基于周内多重分形波动率的基金投资风格漂移风险测度研究

基金发生投资风格漂移是把双刃剑，在获得短期超额收益时，也隐藏着巨大的风格漂移风险。本文首先以我国79只开放式股票型基金为样本，在量化投资风格漂移的基础上，分析发现其收益序列存在多重分形特征，据此构建周内多重分形波动率测度来刻画投资风格漂移收益的复杂波动特征，并与传统的GARCH族波动率计量模型的测度能力进行比较分析，实证结果发现本文构建的周内多重分形波动率测度更加精确，能更好刻画序列的复杂波动特征；然后，进一步构建MFVW VaR模型对基金投资风格漂移风险进行量化测度，发现该模型比传统的参数与非参数VaR模型能更好地对风格漂移风险进行有效测度，基金普遍存在较大的风格漂移风险；最后，对我国开放式股票型基金的产品创新策略与投资风格漂移监管策略进行了一些有益探讨。     

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。     

基于混频已实现GARCH模型的波动预测与VaR度量

本文将Hansen等（2012）的Realized GARCH模型扩展为包含日内收益率、日收益率以及已实现波动率的混频已实现GARCH模型（M-Realized GARCH模型）。该模型将日内交易分为前后两段,引入了混频均值方程,并对混频均值方程的残差分别建立条件波动率方程和已实现日波动率方程。本文采用2013-2016年沪深300指数混频数据,分别在扰动项服从正态分布、t分布和广义误差分布的假设下,采用损失函数、SPA检验、kupiec检验和动态分位数检验法,对GARCH、Realized GARCH和M-Realized GARCH模型的波动率预测和VaR度量效果对比研究,得出M-Realized GARCH模型能提高预测精度,且VaR实际失败率与理论失败率一致,失败发生之间不相关。最后,本文利用Block bootstrap方法抽样得到混频数据,模拟证明了M-Realized GARCH模型比Realized GARCH模型具有更高的预测精度。     

基于概率神经网络与多重分形的海温预测模型

文章提出了一种基于多重分形与概率神经网络相结合的海温预测方法.该方法利用多重分形方法将海温序列挖掘出多个蕴含海温变化信息的时间序列;利用多重分形计算得到的多个时间序列作为概率神经网络的输入因子建立预报模型;利用该预报方法对NINO综合区平均海温进行未来1～3个月的预报实验,结果表明:该方法能较好的实现NINO综合区平均海温的预测,这对厄尔尼诺/拉尼娜现象的监测和预报工作提供了一种新的方法.     

中国股票市场波动率的多重分形分析与实证

我国股票市场波动表现出随时间变化的动态特征。文章采用多重消除趋势波动分析法(MFDFA),对沪深股市四个主要指数的日波动率时间序列进行了分析。结果表明,沪深股市四个主要指数的日波动率时间序列均表现出多重分形特征,且上证指数和中证500指数日波动率序列相对于其他两个指数日波动率序列表现出更强的多重分形特征。各指数日波动率时间序列的多重分形特征均是自身的长程相关性和波动的厚尾分布共同作用的结果,且波动的厚尾分布对原始序列的多重分形特征的影响比长程相关性大。     

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.     

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。     

多重分形模型及其在金融风险管理中的应用述评

金融市场的实证研究显示,金融数据除了尖峰厚尾、波动率集聚等特点,还具有多重分形特征。目前风险建模中普遍采用的GARCH族模型不能反映这一特征,容易导致估计偏差。多重分形模型能够更好地拟合金融时间序列,但在中国金融问题研究中的应用较少。首先回顾了应用较广的资产收益多重分形模型、马尔科夫转换多重分形模型和多重分形随机游走模型,从理论和实证角度讨论模型在金融风险管理方面的研究优势以及建模过程中存在的不足之处,然后分别介绍其在金融风险研究领域的应用进展,最后指出三种模型可能的拓展方法和未来在金融风险管理中的应用方向。     

GARCH类模型和状态空间模型波动率预测评价

GARCH类模型和状态空间模型已经广泛运用于波动率的预测,但对模型的预测表现进行评价却受到了忽视,其主要原因是缺乏合适的衡量标准.文章首先运用GARCH类模型和状态空间模型对上证指数收益率进行了全面的估计及预测,然后以已实现波动率作为波动率预测的评价标准,通过M-Z回归评价GARCH类模型和状态空间模型的波动率预测表现.     

区分大、小跳跃的已实现波动模型及其预测精度评价

文章运用日内高频价格估计金融资产每日波动,并将其区分为具有不同统计特性的连续与跳跃成分.考虑到不同规模的跳跃可能对应于不同的风险源并具有不同的时间序列特征,提出在已实现波动HAR-RV-J模型和HAR-RV-CJ模型基础上,选择合适的阈值,将跳跃波动进一步细分为大跳跃与小跳跃,构建区分大、小跳跃的HAR-RV-J-BS和HAR-RV-CJ-BS模型.使用沪深300指数5分钟高频价格的滚动窗一步外推预测以及SPA检验表明,HAR-RV-CJ-BS模型对于沪深300指数短期、中期、长期波动均有最强的预测能力.     

基于高频数据的股指风险价值预测

以高频数据为基础,本文比较研究了股指风险价值的预测问题。通过构造日"已实现"波动,并建立对数"已实现"标准差的ARFIMA模型,进而构造高频风险价值预测模型。同时,该模型与能够考察非对称性和长记忆性的APARCH模型进行比较。研究结果表明,高频风险价值预测模型具有明显的优势,能够更好的预测风险。     

中国股指波动率的智能预测模型与实证检验

文章提出将改进型粒子群算法与最小二乘支持向量机(LSSVM)相结合的中国股指波动率智能预测方法,利用径向基核函数LSSVM对股指波动率进行建模及预测,并将自适应惯性权重粒子群算法(AIWPSO)和动态加速系数粒子群算法(DACPSO)分别实现径向基核函数LSSVM的参数优化,建立了两种股指波动率的智能预测模型.以日内价格极差作为波动率的代理变量,通过对上证综指和深证成指的实证研究检验了两模型的有效性.检验结果表明,AIWPSO算法优化的径向基核函数LSSVM作为中国股指波动率智能预测模型,具有更高的波动率预测精度和更快的建模速度.     

基于RiskMetrics模型的单个期货合约保证金比例设计

为了规避价格波动风险,期货交易所应该采取动态保证金设置方式。本文对单个期货合约的日收益序列建立了基于RiskMetrics的VaR模型,用滚动样本预测下一交易日的VaR值,而LR检验表明所建立的VaR模型能较好地测度价格波动风险。因此,下一交易日保证金比例可以设置为预测的VaR值和所规定的涨跌停板率的最小值,这样就能以相应的概率抵御该交易日价格波动带来的风险。     

基于新权重函数的MIX-GARCH-L模型及其应用

文章引入一种新的权重函数,并构建新的波动率模型——MIX-GARCH-L模型,新模型能够充分利用高低频数据提炼出更有价值的信息。针对新模型参数估计问题,提出MIX-GARCH-L模型的参数估计方法来分析估计量的理论性质,证明了对应的中心极限定理以及用Service-Boostrap方法模拟检验估计量的数据表现。所提模型具有以下优势：新权重函数能够更好地根据交易特征的变动来自动调整不同交易日的权重,从而使每个高频交易日所分配到的权重与未来波动率产生的冲击效果一致;能够利用同一交易过程中多种高频交易数据,信息利用更加充分,使得MIX-GARCH-L模型具有更好的预测精度和预测优势。实证结果显示:MIX-GARCH-L模型的MSPE值明显小于GARCH-RV模型和GARCH-M模型的MSPE值,说明MIX-GARCH-L模型不仅在模型预测上有更高的预测精度,而且在稳健性上的表现也更好。     

基于Twin-SVM的多分形金融市场风险的智能预警研究

本文以沪深300指数（CSI300）长达11年时间的5分钟高频交易数据为研究样本,首先提出一种基于多分形特征的金融市场正常与关注状态的界定方法,并引入新型的支持向量机（SVM）人工智能模型,即孪生SVM（Twin-SVM）模型对多分形特征下的金融市场风险展开预警研究。实证结果表明：（1）中国新兴金融市场的价格波动具有显著的多分形特征;（2）基于多分形特征参数界定的正常与关注状态不仅准确,而且也具有明显的统计检验意义和明确的现实意义;（3）与传统SVM和BP神经网络（NN）相比,Twin-SVM在预测精度上不仅显著更高,而且在预测稳定性上也明显更优,即Twin-SVM能够有效地解决其它预警模型存在的非对称样本问题。     

基于高频金融数据的积分波动估计量分析

金融波动研究一直是金融计量与金融工程研究的中心内容之一。随着信息技术的飞速发展,使得金融高频数据获得和处理变得相对容易,因而高频金融波动研究也就成了金融学术界热点之一。针对ARCH类和SV类模型在实际应用中的困难和在高频金融中应用上的局限性,Bellerslev等人提出了用“已实现”波动(realized volatility亦称“已实现”波动率)来测量高频金融的波动率。本文采用等间隔和非等间隔抽样方法进行比较,以确定最佳的积分波动估计量。     

基于灰色经济计量模型的我国股市波动率实证研究

针对我国股市收益率具有长期记忆性的特点,综合灰色预测理论和经济计量模型,建立了基于灰色模型的分整广义自回归条件异方差模型(GM-FIGARCH).选取上证A股、深证A股的日收益率进行分析,采用修正R/S分析检验其长记忆性,利用GM-FIGARCH模型对其进行实证研究.结果表明我国A股市场波动率普遍存在长记忆特征,投资者可以利用历史数据来预测未来股市的波动并据此获取投机利润.利用GM-FIGAKCH模型可获得较好的预测效果.     

中国农产品期货市场的多重分形特征及其成因分析——基于MF--DFA分析法

运用多重分形消除趋势波动分析方法（MF—DFA）和多重分形谱分析法,对中国豆一、玉米、硬麦、强麦4种主要农产品期货价格波动的多重分形特征进行了实证分析和比较。研究发现：中国农产品期货市场存在显著的多重分形特征,硬麦、强麦、玉米和豆一期货的多重分形性依次减弱。通过对原始数据的重排和相位随机化处理,可以看出中国农产品期货市场的多重分形特征是由长程相关性和收益序列的厚尾概率分布两个因素共同导致,其中非正态分布起主导作用。