基于FIGARCH模型的股指波动性估计与预测研究

首先引入了FIGARCH模型,并讨论了具有不同分布特征FIGARCH模型参数估计方法。采用沪、深两市的指数数据考察了考虑长期记忆的FIGARCH模型、不考虑长期记忆的GARCH模型和IGARCH模型对市场波动性的拟合效果和预测能力。实证结果表明非对称的t分布和广义误差分布的分布函数更适合我国股市波动特征的描述,FIGARCH模型在拟合效果和预测能力方面都要优于其他两个模型。     

已实现GARCH-GED模型的研究及应用

针对高频金融数据分布普遍存在尖峰厚尾的现象,将经典的已实现GARCH模型的残差分布拓展到服从广义误差分布的形式,并将杠杆函数的幂次放松为待估参数,建立了新的已实现GARCH-GED模型。基于上证50指数5 min频率的高频数据的实证研究结果表明:相对于正态分布假设下的已实现GARCH模型,已实现GARCH-GED模型更能刻画波动率的杠杆效应,在一定程度上提升了对尾部风险度量的精度。     

基于两种分布下的SV模型与GARCH模型的VaR比较

文章将随机波动SV模型与GARCH模型应用于VaR的计算,并利用上证指数的实际数据作实证研究,构建基于正态分布和T分布下的GARCH模型与SV模型,测量了上证指数收益率的风险价值(VaR).结果表明,相比GARCH模型,SV-N,SV-T模型能更准确地对实际市场波动情况进行拟合,更加真实地反映上证指数的市场风险特性.     

中国股市已实现“核”波动研究

基于蒙特卡洛方法模拟出的股票价格路径分别考察“已实现”核波动（RK）、“已实现”波动（RV）方法的估计精度,结果表明:RK能有效滤出噪音更贴近于真实波动率。进一步将RK与分整自回归移动平均模型结合,并对其分数阶差分算法进行了修改,基于高频数据对我国股票市场的日波动率进行估计和预测。研究结果表明:RK方法在中国市场条件下具有较好的适用性,相对于RV有更好的预测效果。     

GARCH类模型波动率预测效果评价——以沪铜期货为例

以沪铜期货为例,研究了GARCH、EGARCH、FIGARCH和FIEGARCH四种模型的波动率预测效果。以已实现波动率为模型评价衡量标准,分别采用M-Z回归和损失函数进行预测效果检验,结果表明,无论残差服从高斯分布还是t-分布,不同的GARCH类模型预测效果有显著差异,其中FIGARCH模型预测效果最好,其次是GARCH模型,EGARCH和FIEGARCH模型预测效果不佳。此结论说明我国铜期货市场具有显著的长记忆性,但不具有非对称效应。     

基于GARCH模型的我国创业板市场风险度量

以创业板综合指数的日对数收益率为基本数据,分别在正态分布、T分布与GED分布下总结GARCH参数并计算VAR值,通过实证分析指出序列分布具有尖峰厚尾的特征,利空消息带给创业板市场的波动比等量的利好消息更大,创业板市场存在明显的杠杆效应,波动具有聚集性和持久性;GED分布能够更好地拟合创业板市场综合指数,得出的VAR值精度较高;模型种类并不是VAR值结果的决定性因素。     

偏肥尾分布的APARCH模型研究

金融收益率时间序列分布的不对称性已被视为金融市场的一个＂典型事实＂,但现有文献对金融时间序列偏度的关注相对较少。由于受到估计方法和计算效率的约束,波动率模型通常假定条件分布为正态分布或对称肥尾分布,如t分布和广义误差分布,偏度建模比肥尾建模要复杂得多。通过运用芬南德兹—斯蒂尔方法,在对称分布的基础上构造出有偏肥尾分布。在假定APARCH模型的残差项服从这种偏肥尾分布的情况下,研究波动率的拟合效果与预测能力。实证结果显示,与残差项服从对称分布的波动率模型相比,有偏性对波动率模型的估计和预测都有显著影响,向前预测的步数越多,影响越明显。     

HAC模型在东盟股市中的相依性分析研究

以近10年东盟6个代表国的核心日股票收益指数为研究对象,选取2009-01-21—2019-02-11的交易数据,分别建立ARMA-GARCH模型和分层阿基米德Copula(HAC)模型来刻画东盟各国股市的动态特征和相依性风险。研究表明:ARMA(1,1)-GARCH(1,1)模型对东盟代表国的股指收益率有着较好的拟合效果,偏t分布下的模型能更好地捕捉收益率的尖峰厚尾性,在HAC的3个生成元Clayton、Gumbel、Frank函数中,Gumbel函数的拟合度最好。结果证明:马来西亚、印尼和新加坡的股指相依性最大,越南跟其他东盟国的股指相依性最小。该结果对国内外企业在东盟如何投资发展具有一定的指导意义。     

保险业财产损失分布的拟合及预测——基于RBF神经网络的应用分析

依赖传统的损失分布理论,财产损失分布模型拟合的优劣往往取决于经验分布函数的选择和参数的确定.由于财产损失信息的不完整和损失数据的不充分,经验分布函数的选择有时会出现较大偏差,难以保证损失分布模型较好的拟合性和有效的预测性.为改进测算效果,采用径向基神经网络,在对原始数据进行平滑处理的基础上学习与训练,进而设计未来财产损失测算模型、选择现实数据模拟并进行实证分析.研究结果表明,RBF神经网络用于财产损失分布的拟合及预测具有良好的适用性,而且随着训练样本.数量的增加,模拟值逐渐逼近真实值;RBF人工神经网络建立的模型,能够很好的将财产损失中的非线性关系描述出来,并且随着观察数据的不断更新,所建立的非线性模型与实际系统更加接近,使得非线性模型能够取得比线性模型更加良好的模拟预测结果.     

基于共轭先验分布的平稳AR(1)模型贝叶斯分析

本文系统地分析了平稳AR(1)时间序列模型的条件似然函数,并根据似然函数的统计结构构造了模型参数的共轭先验分布,研究了截断正态-逆Gamma共轭先验下模型的贝叶斯推断理论,包括参数的后验分布函数、二次损失函数下的贝叶斯估计及一步超前预报分析,最后采用一个仿真时间序列研究了先验分布参数对后验分布的影响。     

基于已实现NGARCH模型的上证50指数的风险度量

基于NGARCH模型刻画了波动率的杠杆效应特征,在已实现GARCH模型的波动率方程中引入杠杆参数的扰动,建立了新的已实现NGARCH模型,并研究了新模型的动态VaR估计问题。上证50指数5 min频率高频数据VaR估计的返回测试结果表明:该新模型比已实现GARCH模型更好地刻画了波动率的杠杆效应特征,在一定程度上提高了风险度量的预测精度。     

“已实现”β系数长记忆检验及建模预测研究

基于信息更丰富的高频交易数据,应用一种新的时变茁系数计算方法,对上海证券交易所交易的A股股票的日β系数进行实时估计,并使用长记忆随机波动模型检验了“已实现”β系数长记忆特征且对其进一步建模预测。实证结果表明,上证指数的“已实现”方差和个股同上证指数间的“已实现”协方差都具有显著且相似的长记忆特性,个股的β系数普遍不具有显著的长记忆特征;分规模分行业预测结果表明,ARMA(2,1)模型在建模预测方面存在优势;预测精度对于每一个模型都有随着组数(即规模)的     

逐次Ⅱ型截尾下Gumbel Copula相依竞争失效模型的参数估计

在逐次Ⅱ型截尾样本下,讨论以Gumbel极值分布为边缘分布,Gumbel Copula为连接函数的相依竞争失效模型参数的极大似然估计(MLE)和Bayes估计.对于参数MLE,提出与生存函数成正比的两阶段估计(Inference for the margins, IFM).对于Bayes估计,证明了Gumbel极值分布尺度参数的对数凹性,采用混合ARS(Adaptive Re-jection Sampling Algorithm)和MH(Metropolis-Hastings)抽样方法实现参数估计.模拟结果表明,当两失效机理关联性较弱时,两种估计结果相差不大,但关联性提高时,Bayes估计优于IFM估计.     

我国经济增长周期模型的理论基础与建模思路

以经济增长周期理论为基础,从需求决定角度构建一个简单的经济增长周期模型,该模型共有GDP、投资、消费、出口、进口等16个内生变量,包括短期波动模型、中期波动模型、中长期波动模型、长期波动模型和动态均衡值模型等5个子模型。从模拟预测情况看,除短期波动模型模拟预测值与实际值偏差较大外,其他模型模拟预测值均与实际值高度一致,即经济增长周期模型能够较好地模拟样本区间内各内生变量的周期性波动及其动态均衡值发展状况。     

基于状态转换动态Copula模型的外汇套期保值研究

汇改以来,人民币汇率波动的不确定性增大,外汇风险加剧,在此形势下加强外汇风险管理势在必行。考虑到利用外汇期货合约进行套期保值是管理外汇风险的一个重要方法,因此可建立一个状态转换动态 Gaussian Copula套期保值模型来对外汇风险进行管理。首先采用GJR-t模型描述欧元、日元、英镑、澳元和加元的现货和期货收益率的边际分布;然后引入状态转换动态 Copula 函数描述上述五种货币的现货和期货收益率之间的相关性;最后将状态转换动态Gaussian Copula模型与OLS,DCC GARCH,DCC Gaussian Copula等模型的套期保值效率进行比较。实证结果表明,所构建的模型优于其他模型,利用该策略模型能有效规避外汇风险。     

体制对中国股市波动影响分析研究

在传统ARCH中引入体制服从2个状态Markov过程的SWARCH-t(2,3)模型,并与传统GARCH模型中误差项服从的正态、t、GED分布相比,SWARCH-t(2,3)模型较大的提高上证指数的拟合能力,较好的改善了估计精度和对回报序列的描述,解决了传统GARCH高的持续性与较差的预测能力之间的矛盾。同时发现体制2引起的波动是体制1的4.23倍,波动在分解为ARCH波动和体制波动之后,其中的ARCH波动持续性较传统GARCH模型各种分布相比大幅减少,而体制波动的持续性却较高,但这种持续性会因不断出现的政策发生切换。     

高维数据下线性模型的序列相关检验

主要考虑了在高维数据下线性模型的序列相关检验。估计了线性模型的参数,建立了对线性模型随机误差进行序列相关检验的V_(T,P)检验统计量,并得到了原假设下检验统计量的渐近分布。通过数值模拟研究了统计量在有限样本下的表现。     

中国房地产业与银行业动态相关性及风险溢出性——基于GPD-Copula-CoVaR模型的实证研究

文章通过构建GPD-Copula-CoVaR模型,考察了2000年1月至2017年6月中国房地产与银行业的动态相关性与风险溢出性,并通过Monte Carlo方法拟合VaR,检验了模型样本外的预测能力。结果表明,房地产与银行的相关性与房地产市场的繁荣及政策调控密切相关,但严厉的政策调控只能暂时降低两个行业的相关性,并不是长效机制;样本外预测显示GPD-BB1Copula模型对实际风险损失的覆盖率更高,模型预测效果更好;此外,房地产与银行存在双向风险溢出效应,其中房地产对银行的风险溢出更强,约为40%。研究对相关投资者和政策制定者具有较强的应用价值。     

基于SV-POT模型的黄金市场的动态VaR预测

针对黄金市场呈现的"尖峰厚尾"和波动持续性等特征,选用SV(stochastic volatility)模型来刻画。将SV模型与基于POT(peak over threshold)模型的极值理论相结合,建立SVPOT的组合模型,预测该金融市场的动态VaR(value at risk)。最后,与GARCH-POT模型相比得出:基于随机波动模型的SV-POT模型在一定程度上能更精确地预测动态VaR。     

一种基于经济模型的数据复制收入预测函数

提出了新的基于齐普夫分布和二项式分布相结合的预测函数,同时考虑了文件的序列相关性和地理位置相关性(基于二项式和齐普夫分布)。实验数据显示该方法能有效地提高网格环境下,网格任务访问数据的效率和最大吞吐量,预测效果优于文献[2]中的预测函数。