott滤波器将已实现波动率分解为长期分量和短期分量,使用自回归神经网络模拟长期分量,一阶自回归过程模拟短期分量,通过实证分析确定自回归神经网络参数(10个隐神经元和四阶滞后输入神经元),以6种主要高频率汇率(英镑/人民币,美元/人民币,澳元/人民币,欧元/人民币,日元/人民币,和瑞士法郎/人民币),在5 h(d)、20 h(d)、100 h(d)、200 h(d)、360 h(d)和500 h(d)的预测区间构建1 h和1 d已实现波动率,并与双成分GARCH模型、EGARCH模型、四阶滞后自回归神经网络模型3个基准模型进行对比,分析模型的预测性能,实验评估表明,提出的混合预测模型在所有预测的范围内均显著地优于传统人民币汇率波动模型.     

高频视角下股市波动预测的新方法:HARFIMA模型北大核心CSCDCSSCI

异质自回归(heterogeneous autoregressive,HAR)及其拓展模型(统称为HAR-类模型)能够刻画不同类型(期限)交易者的异质性对金融市场未来价格波动的“贡献”程度,在实证研究中备受推崇,并在预测金融市场波动率中取得了较好的效果.研究发现,HAR-类模型虽然能够在一定程度上刻画金融市场中非常重要的长记忆特征,但刻画能力明显比自回归分整移动平均(ARFIMA)模型差.HAR-类模型的主要优势在于对异质性的刻画,而ARFIMA模型的主要优势在于对长记忆性的准确刻画.因此,基于这两个模型各自的优势提出了新的模型:异质自回归分整移动平均(HARFIMA)模型,并对新模型进行了拓展建模,提出HARFIMA-类模型.将HARFIMA-类模型运用于对标普500和上证综指的已实现波动率(RV)的建模和预测发现,HARFIMA-类模型能够更加准确地刻画金融市场的长记忆性,更重要的是样本外的预测能力明显优于其他模型,并且预测结果相当稳健.     

基于LHAR-RV-V模型的中国股市波动性研究

在已实现波动率异质自回归模型(HAR-RV模型)的基础上,基于市场微观结构的理论,同时考虑市场波动的杠杆效应和量价关系,构造了已实现波动率及交易量之长记忆异质自回归模型(LHAR-RV-V模型).利用该模型对沪深300指数的等时1min高频数据进行实证分析,实证结果表明该模型能够较好地捕捉到我国股票市场波动的长记忆性和杠杆效应,且杠杆效应具有一定的持续性.此外,过去不同周期交易量的加入不仅能够更为细微的反映量价之间的关系,而且在一定程度上改善了模型的预测能力.     

基于贝叶斯因子模型金融高频波动率预测研究

构建了包含时变系数和动态方差的贝叶斯HAR潜在因子模型(DMA(DMS)-FAHAR),并对我国金融期货(主要是股指期货和国债期货)的高频已实现波动率进行预测.通过构建贝叶斯动态潜在因子模型提取包含波动率变量、跳跃变量和考虑杠杆效应的符号跳跃变量等预测变量的重要信息.同时,在模型中加入了投机活动变量,以考察市场投机活动对中国金融期货市场波动率预测的影响.预测结果表明,时变贝叶斯潜在因子模型在所有参与比较的预测模型当中具有最优的短期、中期和长期预测效果.同时,具有时变参数和时变预测变量的贝叶斯HAR族模型在很大程度上提高了固定参数HAR族模型的预测能力.在股指期货和国债期货的预测模型中加入投机活动变量可以获得更好的预测效果.     

基于 LHAR-RV-V 模型的中国股市波动性研究

在已实现波动率异质自回归模型( HAR-RV 模型) 的基础上,基于市场微观结构的理论,同时考虑市场波动的杠杆效应和量价关系,构造了已实现波动率及交易量之长记忆异质自回归模型( LHAR-RV-V 模型)．利用该模型对沪深 300 指数的等时 1min 高频数据进行实证分析,实证结果表明该模型能够较好地捕捉到我国股票市场波动的长记忆性和杠杆效应,且杠杆效应具有一定的持续性．此外,过去不同周期交易量的加入不仅能够更为细微的反映量价之间的关系,而且在一定程度上改善了模型的预测能力．     

高频视角下股市波动预测的新方法: HAＲFIMA 模型

异质自回归(heterogeneous autoregressive,HAＲ) 及其拓展模型(统称为 HAＲ-类模型) 能够刻画不同类型(期限) 交易者的异质性对金融市场未来价格波动的“贡献”程度,在实证研究中备受推崇,并在预测金融市场波动率中取得了较好的效果． 研究发现,HAＲ-类模型虽然能够在一定程度上刻画金融市场中非常重要的长记忆特征,但刻画能力明显比自回归分整移动平均(AＲFIMA) 模型差． HAＲ-类模型的主要优势在于对异质性的刻画,而 AＲFIMA 模型的主要优势在于对长记忆性的准确刻画． 因此,基于这两个模型各自的优势提出了新的模型: 异质自回归分整移动平均(HAＲFIMA) 模型,并对新模型进行了拓展建模,提出 HAＲFIMA-类模型． 将 HAＲFIMA-类模型运用于对标普 500 和上证综指的已实现波动率(ＲV) 的建模和预测发现, HAＲFIMA-类模型能够更加准确地刻画金融市场的长记忆性,更重要的是样本外的预测能力明显优于其他模型,并且预测结果相当稳健．     

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。     

违约预测的小波结构模型研究

本文针对上市公司违约预测问题,按照行业类型对我国2009年的上市企业进行分层抽样,构建了小波结构模型.小波结构模型通过应用小波变换来分解上市公司日收益序列,进而对低频序列和高频序列分别构建预测模型,再依据预测模型对未来收益进行预测,最后使用小波逆变换重构预测收益序列.通过小波结构模型可以避免时间序列模型进行收益波动预测的累加计算过程.在结合我国上市公司的实际数据对这两种模型的校验中,可以发现小波结构模型比时序结构模型在违约预测上有更好的识别力和准确度.     

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。     

基于价格极差的金融波动率建模： 理论与实证分析

经典的波动率模型(GARCH等)是收益率为基础的模型,利用的是收盘价信息,忽略了价格波动的日内信息,这将导致信息与效率的损失.为了弥补这一缺陷并获得满意的波动率预测效果,本文引入并扩展了基于价格极差的自回归波动率模型.实证研究表明新模型能够有效刻画波动率的动态变化规律,其预测效果一致性地优于经典的GARCH模型.同时,我们的研究还证实了在波动率模型中加入收益率的滞后项能够提高模型的解释能力,并且存在明显的"杠杆效应".