基于EIS的杠杆随机波动率模型的极大似然估计

杠杆随机波动率(SV-L)模型在金融计量学文献中已经引起了广泛的关注,然而,它的参数估计一直是一个难点.本文基于有效重要性抽样(EIS)技巧,给出了SV-L模型的极大似然(ML)估计方法.为了检验提出的EIS-ML方法的精确性以及小样本性质,构建了蒙特卡罗(MC)模拟实验.结果表明,EIS-ML方法是非常准确和有效的.最后,将EIS-ML方法应用于实际数据,选取上证和深证综合指数的日对数收益率数据为研究样本,利用SV-L模型对中国股市进行了实证分析.结果表明,中国股市具有很强的波动持续性,并且存在显著的杠杆效应.     

基于随机贴现因子方法的权证定价研究

本文应用随机贴现因子方法,考虑了标的资产服从杠杆随机波动率(SV-L)模型下的权证定价问题。首先,基于保险精算中的Esscher变换,设定随机贴现因子为状态变量的指数仿射函数,基于该随机贴现因子能够给出不完全市场中权证唯一的理论价格;然后,假设标的资产服从SV-L模型,结合指数仿射随机贴现因子,推导出风险中性概率测度下标的资产收益的动态过程;最后,给出了基于在沪深交易所上市的认购权证的实证研究。结果表明,提出的权证定价模型的定价效果优于经典的Black-Scholes(B-S)模型的定价效果。     

中国股票市场的时变杠杆效应研究——基于随机Copula模型的实证分析

构建随机Copula模型研究了中国股票市场在极端市场条件下的时变杠杆效应.为了解决金融市场中波动率不可直接观测的问题,采用已实现波动率测度作为隐波动率的代理变量,进而运用基于有效重要性抽样的极大似然(EIS-ML)方法估计了随机Copula模型的参数.基于沪深股市数据的实证研究表明:中国股票市场的杠杆效应具有非对称特征,即股市低收益率伴随高波动率,但股市高收益率不一定伴随低波动率;中国股票市场的杠杆效应存在显著的时变性,沪深股市杠杆效应表现出类似的变化趋势;随机Copula模型相比其它Copula模型(静态Copula模型和时变Copula模型)具有更好的数据拟合效果.     

交易量持续期的模型选择：密度预测方法

运用密度预测方法,考虑残差项分别服从威布尔、伽玛和极值分布情况下,选取在上海证券交易所上市的浦发银行和G中海两支股票的高频交易数据,对拟合交易量持续期的对数自回归条件持续期(LOG-ACD)模型、随机条件持续期(SCD)模型和马尔科夫转换自回归条件持续期(MSACD)模型进行了评价比较研究。研究表明,绝大部分模型捕捉到了交易量持续期的聚集性特征;MSACD模型无论在模型样本内拟合还是模型样本外预测方面,均优于LOG-ACD模型和SCD模型。     

基于已实现EGARCH-FHS模型的上证50ETF期权定价研究

本文基于已实现EGARCH(REGARCH)模型,结合滤波历史模拟（FHS）方法,构建了REGARCH-FHS模型对期权定价。采用上证50ETF期权数据进行的实证研究结果表明,不论是在样本内还是样本外,REGARCH-FHS模型均相比Black-Scholes模型和GJR-GARCH-FHS模型具有更好的期权定价表现。具体地,在样本内,REGARCH-FHS模型相比Black-Scholes模型和GJR-GARCH-FHS模型在均方根定价误差（RMSE）方面分别改进了77.70%和15.64%;在样本外,分别改进了64.16%和5.40%。REGARCH-FHS模型对于GJR-GARCH-FHS模型的样本内改进主要体现在对短期（剩余期限少于60天）期权的定价,样本外改进主要体现在对短期（剩余期限为30～60天）期权的定价。上述结论对不同的定价表现评价指标是稳健的。研究结果凸显了引入已实现测度（价格极差）与灵活的FHS方法对于期权定价的重要性。     

客户信用评估半监督协同训练模型研究

在现实的很多信用评估问题中,由于对样本进行类别标记需要花费大量的人力、财力和物力,往往只能获取少量有类别标签的样本来训练分类模型,而把数据库中大量无类别标签的客户样本舍弃。为解决这一问题,本研究引入半监督学习技术,并将其与多分类器集成技术中的随机子空间方法(Random Subspace, RSS)相结合,构建了类别不平衡环境下基于RSS的半监督协同训练模型RSSCI。该模型主要包括三个阶段:1)使用RSS方法训练得到若干基本分类器;2)从大量无类别标签数据集中选择性标记一部分最合适的样本加入到原始训练集中;3)在最终的训练集上训练分类模型,并对测试集样本进行分类。在三个客户信用评估数据集上进行实证分析,结果表明,RSSCI模型的信用评估性能不仅优于常用的监督式集成信用评估模型,也优于已有的一些半监督协同训练信用评估模型。     

基于SVM求解不均衡数据集分类的主观权重约束方法

支持向量机(SVM)的二类分问题中针对不平衡数据集可以通过减少样本信息的不对称性和改进算法来解决。本文针对中小企业中有财务风险与无财务风险样本的不平衡性问题,使用一种带有主观权重约束条件的支持向量机新模型对样本进行分类。实验表明新模型确实提高了财务风险企业即少类样本的识别性能,是一种类别不均衡学习(class imbalance learning)的新方法。     

偏正态随机波动模型及其实证检验

首先构建了有杠杆效应的随机波动模型(SV-L),证明了其波动随机项的条件分布为两个偏正态分布,由此称该模型为偏正态随机波动模型(SV-SN).接下来讨论了SV-SN模型的经济含义以及对应随机波动项的统计特征.最后利用沪深两市的指数收益数据对模型进行了实证研究,其结论为:相对于一般的SV模型,SV-SN模型的拟合效果更好;新息具有减弱后期波动之效应;与理论预期一致,单位负新息比单位正新息引致的波动要大.     

基于数据驱动平滑检验的密度预测评估方法——以香港恒生指数、上证综指和台湾加权指数为例

本文提出了样本内和样本外密度预测评估的数据驱动平滑检验（data-driven smooth test）方法，并分别采用Newey-Tauchen的方法以及West-McCracken的方法来纠正参数估计对样本内和样本外密度预测评估的影响。运用本文提出的检验方法，我们比较了各种最大熵GARCH模型对中国三个股指数据（香港恒生指数、上证综合指数和台湾加权指数）的样本内和样本外预测绩效。结果显示：（1）最大熵GARCH模型可以用来刻画中国股指数据的典型化事实，GARCH模型中考虑了厚尾和偏态特征的Pearson IV分布对中国股指收益率的样本外预测绩效是很重要的；（2）具有较好样本内拟合优度和样本内预测效果的模型未必有很好的样本外密度预测效果，考虑到样本外预测的重要性，实际应用中我们应采用具有较好样本外预测效果的模型。     

基于小波变换的长记忆随机波动模型估计方法研究

根据ARFIMA过程的小波分析结果,将小波引入到长记忆随机波动(Long Memory Stochastic Volatility)LMSV模型的估计中,提出了基于小波变换的LMSV模型的参数估计和潜在波动过程的估计方法.用不同参数值和样本容量的数据进行了模拟实验,又用该方法对上海和深圳证券交易所综合指数的收益序列拟合了LMSV模型,结果表明该方法是有效且可行的.