基于VAR方法和期限结构动态模型的利率风险度量

文章用Vasicek模型和CIR模型描述利率的波动,并用GARCH模型估计其波动率,进而使用VAR方法度量利率风险.银行间国债回购利率的实证结果显示:Vasicek模型和CIR模型均能合理的描述短期利率的随机波动性,且分别以这两种模型做均值方程,GARCH(1,1)模型为方差方程计算的VAR与实际利率的变动趋势基本吻合,并用失败率检验了VAR度量利率波动风险的效果.     

RGM-EGARCH模型及其对深圳股市的实证

GM-EGARCH模型是一种将灰色预测模型(GM(1,1)模型)与EGARCH模型相结合的新型混合波动率模型.针对GM(1,1)模型在其适用务件上的局限性,文章利用残差灰色预测模型(RGM(1,1)模型)对GM(1,1)模型的预测结果进行改进,再将RGM(1,1)模型与GARCH模型相结合,构建RGM-EGARCH模型来修正随机误差项.通过对深证综合指数的实证分析,比较了RGM-EGARCH模型、GM-EGARcH模型和EGARCH模型的样本外短期预测效果.实证结果表明,在三种模型中,RGM-EGARCH模型具有最好的波动率预测效果.     

质押存货长期价格风险测度模型的构建

文章描述了金融时间序列的一般特征,分析了质押存货市场收益率统计特征,从收益的波动性与分布出发,组建了计算长期时变风险价值的VaR-GARCH族模型。以场外现货交易为主的钢材(φ16HRB335)日数据为例,数值实验对比了t分布、GED分布下GARCH(1,1)模型对波动率的刻画能力。通过失效率检验法则对模拟质押期内多风险窗口的风险值进行回测,对比分析了基于独立正态分布假设Risk metrics模型与厚尾分布下的VaR-GARCH(1,1)模型。     

四大行业商业信用风险研究

文章从KMV的基本原理、研究方法以及实证研究等方面着手,对KMV模型在中国股票市场中评价上市公司信用风险的能力进行研究.具体选取了4大行业的8家公司(4家ST公司和4家非ST公司)作为样本,通过对其进行KMV度量模型的相关参数,如股权价值、资产价值波动率以及违约距离等进行计算和对比,结果显示KMV商业信用风险度量模型对我国企业商业信用风险的评估具有适用性,值得推广.     

基于Tompkins方法的KMV模型研究

传统的KMV模型使用公司价值历史波动率来近似替代波动率.针对我国股市波动不稳定,尤其是重大经济事件或政治事件的信息披露,以及金融市场上可能存在的影响金融资产价格波动率的季节性或周期性等因素对标的资产市场产生影响较大这一特性,文章把基于历史数据的估计和对波动率变化规律的认识结合起来,综合运用各种定量与定性分析的工具,即运用预测波动率估计的基本思想替代了传统的历史波动率求解方法.实证分析表明,该方法能使模型对信用风险的预测更具准确性和前瞻性.     

运用GARCH模型对CRB能源价格指数序列的拟合与预测

基于SAS软件系统,运用GARCH模型分析方法模拟美国CRB能源价格指数对数序列波动情况。实证结果表明:CRB能源价格指数对数序列存在自相关性和异方差性;用GARCH(1,1)模型能较好的模拟CRB能源价格指数波动特征。     

基于GARCH族模型的中国旅游酒店板块指数收益率波动分析

运用GARCH族模型分析旅游酒店板块指数日收益率的波动特征,研究表明：旅游酒店板块收益率是一个平稳过程,其波动具有“聚集”现象和“非对称效应”。GARCH（2,1）模型比GARCH（1,1）模型更好地消除了收益率序列的异方差性;TARCH（2,1）模型的拟合效果最好;GARCH—M模型和非对称的CARCH（1,1）模型都不适用于描述收益率的波动特征。     

GARCH(1,1)模型的M-H估计及其应用

参数GARCH模型是最常用的度量金融市场波动性的模型。文章对残差基于正态分布的GARCH(1,1)模型通过构造M-H算法对其参数进行了估计,并给出了基于沪市股指收益率数据的实证分析。结果表明:基于M-H算法估计的GARCH模型比基于极大似然估计(ML)方法估计的GARCH模型具有更好的拟合效果和预测能力。     

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.     

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GARCH模型的沪深地产股波动性分析及预测

近年来GARCH类模型在预测波动率方面得到了广泛应用,鉴于股票和房地产两个市场对我国经济发展的重要性,所以选择沪深两市地产指数的收益率做波动性研究.丈章运用GARCH类模型对沪深地产指数收益率的波动进行了枯计和预测,结果表明沪深地产指数收益率的波动不存在杠杆效应,投资者投机目的较强,M-Z回归和损失函数评价结果显示,GARCH(1,1)-M模型的样本外预测刚效果是最好的,但不能准确预测非常大的波动.     

上证指数收益率的特征及其波动性分析

股票价格的频繁波动是股票市场最明显的特征之一。ARCH类模型可以很好地预测金融资产收益率的方差。通过对上证指数的统计分析表明,上证指数的收益率分布表现出非正态性,并存在自回归条件异方差的特征。利用ARCH类模型对上证指数的波动进行了拟合,结果表明GARCH(1,1)模型对上证指数波动具有较好的拟合效果。     

市场分割条件下KMV模型的改进与实证分析

为克服传统KMV模型只能应用于单一市场的困难,将多市场的股权价值、股权价值波动的相关性、汇率等因素纳入考虑,建立市场分割条件下的KMV模型。选取了24家A＋H上市公司对所建模型进行了实证分析,结果表明,模型对不同公司的违约距离有较好的区分能力。     

基于ARCH类模型的中国经济波动性研究

应用ARCH类模型对中国实际GDP的波动率进行了实证研究,利用准极大似然估计方法QML估计三种ARCH类模型(GARCH、T-GARCH和E-GARCH).实证研究表明:GARCH(1,1)模型是最优的拟合模型.这意味着中国经济波动率是变化的,而且GDP实际增长率是对称的.因此,在经济系统自身还不具备自我稳定功能的条件下,外部干预是保证经济平稳过渡的重要条件.     

中国股票市场收益率与波动性的阶段性研究

本文以上海综合指数和深圳成分指数为研究对象,用GARCH(1,1)-M模型对两市的波动性与市场报酬之间的关系进行了分阶段研究,同时分析了涨跌停板交易制度对波动性的影响.通过TARCH(1,1)模型来检验我国股市是否存在"杠杆效应",结果表明,沪深两市均存在显著的"杠杆效应",即报酬与波动呈负相关.     

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。     

激进型投连险收益率波动特征及投资风格研判

文章以特定激进型投连险账户为研究样本,基于2004~2014年间的日交易数据,运用GARCH族模型对其收益率波动特征进行检验,并对其投资风格进行研判。研究发现,GED分布设定下的ARMA(1,1)-GARCH(1,1)模型拟合效果最佳;该收益率具有波动聚集、高风险高收益以及长记忆等特征,与我国股票市场具有杠杆效应特征不同,杠杆效应特征并不显著;此外,通过建立DCC-GARCH模型对其投资风格进行研判,发现该收益率与上证综合指数收益率的动态条件相关系数为正且较高,这印证了其激进型的投资风格。     

基于MCMC方法的GARCH模型参数估计

参数GARCH模型是最常用的度量金融市场波动性的模型.运用马尔科夫蒙特卡罗(MCMC)方法对残差基于正态分布的GARCH(1,1)的参数进行估计,由沪市股指收益率数据的实证分析结果表明:基于马尔科夫蒙特卡罗(MCMC)方法估计的GARCH模型比基于极大似然估计(ML)方法估计的GARCH模型具有更好的拟合效果和预测能力.     

基于极值视角的沪深股市收益率的风险度量

文章以沪深股市收益率为研究对象,分别运用收益率的极值分布、收益率的POT模型以及基于收益率序列GARCH模型残差的POT方法计算沪深股市的在险价值(VaR).实证过程发现沪深股市收益率序列均存在明显的尖峰厚尾现象,实证结果表明深市潜在风险高于沪市潜在风险,并且三种方法中基于收益率序列的POT模型计算的VaR精度最高,而对收益率序列应用GARCH模型描述其波动后再对模型的残差进行POT方法计算的VaR精度最低.     

上海证券市场GARCH效应检验和模型选择

文章利用1999年10月8日至2003年11月7日上证综合指数每日的收盘价数据对其进行了GARCH效应的检验,结果表明上海证券市场股价的波动存在着显著的GARCH效应,并且存在非对称的情况。在具体的模型选择上以EGARCH(1,1)较好,并且在研究中发现GARCH-M模型不适合模拟我国上海证券市场股价的波动情况。