交易信息、跳跃发现与波动率估计

在高频金融数据研究中,估计金融资产价格序列积分波动率时,往往需要考虑市场微观结构噪声与资产价格跳跃的影响.本文将市场微观结构噪声部分地表示成交易信息的参数函数,并结合资产收益序列的跳跃特征,提出资产收益的高斯混合模型.本文利用EM算法进行噪声参数估计的同时,识别资产价格的跳跃,进而提出一种新的积分波动率的估计量.本文提出的方法可以视为Li等(2016)的改进,并在模拟研究中,得到了比Li等(2016)更好的参数估计效果,且即使在跳跃幅度分布误设的情况下,也具有良好的识别跳跃的功能.在应用举例中,对比了本文方法与Lee和Mykland(2008)的跳跃发现方法,论证了本文的模型在识别跳跃方面的可靠性.     

信息不对称下成交量与波动率关系建模与统计推断

本文首次提出信息不对称背景下成交量和波动率关系的日度完备模型。新模型假设当日成交量和已实现测度为次日隐信息流带来新信息,而隐信息流驱动知情交易者交易。基于此模型,本文给出时间序列平稳遍历性成立的充分条件,并且运用高斯拟极大似然法,建立模型参数估计的渐近理论,模拟研究验证了渐近理论的正确性。本文将新模型应用于中国沪深A股市场、美国纽交所和纳斯达克市场的大型公司。基于全样本的模型拟合结果发现：成交量的放大将导致次日条件波动率增大,而条件波动率的增大伴随着成交量的放大,同时,大部分个股中存在信息交易;在存续时间长、市值靠前且交易活跃的中国个股中,相较于基准波动率模型——已实现GARCH模型,新模型大多具有更好的样本内拟合能力;而在市值靠前且交易活跃的美股中,新模型的表现并不优于已实现GARCH模型。在滚动窗口的波动率预测上,较其他被广泛使用的已有模型,新模型在本文研究的中国个股中普遍具有更好的表现;而在本文研究的美股中,已实现GARCH模型表现较好。这反映了新模型更加适用于存续时间长、市值靠前且交易活跃的中国股票市场数据。     

基于金融高频数据的VaR研究

选取具有良好统计性质的金融波动率估计量来构建VaR,,可以使市场风险的度量更为准确.高频数据由于比低频数据包含了更多的市场信息,因此基于高频数据的金融波动率估计量更为准确.但是基于高频数据的波动率估计量为数众多,目前仅有对各个估计量本身性质的比较研究,在应用于VaR的研究中如何选取估计量使得VaR的计算更为准确则不得而知.因此,文章选取了高频数据下的若干个有代表性的金融波动率估计量,进行VaR值的计算,并对其结果进行了比较研究,同时进行了持续性分析.通过实证研究表明V2R序列具有持续性,其中由赋权"已实现"双幂次变差计算所得的VaR值更准确,从而为VaR的精确计算和正确建模提供了依据.     

基于网络搜索量和混合频率模型的经济变量预测研究

针对大数据背景下利用互联网搜索量数据进行经济预测的问题,提出建立能够充分利用高频变量信息的混合频率模型,并尝试解决建模过程中的关键词选取、数据预处理和降维等问题。在对金融和消费领域预测的实证研究中,经过筛选的关键词搜索量变量与作为预测对象的经济变量是高度相关的,并且混频模型相对于经过频率转换的模型具有更优的估计量性质和更高的样本内外预测精度。同时,根据估计结果得到的权重函数还可以发现月内各日搜索量在预测模型中的贡献度分布具有不同模式,借助该分布模式可以对经济主体行为进行描述和测度,也为搜索量数据的频率转换提供了一些参考。     

我国燃油期货市场的波动率预测模型

准确描述和预测石油及其相关产品的价格波动对各国政府能源政策的制定以及能源风险管理工作意义重大。文章以上海期货交易所燃油期货的15分钟高频价格数据为例,实证计算了三类代表性波动率模型:已实现波动率模型、随机波动模型以及GARCH族模型对我国燃油期货价格波动的预测值,同时,采用多种损失函数对比了三类波动率模型。实证结果表明,基于高频数据的已实现波动率模型对我国燃油期货市场具有最好的波动预测精度。而就基于日数据的模型而言,随机波动模型要明显强于GARCH族模型。     

基于高频数据的金融波动率模型

金融高频数据和金融波动率是目前金融领域研究的热点问题。本文对基于金融高频数据的金融波动率估计量——"已实现"双幂次变差进行了建模和预测。"已实现"双幂次变差无模型、计算简便,在一定条件下是金融波动率的无偏估计量,并且具有稳健性和有效性。通过用上证综指对"已实现"双幂次变差进行ARFIMA建模,发现中国股票市场的上证综指"已实现"双幂次变差时间序列具有长记忆性。     

基于股本权证定价效果的最优波动率模型选择

文章以沪深交易所上市的分离交易可转债所附带的权证及其标的股票日收益率和5分钟高频交易数据为样本,在对隐舍波动率模型、已实现波动率模型以及历史波动率模型参数估计的基础上,以股本权证市场价格为评价基准,分别测算了基于三个波动率模型的定价效果.研究发现,基于隐含波动率模型的定价结果具有最小平均绝对偏差与平均相对偏差,模型效果最优;基于历史波动率模型的定价结果对股本权证市场价格普遍低估.     

基于RiskMetrics模型的单个期货合约保证金比例设计

为了规避价格波动风险,期货交易所应该采取动态保证金设置方式。本文对单个期货合约的日收益序列建立了基于RiskMetrics的VaR模型,用滚动样本预测下一交易日的VaR值,而LR检验表明所建立的VaR模型能较好地测度价格波动风险。因此,下一交易日保证金比例可以设置为预测的VaR值和所规定的涨跌停板率的最小值,这样就能以相应的概率抵御该交易日价格波动带来的风险。     

中国证券市场的LOG-ACD模型及其应用

0引言随着计算机技术的飞速发展,人们可以越来越方便的获得各种高频交易数据。高频数据的获得,开辟了新的研究领域,为了更好的分析这些高频数据,许多新的计量经济模型也应运而生。传统的计量经济模型基于固定的时间间隔进行分析,如随机波动和GA RCH模型等。由于传统的ACD模型对     

两维异质性面板分位数模型的双惩罚回归方法

文章关注系数具有两维异质性结构的面板分位数模型,基于SCAD惩罚函数和MCP惩罚函数提出双惩罚最小加权绝对偏差目标函数,同时进行参数估计和两维异质性结构识别。利用ADMM算法求解目标函数,并使用BIC信息准则通过网格搜索选择最优调节参数。根据蒙特卡洛模拟结果验证了所提方法的有限样本性质,最后使用实际数据检验了其应用效果。研究结果表明：所提出的方法能够准确识别两维异质性结构,并且Post估计量的参数估计精确度接近于Oracle估计量。     

基于高频数据的股指风险价值预测

以高频数据为基础,本文比较研究了股指风险价值的预测问题。通过构造日"已实现"波动,并建立对数"已实现"标准差的ARFIMA模型,进而构造高频风险价值预测模型。同时,该模型与能够考察非对称性和长记忆性的APARCH模型进行比较。研究结果表明,高频风险价值预测模型具有明显的优势,能够更好的预测风险。     

随机效应空间滞后单指数面板模型

对随机效应空间滞后单指数面板模型,本文构建了该模型的截面极大似然估计方法,从理论证明和数值模拟两方面分别考察了其估计量的大样本性质和小样本表现。研究结果表明:(1)在大样本条件下,估计量均具有一致性,并且参数估计量具有渐近正态性。(2)在小样本条件下,各估计量依然具有良好的表现,其精度随着样本容量的增加而提高;空间权重矩阵结构的复杂性对空间相关系数的估计量影响较大,但对其他估计量的影响较小。     

基于已实现和极差波动率标准的沪深300指数波动率模型研究

对波动率预测模型的研究备受学术界的关注,文章以沪深300指数的5分钟高频真实交易数据为研究对象,利用8个损失函数和Diebold Marinao检验较为全面的探讨评价了GARCH族模型对其预测能力。结果发现长记忆性模型的预测效果普遍好于短记忆性GARCH模型,且FIEGARCH是长记忆性模型中预测效果较好的,这对学术界和实务界进行风险测度及对我国资本市场的风险控制都具有现实意义。     

第三类Tobit模型的半参数估计方法

本文给出第三类Tobit模型的一种新的半参数估计方法。在独立性假设下,利用主方程和选择方程中可观察受限因变量的条件生存函数所满足的关系式,构造第三类Tobit模型参数的一步联立估计量。在已知选择方程中参数一致性估计量的条件下,这种方法也可用于构造主方程模型参数 的两步估计量。本文证明了所提出的一步联立估计量和两步估计量的一致性和渐近正态性。实验模拟表明,我们提出的估计量在有限样本下具有良好表现,且一步联立估计量的有限样本表现优于或接近于Chen（1997）的估计量。     

交易间隔、超高频波动率与VaR ——利用日内信息预测金融市场风险

 金融市场风险价值研究一般采用日收益数据,并基于GARCH类模型进行估计和预测,这必然会损失部分日内信息。本文尝试使用中国股市日内分笔超高频数据,在分析日内波动特性的基础上,通过UHF-GARCH模型对交易间隔等日内信息建模,得到超高频波动率UHFV。本文用ARFIMA模型对超高频波动率UHFV建模,应用到风险价值VaR的预测中,并同基于日数据的GARCH类模型的VaR预测能力进行比较。VaR似然比和动态分位数等回测检验的结果显示,超高频数据波动率UHFV模型的预测能力强于采用日数据的GARCH类模型。     

基于混频已实现GARCH模型的波动预测与VaR度量

本文将Hansen等（2012）的Realized GARCH模型扩展为包含日内收益率、日收益率以及已实现波动率的混频已实现GARCH模型（M-Realized GARCH模型）。该模型将日内交易分为前后两段,引入了混频均值方程,并对混频均值方程的残差分别建立条件波动率方程和已实现日波动率方程。本文采用2013-2016年沪深300指数混频数据,分别在扰动项服从正态分布、t分布和广义误差分布的假设下,采用损失函数、SPA检验、kupiec检验和动态分位数检验法,对GARCH、Realized GARCH和M-Realized GARCH模型的波动率预测和VaR度量效果对比研究,得出M-Realized GARCH模型能提高预测精度,且VaR实际失败率与理论失败率一致,失败发生之间不相关。最后,本文利用Block bootstrap方法抽样得到混频数据,模拟证明了M-Realized GARCH模型比Realized GARCH模型具有更高的预测精度。     

中国金融市场波动率的实现极差双幂次变差估计

实现极差和实现双幂次变差分别是针对金融市场中日益流行的高频实现波动率的重要改进,文章对一类新的结合了实现极差和实现二次幂变差各自的优点的实现极差双幂次变差估计进行了建模和实证研究,采用来自沪深两市的主要股指日内高频数据的对比研究显示:该波动率估计量不仅能够像实现极差一样准确捕捉到金融市场收益率无条件分布的尖峰厚尾特征,而且能够像实现双幂次变差一样很好的消除其偏态性.     

中国股市波动率的TSK非线性组合预测模型

Grey-GARCH模型是一类新的波动率模型.针对单一Grev-GARCH类模型只能有限地提高波动率的预测精度,利用TSK模糊推理系统,结合组合预测的思想,建立波动率的TSK非线性组合预测模型.通过对上证综指和深证综指的实证分析,发现与单一Grey-GARCH类模型、RBF非线性组合预测模型和线性组合预测模型相比,TSK非线性组合预测模型总体上能够获得更高的预测精度,说明TSK非线性组合预测模型是一种有效的波动率预测分析方法.     

函数型变量倾斜分位回归模型及其应用

本文考虑函数型数据的结构特征,针对两类函数型变量分位回归模型（函数型因变量对标量自变量和函数型因变量对函数型自变量）,基于函数型倾斜分位曲线的定义构建新型函数型倾斜分位回归模型。对于第二类模型,本文分别考虑样条基函数对模型系数展开和函数型主成分基函数对函数型自变量展开,得到倾斜分位回归模型的基本形式。参数估计采用成分梯度Boosting算法最小化加权非对称损失函数,提高计算效率。在理论上证明了倾斜分位回归模型的系数估计量均服从渐近正态分布。模拟和实证研究结果显示,倾斜分位回归模型比已有的逐点分位回归模型具有更好的拟合效果。根据积分均方预测误差准则,本文提出的模型有一致较好的预测能力。     

中国股指波动率的智能预测模型与实证检验

文章提出将改进型粒子群算法与最小二乘支持向量机(LSSVM)相结合的中国股指波动率智能预测方法,利用径向基核函数LSSVM对股指波动率进行建模及预测,并将自适应惯性权重粒子群算法(AIWPSO)和动态加速系数粒子群算法(DACPSO)分别实现径向基核函数LSSVM的参数优化,建立了两种股指波动率的智能预测模型.以日内价格极差作为波动率的代理变量,通过对上证综指和深证成指的实证研究检验了两模型的有效性.检验结果表明,AIWPSO算法优化的径向基核函数LSSVM作为中国股指波动率智能预测模型,具有更高的波动率预测精度和更快的建模速度.