矫偏条件波动及其在VaR估计中的应用——以一般正态VaR估计为例

反映金融市场条件波动时变性的模型都只是时资产真实数据生成过程的一种近似拟合,许多模型严格来说存在设定偏误,这样可能导致由它们所预测的条件波动相对真实值存在偏差.本文用一回归模型检验一般正态VaR估计中的简单平均方法估计的条件波动是否存在偏差,另一方面用它对这一条件波动估计值进行矫正,并以此为基础估计相应的VaR.通过对上证指数和深成指数1995-2005年日收益率数据的分析,我们发现,用简单平均方法对我国股市波动进行估计存在非常大的条件偏差,并发现波动矫偏后所预测的VaR值的准确性和有效性都明显提高.     

双因子非对称已实现SV模型及其实证研究

在基本的SV模型中引入包含丰富日内高频信息的已实现测度,同时考虑其偏差修正以及波动率非对称性与长记忆性,构建了双因子非对称已实现SV（2FARSV）模型.进一步基于连续粒子滤波算法,给出了2FARSV模型参数的极大似然估计方法.蒙特卡罗模拟实验表明,给出的估计方法是有效的.采用上证综合指数和深证成份指数日内高频数据计算已实现波动率（RV）和已实现极差波动率（RRV）,对2FARSV模型进行了实证研究.结果表明：RV和RRV都是真实日度波动率的有偏估计（下偏）,但RRV相比RV是更有效的波动率估计量;沪深股市具有强的波动率持续性以及显著的波动率非对称性（杠杆效应与规模效应）;2FARSV模型相比其它已实现波动率模型具有更好的数据拟合效果,该模型能够充分地捕获沪深股市波动率的动态特征（时变性、聚集性、非对称性与长记忆性）.     

平行数据随机波动建模及应用研究

将随机波动模型的建模思想引入平行数据的建模过程,提出了平行数据随机波动模型,以综合分析与比较不同金融市场之间的风险状况和波动的持续特性;应用卡尔曼滤波方法首先滤出模型的伪似然函数,然后采用极大似然估计方法求解模型参数,最后利用平行数据随机波动模型对我国沪深股市数据进行了实证应用.实证表明,平行数据随机波动模型可以很好地说明我国股市的整体风险状况以及沪深两市间波动持续性的差距.     

多元长记忆SV模型及其在沪深股市的应用

对多元长记忆随机波动进行建模,并给出了相应的谱似然估计方法以及在多元随机波动模 型框架下分数维协整的检验步骤. 最后用上海和深圳的数据对所给的模型与方法进行了实证检验.     

自回归条件方差-偏度-峰度:一个新的模型

提出一个新的自回归条件方差一偏度一峰度模型:GJRSK-M模型,讨论了模型的识别、定阶、估计等技术,运用该模型实证研究了中国股市的高阶矩波动特征,利用样本外预测方法研究了GJRSK-M模型与现有高阶矩波动模型在预测能力方面的差异.研究结果表明:中国股市的条件方差、条件偏度和条件峰度都具有波动持续性和杠杆效应,GJRSK-M模型具有比现有高阶矩波动模型更强的预测能力.最后提出了将高阶矩波动模型运用于金融风险管理研究的思路.     

违约预测的小波结构模型研究

本文针对上市公司违约预测问题,按照行业类型对我国2009年的上市企业进行分层抽样,构建了小波结构模型.小波结构模型通过应用小波变换来分解上市公司日收益序列,进而对低频序列和高频序列分别构建预测模型,再依据预测模型对未来收益进行预测,最后使用小波逆变换重构预测收益序列.通过小波结构模型可以避免时间序列模型进行收益波动预测的累加计算过程.在结合我国上市公司的实际数据对这两种模型的校验中,可以发现小波结构模型比时序结构模型在违约预测上有更好的识别力和准确度.     

多元GARCH 建模及其在中国股市分析中的应用

简要回顾了一元ARCH类模型的发展过程,介绍了多元GARCH类模型的四种形式.针对传统基于梯度信息的多元GARCH模型估计方法的不足,提出了基于遗传算法的似然估计方法,并利用中国股市数据进行了实证研究.结果说明中国股市存在着波动的持续性和显著的二元GARCH效应,并且沪、深股市不存在协同持续性.     

基于小波域隐马尔可夫模型的时间序列分析-平滑、插值和预测

提出一种基于小波域隐马尔可夫模型的时间序列分析方法.首先介绍了离散小波变换;并针对小波系数进行统计建模,分别讨论了单个小波系数的混合高斯模型、不同尺度小波系数之间的隐马尔可夫树结构、模型训练及似然计算等问题;其次,提出了关于时间序列插值、平滑和预测的统一数学模型,并运用极大后验概率估计和贝叶斯原理,将小波域隐马尔可夫模型作为先验知识给出了一种分析时间序列的新方法;然后,详细推导了时间序列重建问题的Euler-Lagrange方程及对数似然的导数计算,将时间序列的插值、平滑和预测归结为一个简单线性方程的求解;最后通过期望极大化(EM)算法和共扼梯度算法进行交替迭代来计算小波域隐马尔可夫模型参数和重建时间序列.实验结果表明该方法在经济领域时间序列分析中的有效性.     

支持向量回归方法的跳跃扩散汇率期权定价

本文构建一种新的汇率期权定价模型.采用基于统计学习理论通用学习方法支持向量回归技术,引入跳跃扩散模型捕获汇率市场动态过程的跳跃,以提高汇率期权价格预测效果.新模型采用模型参考结构,结合了参数方法与非参数方法各自的优势.SVR技术中用SV模型估计汇率市场的波动率,作为支持向量回归的输入值.实证表明新的汇率期权定价模型的预测效果明显好于传统汇率期权定价方法.     

双因子随机条件极差模型及其实证研究

对波动率的建模和估计传统上主要基于由收盘价计算得到的收益率信息,而基于包含更多日内价格变动信息的价格极差对波动率的研究却相对较少.对经典的针对价格极差动态性建模的条件自回归极差(CARR)模型进行扩展,借鉴随机波动率(SV)模型的建模思路,同时考虑波动率的长记忆特征,引入Gamma分布刻画价格极差新息的分布,构建了双因子随机条件极差(2FSCR)模型来描述价格极差的动态性.进一步,基于连续粒子滤波算法,给出了2FSCR模型参数的极大似然估计方法,并通过蒙特卡罗模拟实验表明了该估计方法的有效性.采用上证综合指数(SSE)、深证成份指数(SZSE)、香港恒生指数(HSI)和美国标普500指数(SPX)数据进行了实证研究,结果表明:2FSCR模型相比CARR模型以及单因子的SCR模型都具有更好的数据拟合效果.进一步的模型诊断分析表明,2FSCR模型相比CARR模型和SCR模型能够更好地刻画价格极差新息的尾部分布,能够更充分地捕获波动率的动态特征(时变性、聚集性与长记忆性).采用滚动窗方法对波动率进行预测,利用价格极差与已实现波动率作为比较基准对模型的预测能力进行了比较分析,结果表明:2FSCR模型相比CARR模型和SCR模型都具有更为优越的波动率预测效果.     

中国股票市场主要转折点的识别:基于改进的小波领袖法与逼近技术的贝叶斯法

在探讨单重分形模型与以小波领袖法为代表的多重分形模型的内在联系的基础上,分析了小波领袖法的内在缺陷并提出了改进方法,并利用Monte Carlo模拟比较了传统的小波领袖法和改进的小波领袖法的效果;在改进的小波领袖法的框架下,利用基于逼近技术的贝叶斯法估计了上证指数收益率序列的多重分形谱及有关参数。理论分析表明,在传统小波领袖法中,小波母函数"能量和为1",这与经典的R/S法以及实际股票市场的实际情况都不相符,且会严重低估标度指数。实证表明,改进的小波领袖法克服了对标度指数的低估效应和对多重分形谱估计值的扭曲;在利用改进的小波领袖法刻画股票市场的波动性后,基于逼近技术的贝叶斯估计法不仅减少了需要估计的参数,而且准确识别了我国股票市场长期趋势发生变化的主要转折点,结果也非常稳健。     

短期电价预测的组合混沌方法

电力市场中,电价的变化呈现的是一种非线性的、动态开放的过程,传统的方法已很难提高其预测精度。为此,本文提出一种基于小波变换、计量经济学模型和径向基函数网络的组合混沌预测方法。首先利用小波变换将原电价序列分解、重构成概貌序列和细节序列;在此基础上,针对不同的子序列建立不同的模型,并进行预测;最后将所有子序列的预测结果求和,作为最终的预测值。对西班牙电力市场短期电价的预测表明,该方法具有很高的预测精度。     

小波包与混沌集成的股票市场预测新方法

基于小波包变换和混沌理论提出了一种股票市场建模及其预测的新方法,既能刻划时间序列的规律,又能捕捉混沌状态的特征.首先,应用小波包变换对上证综指和深证成指日收益率序列进行三层分解,分别得到第三层从低频到高频八个频率成分的时序,并在此基础上作进一步分析,结果表明中国股市存在混沌特性;然后,应用混沌理论分别建立从低频到高频八个时序的预测模型,分别对八个时序进行预测;最后,基于小波包理论对混沌模型预测的结果予以重构,实现对原始收益率序列的预测.与现有方法比较,结果表明该方法具有较高的精度,有极大的应用范围.     

基于季节调整和Holt-Winters的月度负荷预测方法

针对负荷序列中异常数据会导致模型误设或参数估计发生偏差的问题,提出利用季节调整方法,先对原始负荷序列进行季节调整,获得消除离群值、节假日影响的季节调整后序列和季节成分序列;然后用改进的Holt-Winters方法对季节调整后成分进行预测,用虚拟回归方法预测季节成分序列;最后对各成分预测结果重构得到最终预测结果的月度负荷预测方法。通过实例检验,提出的方法能明显提高预测精度,预测效果要优于季节性Holt-Winters、SARIMA、神经网络、支持向量机等模型。     

基于马尔科夫切换模型的上证指数周收益率时间序列分析

本文先对上证指数收益率时间序列做非线性检测,再对时间序列进行结构性变化检测,发现上证指数收益序列既是非线性时间序列又有结构性变化;通过构建一个3状态,3阶滞后的异方差马尔可夫切换模型对1990年12月21日至2008年8月22日上证指数周收益率时间序列规律进行了实证分析,采用极大似然估计法对模型参数进行估计,识别出股市波动的三种主要的状态:慢涨、慢跌和快涨;实证结果表明马尔可夫切换模型能够比较有效的刻画股市波动的阶段性特征.     

半参数空间ZISF的估计、分类与蒙特卡罗模拟

零无效率随机前沿模型（ZISF）包含随机前沿模型和回归模型，两模型各有一定的发生概率，适用于技术无效生产单元和技术有效生产单元同时存在的情形。本文在ZISF的生产函数中引入空间效应和非参函数，并假设回归模型的发生概率为非参函数，构建了半参数空间ZISF。该模型可有效避免忽略空间效应导致的有偏且不一致估计量，也避免了线性模型的拟合不足。本文对非参函数采用B样条逼近，使用极大似然方法和JLMS法分别估计参数和技术效率。蒙特卡罗结果表明：①本文方法的估计精度和分类精度均较高。随着样本容量的增大，精度增加。②忽略空间效应或者非参数效应，估计精度和分类精度降低，文中模型有存在必要性。③忽略发生概率的非参数效应会严重降低估计和分类精度，远大于忽略生产函数的非参数效应的影响。     

A Bayes Linear Bayes Method for Estimation of Correlated Event Rates

Typically, full Bayesian estimation of correlated event rates can be computationally challenging since estimators are intractable. When estimation of event rates represents one activity within a larger modeling process, there is an incentive to develop more efficient inference than provided by a full Bayesian model. We develop a new subjective inference method for correlated event rates based on a Bayes linear Bayes model under the assumption that events are generated from a homogeneous Poisson process. To reduce the elicitation burden we introduce homogenization factors to the model and, as an alternative to a subjective prior, an empirical method using the method of moments is developed. Inference under the new method is compared against estimates obtained under a full Bayesian model, which takes a multivariate gamma prior, where the predictive and posterior distributions are derived in terms of well‐known functions. The mathematical properties of both models are presented. A simulation study shows that the Bayes linear Bayes inference method and the full Bayesian model provide equally reliable estimates. An illustrative example, motivated by a problem of estimating correlated event rates across different users in a simple supply chain, shows how ignoring the correlation leads to biased estimation of event rates.     

LEVY-LIBOR市场模型的蒙特卡罗模拟参数校准与估计

基于远期LIBOR利率的随机波动与无限跳跃特征，针对标准化LIBOR市场模型（LMM）和随机波动率LIBOR市场模型（SV-LMM）应用局限，进一步引入Levy无限跳跃过程，建立多因子非标准化Levy 跳跃随机波动率LIBOR市场模型（SVLEVY-LMM）。在此基础上，基于非参数化相关矩阵假设，运用互换期权（Swaption）、利率上限（Cap）等主要市场校准工具和蒙特卡罗模拟技术，对模型局部波动率和瞬间相关系数等参数进行有效市场校准；应用自适应马尔科夫链蒙特卡罗模拟方法（A-MCMC）对Levy跳跃与随机波动参数进行有效理论估计。实证认为，对远期利率波动率校准，分段固定波动率结构较为符合市场实际情况；对远期利率相关系数矩阵校准，非参数化相关系数矩阵具有最小估计误差和最佳的市场适应性；SVLEVY-LMM能够最好拟合远期LIBOR利率。     

基于马尔可夫状态转换模型的沪深股市波动率的估计

为了更准确地估计具有结构转换的沪深股市收益率波动特征,本文将沪深股市的波动变化分为上涨、下跌和盘整三个状态,选用2000年1月4日至2011年12月30日的上证综指和深证成指日收益率数据作为样本,2012年1月4日至2012年1月17日的日收益率作为样本外预测,分别应用GARCH和APGARCH模型,以及RS-GARCH和RS-APGARCH模型估计和预测两序列的波动率,最后采用MSE₁、MSE₂和QLIKE对估计和预测出的波动率进行评价。结果表明:单一状态和三种状态下APGARCH模型均比GARCH模型估计和预测的波动率更准确;更进一步带有马尔可夫状态转换的模型估计和预测出的波动率更准确,且误差分布服从正态分布的模型估计和预测的波动率拟合结果优于误差服从t分布的模型。