已实现GARCH-GED模型的研究及应用

针对高频金融数据分布普遍存在尖峰厚尾的现象,将经典的已实现GARCH模型的残差分布拓展到服从广义误差分布的形式,并将杠杆函数的幂次放松为待估参数,建立了新的已实现GARCH-GED模型。基于上证50指数5 min频率的高频数据的实证研究结果表明:相对于正态分布假设下的已实现GARCH模型,已实现GARCH-GED模型更能刻画波动率的杠杆效应,在一定程度上提升了对尾部风险度量的精度。     

基于MRS-GARCH模型的VaR方法及其在上海股市的应用

近年来,许多国内学者运用基于GARCH-正态、GARCH-t、EGARCH等模型的VaR方法对中国股票市场的风险进行了分析,这些GARCH模型均为不考虑金融波动结构变化的波动模型。然而,我国的金融市场作为一个新兴的市场,其金融波动的结构变化是客观存在的。因此,本文提出了基于MRS-GARCH模型的VaR方法,并对中国上海股票市场的风险进行了实证分析,证明考虑了金融波动的结构变化的MRS-GARCH模型能够更好的刻画上海股票市场的波动特征,基于MRS-GARCH模型计算VaR值更加有效。     

深圳股市收益率的波动性研究

使用时间序列分析的方法,对深圳股市的收益率波动性进行研究。使用GARCH模型、EGARCH模型和TARCH模型对深圳市场收益率的波动性进行分析,得到深圳市场具有尖峰厚尾的特征,具有明显的杠杆效应。通过对模型结果分析比较,说明EGARCH模型能比较好的刻画深圳股市的收益率及波动特点。     

金融市场随机波动:基于文献综述的视角

探讨了金融市场收益率存在历史、隐含和现实的三类随机波动现象,并呈现出尖峰厚尾、杠杆、集群、微笑、溢出、长记忆、信息流、共生波动等分布特征.进一步归纳了基于不同分布特征的随机波动的GARCH、SV、制度转换、阀值模型等模型,梳理出重点SV模型的三类估计方法:基于矩法、极大似然法估计和马尔科夫链蒙特卡罗(MCMC)方法,以及有效估计SV模型后,其在收益波动率预测、风险管理上的应用.     

基于比较视角的我国股票市场波动ARCH效应研究

我国同期的主板市场不存在ARCH效应,中小板市场存在弱势ARCH效应,创业板市场存在明显的ARCH效应;GARCH(1,2)模型能较好地刻画中小板指数,GARCH(1,1)模型能较好地刻画创业板指数;EGARCH(1,2)能较好地刻画中小板市场波动的非对称性,EGARCH(1,1)模型能较好地刻画创业板市场波动的非对称性;GARCH(1,2)-M模型不能有效刻画中小板指数,GARCH(1,1)-M也不能有效刻画创业板指数,表明中小板市场及创业板市场日收益序列对风险溢价的敏感性不强。     

基于GARCH模型和非参数模型的上海股市VaR的比较

从VaR的定义出发,考虑基于GARCH类模型和基于非参数模型的VaR估计.对于前者进行筛选以后,采用EGARCH(1,1)模型来估计资产或资产组合未来收益率的波动,后者则用核估计方法估计资产或资产组合未来收益率的概率密度函数,并用这两个模型对上海股市进行了实证研究,结果表明后者不失为一种值得考虑的方法.     

基于GARCH模型和非参数模型的上海股市VaR的比较

从VaR的定义出发，考虑基于GARCH类模型和基于非参数模型的VaR估计．对于前者进行筛选以后，采用EGARCH(1，1)模型来估计资产或资产组合未来收益率的波动，后者则用核估计方法估计资产或资产组合未来收益率的概率密度函数，并用这两个模型对上海股市进行了实证研究，结果表明后者不失为一种值得考虑的方法。     

上海证券市场分阶段收益率与波动性的实证分析

采用基于广义误差分布的GARCH类模型,对上海证券市场的收益和波动进行分阶段研究。GARCH和GARCH－M模型结论表明股市波动趋缓,投资者由风险偏好转为风险厌恶。GJR-GARCH模型对波动的非对称性研究发现,股市存在不对称性并且杠杆效应逐渐明显。实证分析表明股市投机成分日益减少,投资者渐进理性。     

基于两种分布下的SV模型与GARCH模型的VaR比较

文章将随机波动SV模型与GARCH模型应用于VaR的计算,并利用上证指数的实际数据作实证研究,构建基于正态分布和T分布下的GARCH模型与SV模型,测量了上证指数收益率的风险价值(VaR).结果表明,相比GARCH模型,SV-N,SV-T模型能更准确地对实际市场波动情况进行拟合,更加真实地反映上证指数的市场风险特性.     

基于GARCH族模型的WTI原油价格波动特征检验

针对WTI原油价格波动具有聚集性的特点,首先利用GARCH模型实证分析,得出WTI原油价格波动受外部因素影响大,并且持续时间长;其次根据GARCH-M模型检验得出,WTI价格波动具有高风险高收益的金融市场特征;最后借助EGARCH模型检验得出,WTI原油价格波动具有杠杆效应,即价格波动主要受负面消息影响,表现出价格变化以上涨为主的特征.     

GARCH类模型波动率预测效果评价——以沪铜期货为例

以沪铜期货为例,研究了GARCH、EGARCH、FIGARCH和FIEGARCH四种模型的波动率预测效果。以已实现波动率为模型评价衡量标准,分别采用M-Z回归和损失函数进行预测效果检验,结果表明,无论残差服从高斯分布还是t-分布,不同的GARCH类模型预测效果有显著差异,其中FIGARCH模型预测效果最好,其次是GARCH模型,EGARCH和FIEGARCH模型预测效果不佳。此结论说明我国铜期货市场具有显著的长记忆性,但不具有非对称效应。     

沪市综合指数杠杆效应的实证分析

本文应用EGARCH（1,1）模型刻画沪市的杠杆效应,估计出了沪市非对称波动的实证模型,并通过EGARCH（1,1）模型刻画出了05年前后两个时间段的信息冲击曲线,。研究发现沪市在05年之前存在明显的杠杆效应,而在05年之后杠杆效应却明显的变小。结果表明：05年之前,利空消息对沪市收盘价格指数冲击效果是利好消息的2.18倍,而05年之后却为1.42倍。对此,本文从投资者的非理性和市场的有效性两点出发,说明了波动性与杠杆效应变小的原因。     

对固定的VaR Risk metrics方法的应用研究

收益率波动计算主要采用移动加权平均及ARCH、GARCH等方法进行估计,尽管这些估计对资本市场收益波动率有较好的拟和,但是因其复杂,在实践中往往不容易推广。为了解决这个问题,本文通过对固定σ下VaR的metrics方法运用的实证分析,就其实证应用分析及对模型的有效性检验等问题进行了阐述。     

基于GARCH族模型的深证成指价格波动研究

金融数据的波动具有较明显的集聚特性,波动集聚现象在收益率的分布上往往呈现出"尖峰厚尾"的特征.价格指数的误差存在自相关性和条件异方差问题,还具有杠杆效应.运用GARCH族模型对深证成分指数的价格指数及收益率进行研究,并对各种模型的拟合结果进行比较结果显示:深证成分指数的收益率的分布存在明显的尖峰后尾现象,股票价格指数存在非对称效应,EARCH模型较好地拟合了股票价格指数的非对称效应的结论.     

基于VaR方法的基金绩效评估

基金的净值收益率分布呈现出“尖峰厚尾”，如果仍假设其服从正态分布会低估VaR值。本文通过GARCH方法计算得到波动率，计算VaR从而进行基金绩效评估。     

基于GARCH模型的品类供货量、交易量、流拍率与价格的波动性分析

论文分析了同一品类产品交易日的价格、供货量、交易量和流拍率的波动特征。研究了拍卖市场各时间序列波动的随机性特征。以昆明国际花卉交易中心为实例研究,选择其2009年2月16日至2010年2月12日的交易数据进行分析,利用GARCH类模型,分别建立收益率、供货量变动率、交易量变动率、流拍变动率的预测模型,拟合最佳分布,并分析杠杆效应。研究表明：四个波动序列预测模型的Theil不等系数值均介于0和l之间,具有较高的预测精度,供货量、交易量负冲击大于正冲击,而流拍率仅存在正冲击。     

基于SV-POT模型的黄金市场的动态VaR预测

针对黄金市场呈现的"尖峰厚尾"和波动持续性等特征,选用SV(stochastic volatility)模型来刻画。将SV模型与基于POT(peak over threshold)模型的极值理论相结合,建立SVPOT的组合模型,预测该金融市场的动态VaR(value at risk)。最后,与GARCH-POT模型相比得出:基于随机波动模型的SV-POT模型在一定程度上能更精确地预测动态VaR。     

基于GARCH模型的金融风险拟合分析

在介绍了GARCH模型相关理论的基础上,以上海证券综合指数对数日收益率作为样本数据,利用SAS软件描述和分析了上海证券的日收益波动特征,并通过比较AIC和BIC信息准则,得出了刻画波动率的最优模型,从而很好地拟合金融投资中投资风险的大小.这对投资者规避投资风险,提高金融投资准确性具有一定的指导意义.     

基于贝叶斯多变量厚尾随机波动模型的期货与现货联动效应研究

针对多变量随机波动模型难以刻画金融时间序列尖峰厚尾特征的问题,构建了贝叶斯多变量厚尾随机波动模型。通过模型的贝叶斯分析,选择参数先验分布,设计基于Gibbs抽样的MCMC算法,据此估计模型参数,解决多变量随机波动模型参数较多难以估计的问题;并利用沪深300股指期货与现货交易数据进行实证分析。研究结果表明：贝叶斯多变量厚尾随机波动模型能更准确地刻画金融市场的波动特征以及金融市场间的波动溢出效应。     

流动性与风险管理：一个基于二元t分布GARCH估计方法的L_VaR模型

VaR已是风险管理领域金融机构量化风险的主流方法,但传统的VaR模型一直未很好地将流动性风险纳入其考量范围。文章通过引入非流动性指标,构建了一个简单的经流动性风险调整的VaR模型,VaR估计方法采用二元t分布GARCH模型。对我国股市实际数据计算发现,流动性因素对VaR值的影响较大,而且持仓规模越大,影响越大。该模型对风险管理具有很好的参考价值。