混频投资者情绪与股票价格行为北大核心CSCDCSSCI

采用混频数据抽样模型(MIDAS)研究了混频投资者情绪对中国股市收益率及其波动的影响.通过构建日度、周度及月度这三种不同频率的投资者情绪,实证结果发现,混频情绪对当期收益率及其波动都存在显著的正向影响,并且与传统回归模型相比,MIDAS模型具有更强的解释能力.本文进一步使用GARCH-MIDAS模型研究了混频情绪对收益率波动长期成分的影响,发现混频情绪能够显著影响收益的长期波动.     

混频投资者情绪与股票价格行为

采用混频数据抽样模型(MIDAS)研究了混频投资者情绪对中国股市收益率及其波动的影响.通过构建日度、周度及月度这三种不同频率的投资者情绪,实证结果发现,混频情绪对当期收益率及其波动都存在显著的正向影响,并且与传统回归模型相比,MIDAS模型具有更强的解释能力.本文进一步使用GARCH-MIDAS模型研究了混频情绪对收益率波动长期成分的影响,发现混频情绪能够显著影响收益的长期波动.     

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。     

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。     

地缘政治风险与中国原油市场波动预测研究

近年来频发的地缘政治事件常被认为是原油市场剧烈波动的重要原因。因此,引入Caldara和Iacoviello提出的地缘政治风险(geopolitical risk, GPR)指数,将混频的GARCH-MIDAS模型扩展为GARCH-MIDAS-GPR类模型,分析不同国家、类别和严重程度的地缘政治风险对我国原油市场波动及其预测精度的影响,并从不同长度的波动率预测、中国原油期货推出前后的波动率预测、替代基础模型的使用、波动率预测方向、原油风险预测和投资组合管理六个维度探讨结论的稳健性。更进一步,引入3类宏观经济不确定性和6类经济政策不确定性指标,对比分析多种不确定性信息对中国原油市场波动的预测能力。研究发现,首先,各国、总体以及严重的GPR指数对我国原油市场长期波动均存在显著的正向影响。其次,地缘政治风险指标的纳入在不同程度上提高了我国原油市场波动预测精度,其中3类反映世界整体地缘政治风险水平的GPR指数表现相对较好。最后,相比于常见的宏观经济和经济政策不确定性因素,地缘政治风险指标可以为原油波动率预测提供更多有用信息。本文的研究结论在预测统计精度与波动率的应用层面均具备稳健性。     

反向有约束混频数据模型的市场化利率预测

为准确预测市场化利率,在混频数据抽样(MIDAS)模型和反向无约束混频数据抽样(RU-MIDAS)模型的基础上,提出了反向有约束混频数据抽样模型(RR-MIDAS),使之能够适应各变量之间频率倍差较大时,低频变量对高频变量的分析与预测.选取SHIBOR作为市场化利率的代表,分析其影响因素并开展预测研究.实证结果表明:RR-MIDAS模型能够细致揭示各变量间的实时动态变化关系,表现出很好的拟合效果与预测能力;宏观经济变量和资本市场信息能够在1周甚至1天内对货币供求关系产生影响,进而迅速反映在SHIBOR走势变化上.此外,稳健性检验结果验证了RR-MIDAS模型的实用性以及实证结论的可靠性.     

运用马尔科夫链预测股指走势的实证分析

金融市场的多种价格变量是受到各种各样因素影响的随机变量,在不同的假设条件下可以做出不同的预测模型,常见的计量经济模型、投入产出模型、随机时间序列模型在不同程度存在缺陷,运用马尔科夫链对这些随机变量的数量特征进行分析,通过合理划分变量变动区间和时间间隔,可以分析各个状态之间的互通性和遍历性。根据我国2006下半年至2008年的上证综合指数股票历史收盘价数据,运用马尔科夫预测法对其短期价格走势进行预测,并对预测结果作了分析。     

经济政策不确定性与我国股市波动率预测研究

股票市场的波动与实体经济走势以及宏观经济政策密切相关.因此,以Baker的经济政策不确定性(economic policy uncertainty,EPU)指数和我国股市代表性的股价指数——上证综指为对象,运用广义自回归条件异方差混频数据抽样(GARCH-MIDAS)模型,分析了经济政策不确定性对上证综指波动率的影响,并运用该模型与常见的多种GARCH族模型进行了样本外波动率预测的对比研究.实证结果表明,EPU指数能够很好地解释我国股市波动的长期成分,并显著改善对上证综指波动率的预测精度;同时,模型信度集合(model confidence set,MCS)检验结果进一步证实,基于混频数据的GARCH-MIDAS模型能显著打败常见的多种GARCH族模型.     

经济政策不确定性与我国股市波动率预测研究北大核心CSCDCSSCI

股票市场的波动与实体经济走势以及宏观经济政策密切相关.因此,以Baker的经济政策不确定性(economic policy uncertainty,EPU)指数和我国股市代表性的股价指数——上证综指为对象,运用广义自回归条件异方差混频数据抽样(GARCH-MIDAS)模型,分析了经济政策不确定性对上证综指波动率的影响,并运用该模型与常见的多种GARCH族模型进行了样本外波动率预测的对比研究.实证结果表明,EPU指数能够很好地解释我国股市波动的长期成分,并显著改善对上证综指波动率的预测精度;同时,模型信度集合(model confidence set,MCS)检验结果进一步证实,基于混频数据的GARCH-MIDAS模型能显著打败常见的多种GARCH族模型.     

基于符号收益和跳跃变差的高频波动率模型

基于符号收益率的视角,对现有的HAR-RV类及其跳跃扩展模型进行相应分解,构建新型的HAR-RV类波动率模型.进一步,结合符号收益和不同的跳跃识别检验方法,提出了包含符号跳跃变差的HAR-RV类模型,并利用样本外滚动窗预测技术和"模型信度设定"(MCS)检验法评价了各种新旧HAR-RV模型对我国沪深300股价指数波动的预测能力.结果表明:基于C_TZ跳跃识别检验的符号跳跃变差能显著改善波动率模型的短期预测能力,但在中长期波动预测时,符号跳跃变差未能明显提升HAR-RV类模型的预测精度;新提出的HAR-S-RV-TJ-TSJV模型和HAR-S-RV-TJ模型分别在对短期(未来1天)和中长期(未来5天和20天)的波动预测检验中,展现出了最高的预测精度.     

谁是驱动中国原油期货价格波动的关键信息?

本文首次对影响中国原油期货价格波动的驱动因素进行了量化分析.运用广义动态因子模型,结合互联网数据,为中国原油期货价格构造了六类预测因子：供需预测因子、市场金融化预测因子、汇率市场信息预测因子、商品市场预测因子、全球宏观经济预测因子以及事件预测因子.基于混频GARCH-MIDAS模型,本文发现上述六类因子能显著改善对原油价格波动的预测精度.同时,基于MCS检验结果,揭示出在不同时间尺度下,驱动中国原油价格波动的信息存在明显差异性,即在短期和中期预测中事件预测因子起主导作用,而供需因子则是在长期主导中国原油价格波动的关键因素.综上,本研究为国内原油市场参与者、政策制定者及市场监管者把握未来市场信息提供了分析工具和参考依据.     

基于ODR-ADASYN-SVM的极端金融风险预警研究

针对合成少数类过采样(synthetic minority over-sampling technique,SMOTE)方法在提升支持向量机(support vector machine,SVM)的非均衡样本学习能力中出现的过拟合(over fitting),引入自适应合成抽样方法(adaptive synthetic sampling approach,ADASYN)和逐级优化递减欠采样方法(optimization of decreasing reduction,ODR)分别克服SMOTE在生成新样本中的盲目性和在处理对象上的局限性,进而与SVM相结合,构造出改进SVM,即ODR-ADASYN-SVM模型来预测中国极端金融风险;最后运用T检验对各模型预测精度的差异性进行显著性检验以及对各模型的预测稳定性进行评价.实证结果表明,ODR-ADASYN-SVM模型不仅能够显著地提升SVM的非均衡样本学习能力,同时也能够有效地克服SMOTE的过拟合,从而展示出优越的极端金融风险预测性能.     

关联交易对公司投资是效率促进或利益冲突?

本文应用内生转换probit模型,以公司治理变量为转换模型的选择变量,把公司治理分为强弱两个机制,在此基础上,研究在不同公司治理机制条件下,关联交易利益流向对投资效率的影响。结果显示:(1)在强的公司治理机制下,关联交易利益的流向提高了投资效率,即关联交易的净流入抑制了上市公司的投资不足,关联交易的净流出与上市公司的过度投资显著负相关,抑制了上市公司的过度投资,支持上市公司的效率促进观点;(2)在弱的公司治理机制下,关联交易的净流入与上市公司的过度投资显著正相关,关联交易的净流出与上市公司的投资不足显著正相关,降低了公司的投资效率,支持上市公司的机会主义利益冲突观点。     

典型事实约束下的上海燃油期货市场动态VaR测度研究

期货交易的高杠杆率意味着期货市场的高风险特征,而能源市场因其特殊的战略意义一直以来备受关注,因而对能源期货市场的风险测度对投资者和监管者都极其重要。本文对上海燃油期货构建了四个反映不同交割期限的连续价格序列,基于不同的金融市场典型事实分别运用GARCH、GJR、FIGARCH三个模型对波动率建模,并假设条件收益分别服从正态、学生t、有偏学生t(skst)分布进行动态风险价值(VaR)测度,然后运用严格的似然比(LR)检验和动态分位数回归(DQR)检验对风险测度的可靠性进行后验分析(Backtesting),尝试从中提取出在风险管理中最有应用价值的典型事实。研究发现:(1)基于skst分布的波动模型的动态风险测度准确性明显优于其他分布下的相同模型;(2)基于杠杆效应的GJR模型和基于长记忆性的FIGARCH模型并没有表现出比普通GARCH模型更高的精度;(3)远期合约的市场平均收益更高,风险测度比近期合约更准确。     

一类新的SBO及其在GM(1,1)中的应用研究

利用缓冲算子提高数据序列光滑性是提高灰色GM(1,1)模型预测精度的重要途径之一。在对缓冲算子和已有强化缓冲算子研究的基础上,构造了一类新的强化缓冲算子(strengthening buffer operator,SBO),有效地解决了冲击扰动数据序列在建模预测过程中常常出现的定量预测结果与定性分析结论不符的问题,实例分析结果表明:这类新的强化缓冲算子能显著提高数据预测模型的预测精度。     

基于组合模型的中国电力消费量预测研究

本文以1999-2011年中国电力消费量为样本数据,运用改进的GM(1,1)模型对其进行拟合和预测;并运用周期性残差修正模型对IGM模型的预测残差进行修正;综合两者得到含周期性残差修正的IGM组合模型,然后利用此组合模型预测2012和2013年中国电力消费量,最后,采用后验差检验法对组合模型的预测精度进行检验。预测结果表明:组合模型预测精度达到一级精度"好",并且中国电力消费量在未来几年将继续保持上升的趋势。     

基于EMD与DVG的非线性时间序列预测模型及其应用研究

针对具有非线性和不稳定性的时间序列,提出一种结合经验模态分解(EMD)、有向可见图(DVG)网络的动态预测模型。利用经验模态分解将原时间序列分解为多个固有模态函数(IMF),然后对分解后的高频和低频IMF利用快速傅里叶变换得到各自的周期;依据每个周期,从原时间序列的尾部截取长短不一的子序列,然后采用有向可见图算法转换为多个有向网络,利用随机游走在每个有向网络中寻找与时间序列最后一个节点相似的节点;最后,依据平行线法,预测时间序列的下一个数值。原油价格的时间序列是一类典型的具有非线性和不稳定性的序列,利用此模型对WTI原油每日价格进行实证分析。研究结果表明,此模型不但可以有效地预测时间序列的变化趋势,而且具有较高的预测精度。     

系统性风险的传染渠道与度量研究——兼论宏观审慎政策实施

本文创新性构建了包含银行破产机制和去杠杆机制的资产负债表直接关联网络模型。本文发现:(1)四类银行特征和4个外生参数影响四类传染渠道,且影响存在显著差异,四类传染渠道中去杠杆渠道(Loss~(DEL))和银行间负债违约渠道(Loss~(IA_DF))最为重要;(2)在传染过程中,银行破产会导致系统性风险急剧上升,且破产越集中,系统性风险越大;(3)系统性风险存在"区制转换"效应:当低于某一参数阈值,金融体系呈现出随时间递减的"常态"系统性风险(SR),该风险由银行体系杠杆率驱动;当高于某一参数阈值,金融体系呈现出随时间递增的"危机"系统性风险(SR),该风险由银行关联性和资产规模驱动,并主要来源于传染指标较高的大型商业银行;(4)4个外生参数对应了四类针对金融体系整体的宏观审慎政策,脆弱性指标(VBI)和传染性指标(CBI)对应了针对单家金融机构的宏观审慎政策,这些宏观审慎政策应根据金融周期(上行或下行)和系统性风险类型(常态或危机)来实施。     

基于蚁群算法的成本敏感线性集成多分类器的客户流失研究

针对电信客户流失预测问题的复杂性,融合自组织神经网络良好的连续属性值离散化优势、粗糙集理论出色的属性约简功能和蚁群优化算法全局的随机搜索特点,在模型集成技术和成本敏感学习理论的基础上,提出了一种新的基于蚁群算法的成本敏感线性集成多分类器的电信客户流失预测模型。构建该集成模型可分为4个阶段:(1)连续属性值的离散处理:利用自组织神经网络对连续属性值进行非监督离散化处理;(2)原始属性集的约简处理:使用粗糙集理论按属性重要性原则对离散属性进行约简;(3)子分类器的建立:分别使用NaiveBayes、Logistic回归、多层感知器和决策树等4种差异性很大的分类技术在约简属性集上建立4个对应的客户流失预测子分类器;(4)子分类器的集成:基于成本敏感学习理论,构建了4种不同的线性集成模型,采用蚁群优化算法求解集成模型的最优线性组合权重系数。将该模型应用于某电信客户流失预测,其实验结果表明该集成方法是可行且有效的。     

上海股市波动性预测模型的实证比较

本文采用上证综合指数每日收盘价数据,应用常用的波动性预测模型预测上海股市的周波动性并比较其样本外预测效果.结果表明,尽管当采用不同的预测误差统计量作预测模型的预测精度的评价准则时,也会导致评价结果的排序不同,但从总体上来说,指数平滑模型对上海股市周波动性的预测效果还是优于其他模型;而相对比较复杂GARCH(1,1)模型对上海股市周波动性的预测效果并不佳.