交易间隔、超高频波动率与VaR ——利用日内信息预测金融市场风险

 金融市场风险价值研究一般采用日收益数据，并基于GARCH类模型进行估计和预测，这必然会损失部分日内信息。本文尝试使用中国股市日内分笔超高频数据，在分析日内波动特性的基础上，通过UHF-GARCH模型对交易间隔等日内信息建模，得到超高频波动率UHFV。本文用ARFIMA模型对超高频波动率UHFV建模，应用到风险价值VaR的预测中，并同基于日数据的GARCH类模型的VaR预测能力进行比较。VaR似然比和动态分位数等回测检验的结果显示，超高频数据波动率UHFV模型的预测能力强于采用日数据的GARCH类模型。     

我国燃油期货市场的波动率预测模型

准确描述和预测石油及其相关产品的价格波动对各国政府能源政策的制定以及能源风险管理工作意义重大。文章以上海期货交易所燃油期货的15分钟高频价格数据为例,实证计算了三类代表性波动率模型:已实现波动率模型、随机波动模型以及GARCH族模型对我国燃油期货价格波动的预测值,同时,采用多种损失函数对比了三类波动率模型。实证结果表明,基于高频数据的已实现波动率模型对我国燃油期货市场具有最好的波动预测精度。而就基于日数据的模型而言,随机波动模型要明显强于GARCH族模型。     

基于股本权证定价效果的最优波动率模型选择

文章以沪深交易所上市的分离交易可转债所附带的权证及其标的股票日收益率和5分钟高频交易数据为样本,在对隐舍波动率模型、已实现波动率模型以及历史波动率模型参数估计的基础上,以股本权证市场价格为评价基准,分别测算了基于三个波动率模型的定价效果.研究发现,基于隐含波动率模型的定价结果具有最小平均绝对偏差与平均相对偏差,模型效果最优；基于历史波动率模型的定价结果对股本权证市场价格普遍低估.     

基于高频数据的风险值度量IVar方法综述

IVar估计是基于高频金融数据的分笔数据构造风险测量的方法。IVar的估计依赖两个步骤：首先根据分笔数据信息以及假定的交易间持续期和交易收益的联合分布，得到10g—ACD模型和扩展的UHF—GARCH模型；根据这两个模型，利用蒙特卡罗方法构造测量风险的指标IVar的估计，并详细给出这两个步骤中的计算细节。     

基于已实现和极差波动率标准的沪深300指数波动率模型研究

对波动率预测模型的研究备受学术界的关注,文章以沪深300指数的5分钟高频真实交易数据为研究对象,利用8个损失函数和Diebold Marinao检验较为全面的探讨评价了GARCH族模型对其预测能力。结果发现长记忆性模型的预测效果普遍好于短记忆性GARCH模型,且FIEGARCH是长记忆性模型中预测效果较好的,这对学术界和实务界进行风险测度及对我国资本市场的风险控制都具有现实意义。     

基于混频模型的CPI短期预测研究

传统的CPI预测模型都是基于相同频率的月度数据,金融市场的高频日度数据需要转化为月度数据才能使用。这会忽略日度变量所包含的CPI短期走势信息。为充分利用这些信息,本文基于自回归混频数据抽样模型同时考察了金融市场一阶矩收益和二阶矩波动的日度信息对CPI的短期走势预测的影响。结果表明,股票收益、短期利率和长短期利差变化量仅在收益水平上对CPI短期走势产生影响,而长期利率、粮食和能源商品市场的收益和波动都有助于CPI短期预测,而且收益对CPI的影响要比波动更加持久。相对于传统的月度时间序列建模方法,本文的混频CPI模型具有更好的样本内解释能力和样本外预测能力。另外,引入二阶矩波动的日度信息在一定程度上能更多地降低预测偏差。     

中国股票市场波动率模型预测效果的实证检验

文章首先在已实现波动和多重分形波动率的基础上提出了一种改进的波动率测度,即已实现多分形波动率测度.其次,以上证综指2008年1月2日至2012年12月31日一分钟高频数据为样本,构造了7种常用的基于高频金融序列的波动率测度,并分别采用ARMA和ARFIMA模型对波动率进行建模和预测.最后通过使用统计自举方法与模型置信度设定(MCS)检验相结合的方法,对各种波动率模型预测效果进行了检验.检测的结果证实已实现多重分形波动率预测模型的预测效果明显优于其他模型.     

基于高频数据的金融波动率模型

金融高频数据和金融波动率是目前金融领域研究的热点问题。本文对基于金融高频数据的金融波动率估计量——"已实现"双幂次变差进行了建模和预测。"已实现"双幂次变差无模型、计算简便,在一定条件下是金融波动率的无偏估计量,并且具有稳健性和有效性。通过用上证综指对"已实现"双幂次变差进行ARFIMA建模,发现中国股票市场的上证综指"已实现"双幂次变差时间序列具有长记忆性。     

基于高频数据的沪指波动长记忆性驱动因素分析

借助于高频数据的最优取样法,利用已实现波动率给出的上证指数波动率的有效估计,在研究已实现波动率特性的基础上,用计量模型探讨沪指波动的长记忆特征.发现HAR-RV模型比FARIMA模型更能有效地刻画沪指波动的长记忆性,且HAR-RV模型样本外预测效果远远优于FARIMA模型,这说明沪指波动具有伪长记忆性,表面特征显示的长记忆性是由短期投资、中期投资和长期投资形成的短记忆性叠加而成.同时由于HAR-RV模型综合考虑了不同时间水平上的已实现波动率,从而在深层次上验证了中国股票市场的异质性和波动率的杠杆效应.     

中国证券市场高频数据的动态特征

本文研究了上海证券市场高频数据的动态特征.首先用可变傅立叶回归证明并过滤出5分钟收益的周期性,并用GHP方法得到了长记忆维数的估计.结果表明,上海股市存在以日为单位的周期性特征和相当显著的长记忆性,这可以用微观市场信息不对称假说和定价机制得到说明.同时,还证明了可变傅立叶回归是分析高频数据的有效手段,是高频数据和低频数据研究方法转换的桥梁.