基于日内效应的沪深300股指期货套利的分析

基于1 min的高频数据首次对沪深300股指期货日内特征进行分析,发现其日内绝对收益率的“LM”型特征,日内成交量的“WV”型特征,持仓量的“倒U”型特征,价差的“LM”型特征,以及错误定价率的“早上高、下午低”的日内均值回复特征,并通过向量自回归模型的方差分解和脉冲响应函数分析了五个指标的动态关联性。随后,根据沪深300股指期货错误定价率出现的“上午高、下午低”的日内特征,设计了相应的套利策略。样本内和样本外的套利收益数据表明,基于沪深300股指期货日内特征的套利策略是有效的。全文最后根据实证结果提出了相应的投资建议。     

基于UHF-EGARCH模型的股指期货市场实证研究

利用沪深300股指期货高频数据研究其日内效应和波动性特征.将高频数据所特有的价格持续期引入到GARCH模型中,并考虑到收益率序列波动的非对称性,建立UHFEGARCH模型,分别选取1分钟、10秒钟、1秒钟采集频率的数据进行实证,采用线性样条函数剔除日内效应影响,进一步研究短期波动性,并画出相应的非对称冲击曲线.研究结果表明,基于3种采集频率数据的绝对收益率和价格持续期呈现明显的周末效应和日内效应,绝对收益率的日内效应基本上呈W型,价格持续期的日内效应有U型、L型、W型和倒U型4种形态并存,并不是某种单一的形态;短期波动性具有明显的集聚性和非对称效应,其中坏消息的影响强于好消息的影响.     

超高频数据下金融市场持续期序列模型述评

鉴于针对超高频数据统计建模能够有效弥补传统相同时间间隔数据统计建模的不足,而且有助洞悉金融市场微观结构,近年来,对金融市场超高频数据的研究已成为金融计量学一个全新的研究领域。本文总结了近十年来超高频数据下金融市场持续期序列建模及其参数估计方法的发展及主要成果,对这些持续期模型及其参数估计方法进行了比较,并指出现在和未来该研究领域研究所面临的主要课题。     

基于ACD模型的中国股市日内流动性研究

本文以交易量持续期(市场吸收一定交易量所需要的时间)作为股票市场日内流动性度量指标,采用五个ACD模型研究了中国证券市场中日内流动性的特性及其最佳描述模型.实证结果表明WACD(2,1)模型拟合日内流动性序列的效果最理想,可以用来描述和预测流动性;同时还发现我国证券市场的流动性存在明显的聚类现象;流动性过程是一个均值回复过程,当前时刻的流动性对未来期望流动性有影响,其影响呈Weibull形式衰减.     

我国沪市波动聚集性GARCH效应的实证研究

股票价格的频繁波动是股票市场最明显的特征之一,自回归条件异方差类模型可以很好地预测金融资产收益率的方差.通过对我国股价指数的统计描述,表明我国金融资产收益率存在自回归条件异方差的特征,并表现出非正态性.利用自回归条件异方差类模型,采用 1993年～2003 年的数据对上证指数的波动进行拟合,结果表明,广义自回归条件异方差模型对我国股市波动具有较好的拟合效果.     

基于高频交易的股指期货日内交易研究及实证分析

高频交易是成熟金融市场上一种广为应用的交易方式,随着资本市场的快速发展,高频交易将会越来越广泛的应用于金融交易中。相比传统人工交易,程序化的高频交易具有难以比拟的优势。本文通过对高频交易中的一种独特算法进行介绍及实证分析,检验其适用性。     

我国货币政策的区域效应分析

要实现各地区协调发展需要政策制定者在制定政策的时候了解各项政策给不同地区所带来的不同影响。本文利用向量自回归模型和聚类分析讨论了货币政策的区域效应,即不同地区对于货币政策的不同反应。分析结果表明,东北地区和中部地区对于货币政策的反应与全国水平的平均反应接近,东部地区反应十分强烈,京津冀地区对于货币政策反应轻微,西部地区对于货币政策反应持续时间较短。     

全球性股市恐慌下的股市日内风险传染:来自欧债危机时期的证据

本文主要着眼于全球性股市恐慌下的中国内地与中国香港、中国台湾、日本股市之间的日内风险传染现象,使用日内5分钟数据,应用FFF回归、FIEGARCH模型、ARFIMAX模型的波动溢出三步检验法,对内地股市与其他三个东亚股市之间的日内波动溢出效应进行了实证分析.本文的主要结论是:中国内地与中国香港股市之间存在着强烈的双向波动溢出效应;中国内地与日本股市互不影响;中国内地与中国台湾股市之间,虽然在非恐慌时期几乎不存在波动溢出效应,但进入恐慌时期后中国台湾股市显著受到内地股市影响.股票市场之间的波动溢出效应具有非对称性特征,并且股市下跌时的波动溢出效应比上涨时要大.     

基于非参数日内跳跃检验和高频数据的公司信息披露对股市价格波动影响研究

本文以2012年1月4日至2013年12月31日之间的共481个交易日作为样本期间,以样本期间上交所发布的“上证180”成分股中的上市公司的经营公告、财务报告及证券分析师根据上述信息披露的股评三种信息为主要研究对象,从验证方法选择、高频数据选取、信息考察窗口优化及基于面板数据多元Logistics回归模型构建等四个方面将跳跃与不同信息相联系,分析股价波动与不同信息披露的关系。研究结果表明,当信息范围为公司特定的经营公告、财务报告及分析师建议时,经营公告是最具影响力的信息披露渠道,而分析师建议并不是引起股价异常波动最重要的信息。同时,本文研究揭示仅有20%的跳跃与此类信息披露相关,当解释变量覆盖代表宏观信息“系统性事件”和行业、板块信息的“行业事件”时,也仅40%的价格跳跃发生和信息披露有关。本文的研究不仅表明哪一种信息可能更具有投资价值,而且揭示在此研究基础上继续探究引起股价异常波动的其他起因事件可能更具有重要意义。     

证券市场波动性评价方法研究

研究了将ARMA模型与ARCH族模型相结合,通过建立ARMA-EGARCH-M模型来拟合证券市场波动性,基于大样本数据通过样本期内外模型预测能力检验,得出结论认为ARMA-EGARCH-M模型对上海证券市场波动性拟合优于传统的ARCH族模型。     

灰色周期关联度模型及其应用研究

灰色关联模型从统计序列几何形状的接近性和相似程序来判断其紧密程度,传统的灰色关联模型从统计序列的面积、斜率、变化速率等角度来计算其关联程度,这些关联模型受到统计序列横纵坐标(周期和振幅)的双重影响,这在分析统计序列间的单个因素间的关系时会产生其它因素的干扰。针对这一缺陷,本文提出了周期关联度模型,研究仅受周期因素影响的关联模型,证明该模型只与波形的波动周期和方向有关,不受曲线振幅的影响,且能表示出正负相关性,并应用该模型研究了GDP与居民消费间的周期关联性,取得了良好的效果。     

基于GARCH-EWMA原理的期货交易保证金随动调整模型

在EWMA模型和GARCH模型思想的基础上,结合SPAN系统的思想,以保证金在期货交易中可以弥补最大损失额和保证交易的正常进行等作用为考虑因素,运用数理统计和VaR等风险管理方法,建立了保证金随动调整模型。在满足给定风险系数和置信水平的前提下,制定合理的保证金的收取比例,为期货交易的保证金水平的确定提供了新的计算方法。本模型的特点一是利用GARCH模型对EWMA模型中的关键参数-衰减因子进行测定,解决了以往使用EWMA模型时,对该参数人为赋值而导致模型人为因素过强的问题。二是在模型中引入波动函数,用来确定随时点t而不断变化的波动系数值。并采用大量的历史数据对大豆、豆粕两种期货品种的波动函数进行线性拟合,得到时点t与波动系数之间的连续线性函数,以代替以往波动系数与时点t之间所采用的极为粗糙的分段函数,从而大大提高了模型的灵敏性。三是采用近4500个合约价格的历史数据,对大豆和豆粕两种期货合约价格的涨跌停情况进行统计分析,得到这两类期货品种的涨跌停情况的概率分布。并分别考虑各种可能发生的情况综合计算最终单位保证金,使得保证金的计算更具全面性。     

基于斜率判断的灰色周期关联度研究

灰色关联模型从统计序列几何形状的相似程序来判断其紧密程度,传统的灰色关联模型从统计序列的面积、斜率、变化速率等角度来度算其关联程度,这些关联模型受到统计序列横纵坐标(周期和振幅)的双重影响,这在分析统计序列间的单个因素(本文研究仅受周期影响)间的关系时会产生其它因素的干扰。针对这一缺陷,作者根据两条曲线的曲折情况,通过计算各折线的斜率判断曲线的波动周期,提出基于斜率判断的灰色周期关联度。该方法计算简单、判断直观,既可以有效解决上述文献中的问题,又具有传统灰色关联度良好的性质,并通过实例验证该方法的实用性。     

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。     

基于人工神经网络的建筑物成新度评估

本文针对建筑物成新度评估存在的问题,利用人工神经网络理论,首次建立了建筑物成新度评估的人工神经网络模型,测试表明系统性能良好。     

基于一致性局部调整算法和DEA的语言偏好决策模型

设计一致性调整算法和计算可靠的方案排序权重向量已成为近年来备受关注的两个重要研究课题。针对决策信息为语言偏好关系的决策问题,提出一种基于一致性局部调整算法和数据包络分析（DEA）方法的语言偏好决策模型。首先,基于局部调整策略设计一种收敛的乘性一致性调整算法,该算法不仅使得调整后的语言偏好关系具有满意乘性一致性,而且能够尽可能多的保存原始决策信息;其次,基于提出的新型语言DEA模型构造一种语言偏好决策模型用以确定方案的排序权重向量,进而得到合理可靠的决策结果。最后,将提出的语言偏好决策模型用于供应商的选择实例,对比分析实验验证了模型的合理性和有效性。     

基于经验模态分解的房价周期波动实证分析

房地产市场是一个复杂的系统,房价是多种因素共同作用下最终的表现形式。经验模态分解方法是处理非平稳、非线性序列的有效工具,将其运用于房价分析,可以从房价时间序列自身出发揭示内在特征。以杭州市过去四年新建商品住宅交易的周度价格数据为例,对其分解,再根据本征模态函数的特征进行重组。研究表明:房价时间序列由经济基本面决定的长期趋势、金融危机等重大事件带来的低频振动和短期市场不均衡导致的随机波动三方面构成,为短期房价预测提供了思路。杭州市商品住宅市场存在3年的大周期,14个月和7个月的小周期。     

基于风险分担的污水处理BOT项目特许价格调整研究

特许经营在中国城市的污水处理行业中日益得到广泛应用,但是在特许价格的调整上仍缺少有效的指导方法。鉴于此,通过文献检索,识别出调整污水处理BOT项目特许价格所依据的关键风险,在政府和项目公司之间风险分担的基础上,针对政府承担的风险,给出单价调整和总价调整2种操作性较强的特许价格调整方法。     

Assessment of Uncertainty in High Frequency Data: The Observed Asymptotic Variance

The availability of high frequency financial data has generated a series of estimators based on intra‐day data, improving the quality of large areas of financial econometrics. However, estimating the standard error of these estimators is often challenging. The root of the problem is that traditionally, standard errors rely on estimating a theoretically derived asymptotic variance, and often this asymptotic variance involves substantially more complex quantities than the original parameter to be estimated. Standard errors are important: they are used to assess the precision of estimators in the form of confidence intervals, to create “feasible statistics” for testing, to build forecasting models based on, say, daily estimates, and also to optimize the tuning parameters. The contribution of this paper is to provide an alternative and general solution to this problem, which we call Observed Asymptotic Variance. It is a general nonparametric method for assessing asymptotic variance (AVAR). It provides consistent estimators of AVAR for a broad class of integrated parameters Θ = ∫ θ_t dt, where the spot parameter process θ can be a general semimartingale, with continuous and jump components. The observed AVAR is implemented with the help of a two‐scales method. Its construction works well in the presence of microstructure noise, and when the observation times are irregular or asynchronous in the multivariate case. The methodology is valid for a wide variety of estimators, including the standard ones for variance and covariance, and also for more complex estimators, such as, of leverage effects, high frequency betas, and semivariance.