跳跃的估计、股市波动率的预测以及预测精度评价

本文基于C_TMPV理论估计已实现波动率的跳跃成分,在此基础上构建考虑跳跃的AHAR-RV-CJ模型和MIDAS-RV-CJ模型来预测中国股市的已实现波动率,并评价和比较各类波动率模型的预测精度。实证结果表明:基于C_TMPV估计的波动率跳跃成分对日、周以及月波动率的预测有显著的正向影响;AHAR-RV-CJ模型和MIDAS-RV-CJ模型的样本内和样本外预测精度在不同的预测时域上都是最高的,尤其是对数形式的模型;MIDAS族模型的样本外预测精度在中长期预测时域上比HAR族模型高;AHAR-RV-CJ模型和MIDAS-RV-CJ模型的样本外预测能力在中长期预测时域上比基于低频数据的Jump-GARCH模型、SV-CJ模型和SV-IJ模型好。     

基于四次幂差修正HAR模型的股指期货波动率预测

股指期货波动率建模与预测是揭示其波动运行规律和市场风险是重要途径。本文基于跳跃、好坏波动率与符号跳跃建立四组HAR模型,提出单级纠偏HARQ类模型和多级纠偏HARQF类模型,实证研究揭示股指期货波动运行规律,并采用MCS检验来评估模型优劣。HAR建模考察连续与跳跃波动、好与坏波动率的两种已实现波动分解。为了降低波动率估计偏差,基于最小化MSE准则确定最优抽样频率,利用已实现核修正的ADS检测法识别跳跃,采用已实现核估计修正好坏波动率与符号跳跃。基于沪深300股指期货的实证研究表明：连续波动比跳跃波动对未来已实现波动贡献更大;好坏波动率具有不对称波动冲击,而符号跳跃对未来波动具有负向冲击;好坏波动率分解优于连续与跳跃波动分解;中位数已实现四次幂差能够显著提升HAR类模型的样本内外预测能力;与样本内预测相反,样本外预测中单级纠偏HARQ类模型优于多级纠偏HARQF类模型;MCS检验得出HARQ-RV-SJ模型表现最佳。研究结论与启示对认识股指期货波动规律和市场风险具有意义。     

投资者关注能提高市场波动率预测精度吗？——基于中国股票市场高频数据的实证研究

本文选取百度网络搜索数据，构建了新的投资者关注指标；以上证指数和深证成指高频数据为研究样本，研究了不同的投资者关注水平与市场波动率之间的领先滞后关系；之后，本文将投资者关注因子纳入到ARMA类和HAR类模型，建立了新的投资者关注波动率预测模型；通过与传统模型的样本外预测比较，重点研究了投资者关注能否提高市场波动率预测精度这一问题。本文实证结果表明，投资者关注不仅可以提高现有波动率预测模型的样本内拟合能力，而且在投资者高关注时期，投资者关注可以显著且稳健的提高波动模型的样本外预测能力。这说明，投资者关注具有对股票市场的解释能力及更强的预测能力。此外，本文的研究结论还具有一定的应用价值：对个人和机构投资者来说，可以"先人一步"的把握市场发展趋势，增加获利机会；对监管部门而言，可以强化市场监管绩效，加快形成完备有效的股票交易市场。     

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。     

基于波动择时绩效的高维波动率估计量与预测模型研究

对协方差矩阵高频估计量和预测模型的选择,共同影响协方差的预测效果,从而影响波动择时投资组合策略的绩效。资产维数很高时,协方差矩阵高频估计量的构建会因非同步交易而丢弃大量数据,降低信息利用效率。鉴于此,将可以充分利用资产日内价格信息的KEM估计量用于估计中国股市资产的高维协方差矩阵,并与两种常用协方差矩阵估计量进行比较。进一步地,将三种估计量分别用于多元异质自回归模型、指数加权移动平均模型以及短、中、长期移动平均模型进行样本外预测,并比较在三种基于风险的投资组合策略下的经济效益。采用上证50指数中20只不同流动性成份股逐笔高频数据的实证研究发现:(1)无论是在市场平稳时期还是市场剧烈震荡期,长期移动平均模型都是高维协方差估计量预测建模的最优选择,在应用于各种波动择时策略时都可以实现最低成本和最高收益。(2)在市场平稳时期,KEM估计量是高维协方差估计的最优选择,应用于各种波动择时策略时基本都可以实现最低成本和最高收益;在市场剧烈震荡期,使用KEM估计量进行波动择时仍然可以在成本方面保持优势,但在收益上并不占优。(3)无论是在市场平稳时期还是市场剧烈震荡期,最低的成本都是在采用等风险贡献投...     

基于贝叶斯因子模型金融高频波动率预测研究

构建了包含时变系数和动态方差的贝叶斯HAR潜在因子模型(DMA(DMS)-FAHAR),并对我国金融期货(主要是股指期货和国债期货)的高频已实现波动率进行预测.通过构建贝叶斯动态潜在因子模型提取包含波动率变量、跳跃变量和考虑杠杆效应的符号跳跃变量等预测变量的重要信息.同时,在模型中加入了投机活动变量,以考察市场投机活动对中国金融期货市场波动率预测的影响.预测结果表明,时变贝叶斯潜在因子模型在所有参与比较的预测模型当中具有最优的短期、中期和长期预测效果.同时,具有时变参数和时变预测变量的贝叶斯HAR族模型在很大程度上提高了固定参数HAR族模型的预测能力.在股指期货和国债期货的预测模型中加入投机活动变量可以获得更好的预测效果.     

已实现波动GAS-HEAVY模型及其实证研究

引入日内高频数据计算的已实现波动，能够提高波动模型预测能力。本文将日收益和已实现波动联合建模，提出一种新的波动模型。选取尺度调整t分布和F分布作为日收益和已实现波动的分布，更为充分和灵活地捕捉厚尾性，采用得分驱动方法设定波动模型更新项，得出广义自回归得分（GAS）波动模型，提高对实际模型的逼近效率。本文对模型遍历性和平稳性进行证明，并与同类模型进行比较。蒙特卡罗模拟实验显示，在数据生成过程误设的情况下本文提出的GAS-HEAVY模型比同类模型具有更好的数据拟合效果。基于沪综指、深成指和沪深300指数2013.1至2017.4日内1分钟高频数据实证分析表明，不同损失函数的SPA检验下GAS-HEAVY模型的波动预测能力显著强于其它同类模型。本文给出的GAS-HEAVY模型为有关理论研究和市场应用提供了新的波动计量工具。     

考虑微观结构噪声与测量误差的波动率预测

以测量误差的分布理论为基础,本文将微观结构噪声的影响引入到测量误差的方差中,构建了包含微观结构噪声影响的HARQ-N模型。使用蒙特卡洛模拟与中国股市的高频数据对HAR、HARQ、HARQ-N模型与HAR-RV-N-CJ模型的估计和预测进行了比较,研究发现,HARQ模型和HARQ-N模型的测量误差修正项对波动率的影响系数统计显著为负,HARQ-N模型的测量误差项影响系数远大于HARQ模型,更大程度地减弱当期微观结构噪声和测量误差的影响。并且,考虑微观结构噪声和测量误差的HARQ-N模型样本内和样本外预测效果在统计上显著优于HAR模型、HARQ模型与HAR-RV-N-CJ模型。     

基于多分形理论的动态VaR预测模型研究

经济物理学(econophysics)的大量研究表明,金融市场的波动具有复杂的多分形(multifractal)特征,因此准确地测度和预测市场波动,对金融风险管理工作的意义重大。在已有多分形波动率(multifractal volatility)测度及其模型应用基础上,以上证综指10年的高频数据为对象,提出了基于多分形波动率的样本外动态风险价值(out-of-sample dynamic VaR)预测法。通过两种规范的后验分析(backtesting)结果表明,与8种主流的线性和非线性GARCH族模型相比,在高风险水平上,基于多分形波动率测度的VaR模型明显具有更高的样本外动态风险预测精度。     

上证综指的股指波动:基于模糊FEGARCH模型及不同分布假设的预测研究

本文主要对2006年至2011年上证综指收益率序列的高频波动性进行预测研究。首先,针对金融数据的非线性和不确定等特性,借助模糊逻辑系统,提出一种新的金融市场波动率的预测方法-模糊FEGARCH模型,用来更好的针对具有非线性特性的收益率数据进行预测。其次,为了判断分布型模型和不对称型模型对预测精度的影响程度,分别采用分布型(GARCH-N,GARCH-t,GARCH-HT和GARCH-SGT)和不对称型(GJR-GARCH、EGARCH和模糊FEGARCH)的波动模型进行高级能力预测法(SPA)检测。实证结果表明,不对称模型对波动率预测的影响程度比分布假设的确定更为重要,而且模糊FEGARCH模型对于具有尖峰厚尾、高偏度和杠杆效应的非线性波动数据的预测能力更佳,说明了该模型的有效性与实用性。     

Correcting the Errors: Volatility Forecast Evaluation Using High‐Frequency Data and Realized Volatilities

We develop general model‐free adjustment procedures for the calculation of unbiased volatility loss functions based on practically feasible realized volatility benchmarks. The procedures, which exploit recent nonparametric asymptotic distributional results, are both easy‐to‐implement and highly accurate in empirically realistic situations. We also illustrate that properly accounting for the measurement errors in the volatility forecast evaluations reported in the existing literature can result in markedly higher estimates for the true degree of return volatility predictability.     

中国股票市场个股已实现波动率估计

从修正市场微观结构等干扰因素的角度出发,基于高频交易数据,同时采用一阶偏差修正方法估计了深圳证券交易市场个股的已实现波动率。研究结果表明,基于分笔交易数据计算的已实现波动率能有效提高个股真实波动率的估计精度,从而可以为波动率相关研究提供一个参照基准的波动率值。     

基于价格极差的金融波动率建模： 理论与实证分析

经典的波动率模型(GARCH等)是收益率为基础的模型,利用的是收盘价信息,忽略了价格波动的日内信息,这将导致信息与效率的损失.为了弥补这一缺陷并获得满意的波动率预测效果,本文引入并扩展了基于价格极差的自回归波动率模型.实证研究表明新模型能够有效刻画波动率的动态变化规律,其预测效果一致性地优于经典的GARCH模型.同时,我们的研究还证实了在波动率模型中加入收益率的滞后项能够提高模型的解释能力,并且存在明显的"杠杆效应".     

考虑结构变化和长记忆性的国际原油价格波动率预测研究

原油市场普遍存在结构变化现象，可能会引发原油价格波动率的长记忆性，导致模型参数的有偏估计。为此，本文考虑原油价格波动率的结构变化和长记忆性特征，采用考虑结构断点的GARCH族模型和MMGARCH模型对WTI和Brent油价波动率进行预测建模。结果表明，WTI和Brent油价波动率中确实存在明显的结构变化和长记忆性特征，而能够捕捉这两种特征的GARCH族模型往往比忽略它们的模型取得更好的油价波动率预测效果，特别是，同时动态捕捉结构变化和长记忆性特征的MMGARCH模型对油价波动率的预测性能优于其他相关模型。     

金融波动的赋权“已实现”双幂次变差及其应用

金融波动是金融研究中的热点问题。金融高频数据比低频数据包含了更丰富的日内收益波动信息,因此对金融高频时间序列的研究成为金融领域中备受关注的焦点。"已实现"波动是利用高频数据计算金融波动率的全新方法,目前在金融高频数据的研究中应用十分广泛,但它具有误差较大和不稳健的缺点,因此各种改进方法应运而生,其中"已实现"双幂次变差克服了"已实现"波动的不稳健的缺点。本文提出赋权"已实现"双幂次变差的概念,不但继承了"已实现"双幂次变差的稳健性,而且满足无偏性和最小方差性,通过理论证明和实证研究都表明其能够更准确的度量金融波动率。     

股票收益随机波动模型研究

通过对金融资产时间序列数据特点的分析,指出GARCH模型在描述金融资产时序数据的局限,尝试用随机波动模型刻画股票收益的波动规律,采用GMM方法估计模型参数,并以上海证券交易所综合指数日收益率数据为样本,对沪市指数收益波动进行实证研究,探讨涨跌停板制度对股市波动的作用。     

Communicating Asset Risk: How Name Recognition and the Format of Historic Volatility Information Affect Risk Perception and Investment Decisions

An experiment examined how the type and presentation format of information about investment options affected investors' expectations about asset risk, returns, and volatility and how these expectations related to asset choice. Respondents were provided with the names of 16 domestic and foreign investment options, with 10-year historical return information for these options, or with both. Historical returns were presented either as a bar graph of returns per year or as a continuous density distribution. Provision of asset names allowed for the investigation of the mechanisms underlying the home bias in investment choice and other asset familiarity effects. Respondents provided their expectations of future returns, volatility, and expected risk, and indicated the options they would choose to invest in. Expected returns closely resembled historical expected values. Risk and volatility perceptions both varied significantly as a function of the type and format of information, but in different ways. Expected returns and perceived risk, not predicted volatility, predicted portfolio decisions.     

The Effect of Demand–Supply Mismatches on Firm Risk

A supply chain management (SCM) system comprises many subsystems, including forecasting, order management, supplier management, procurement, production planning and control, warehousing and distribution, and product development. Demand–supply mismatches (DSMs) could indicate that some or all of these subsystems are not working as expected, creating uncertainties about the overall capabilities and effectiveness of the SCM system, which can increase firm risk. This article documents the effect of DSMs on firm risk as measured by equity volatility. Our sample consists of three different types of DSMs announced by publicly traded firms: production disruptions, excess inventory, and product introduction delays. We find that all three types of DSMs result in equity volatility increases. Over a 2‐year period around the announcement date, we observe mean abnormal equity volatility increases of 5.62% for production disruptions, 11.19% for excess inventory, and 6.28% for product introduction delays. Volatility increases associated with excess inventory are significantly higher than the increases associated with production disruptions and product introduction delays. Across all three types of DSMs, volatility changes are positively correlated with changes in information asymmetry. The results provide some support that volatility changes are also correlated with changes in financial and operating leverage.     

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.