基于蒙特卡洛方法的金融市场风险VaR的算法分析

为解决蒙特卡洛(Monte Carlo)方法在计算风险价值(Value at Risk,VaR)方面的缺陷,文章首先引入GARCH模型来刻画金融数据的波动聚集性,再引入马尔科夫链蒙特卡洛(Markov Chain Monte Carlo,MCMC)方法,来克服GARCH模型参数估计约束条件带来的估计误差.通过对上证50指数的实证分析表明,引入MCMC方法可以提高模型的估计精确度.     

卡尔曼滤波在高频金融时间序列模型预测中的应用

时间序列模型在预测中占有重要的地位,其固有的系统误差性往往对预测精度产生负面影响.文章以沪深300指数为研究对象,通过时间序列模型得到预测方程,并以此为基础推导出卡尔曼滤波的状态方程和测量方程,利用卡尔曼方程对预测结果进行修正.结果表明,卡尔曼滤波对时间序列模型的预测有优化作用,可以提高预测的精确度.     

多因子量化模型在投资组合中的应用——基于LASSO与Elastic Net的比较研究

多因子模型一直是量化投资领域的重要方法,而如何选择有效因子并确定因子权重从而构建有效的投资组合是研究者重点讨论的议题。在研究打分法和普通最小二乘法确定因子权重的基础上,引入LASSO和弹性网(Elastic Net)两类前沿方法进行因子筛选并确定因子权重,利用沪深300指数成份股进行回测,研究结果表明,Elastic Net方法比OLS和LASSO方法更能够筛选出有效因子,并构建出有效的投资组合,从而帮助投资者获得更高的超额收益。该模型对量化投资策略的设计具有重要的实际意义。