深沪股市收益序列伪长记忆性分析

针对股市时间序列长记忆性的研究方法差异导致结论不同的问题,采用逐步分析的方法研究,结果表明:用经典方法分析股市收益时间序列所发现的长记忆性在控制条件异方差后减弱;用马尔可夫转换模型控制短期依赖和结构性变化后,长记忆性基本消失.说明众多学者对股市收益序列研究所得出的长记忆性,主要是由收益时间序列的短期相关和结构变化引起的,因此,对我国深沪股市而言,股市波动性对股市长记忆性具有一定影响,而结构性变化对股市收益变化的影响更为重要.     

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.     

中国股市收益率长记忆性R／S非线性分析

针对中国股市收益率序列中的长记忆性问题,采用R/S非线性估计方法和ARFIMA模型进行了实证研究.结果表明:中国股市收益率普遍存在长记忆性,只有个别股票不存在长记忆性,而且深市比沪市具有更强的长记忆性.     

股票市场历史信息的长记忆性特征研究

回顾历史是为了预测未来,历史能够蕴含事物发展的脉络和内在规律。那么投资者能否通过对股市历史的分析来制定投资决策以及预测未来走势?文章选择中国沪深两市指数、亚洲有代表性的日经225指数以及在世界金融市场有重要影响的标准普尔500指数为研究对象,运用动态估计方法,对股市长记忆性的时变特征进行分析,探讨股票市场历史信息的可鉴性;除采用修正R/S方法、LW估计外,又加入较为新颖的ELW和FLW两种方法作为对比。实证结果表明,虽然几种方法得出的时变长记忆参数并非完全相同,但是有关股市长记忆性的结论基本一致;股市收益序列在整个样本区间并未表现出显著的长记忆性,但在极端事件发生时,收益序列会表现出显著的相关性,体现了股市长记忆性的时变特征,此时可以通过对历史数据信息的分析,达到规避极端风险的目的。     

长记忆性、结构突变条件下中国股市波动率的高频预测

本文在考察上证综指和深证成指日已实现波动率的长记忆性特征和结构突变的基础上构建了已实现波动率自回归结构突变模型,并用于进行预测.预测结果表明,在未来结构突变已知情形下,自回归结构突变模型的预测效果比其他预测模型要好,在未来结构突变未知情形下,该模型的预测效果比ABDL模型稍微差,而ABDL模型在两种情形下都是比较稳健的预测模型.     

中国股市波动性与成交量共同的长期记忆性研究

研究了上证30指数和深圳成分指数所含个股的成交量与收益波动性的长程相关关系.文章应用多变量频域两步半参数估计方法,辅助数据加窗技术对非平稳时间序列的长期记忆性进行了一致有效的估计.研究结果发现中国股票市场的成交量和波动性均具有显著的长期记忆性,并且对于大多数股票而言,成交量序列与波动性序列具有相同的长期记忆性.表明同时驱动成交量和收益波动性的潜在信息流本身具有长期记忆特征.     

股价波动的长记忆性与横截面股票收益——基于中国市场的实证研究

本文基于GPH估计法,对我国股票市场个股的长记忆性进行滚动估计,得到时变的长记忆性指标,并在此基础上从横截面的视角,对股价波动的长记忆性与股票预期收益率之间的关系进行了深入细致的研究。实证结果表明：中国证券市场上绝大部分的股票都具有显著的股价波动长记忆性特征。无论在组合还是在个股层面,股价波动的长记忆程度与其未来的超额收益之间均存在显著的负相关关系。即便控制了公司的特征变量后,这一负相关关系依然显著存在。进一步考虑了不同的市场状态、不同的持有期,以及不同的长记忆估计方法后,长记忆指标的风险溢酬始终显著为负,说明长记忆指标中确实包含公司特征因素之外的重要定价信息。     

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.     

基于订单持续期的投资者订单提交策略研究

运用ACD模型,采用2003年12月深成指43只成份股共计1 825 415条的逐笔委托记录,通过对订单持续期的实证检验分析了中国证券市场投资者的订单提交策略,研究发现:1)价差假说、深度假说、波动性假说、交易强度假说、信息透明度假说和订单积极性假说被证实,说明市场微观特性、市场状况、信息和订单提交者成交愿望等都影响投资者的订单提交策略;2)涨跌假说得到支持,说明股票价格涨跌影响该股票的订单持续期;撤单是机构投资者制定订单提交策略的重要手段.     

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.     

股市波动长记忆性聚合效应的半参数检验

本文基于半参数估计方法,从两个方面研究了股市波动长记忆性的聚合问题:一方面,首先将股指收益序列转换为波动序列,再考虑波动序列聚合后的长记忆性;另一方面,首先对股指收益序列进行聚合,再考虑聚合序列波动的长记忆性。前者考察的是波动序列中长记忆参数的聚合性,后者考察的是数据频率对波动长记忆参数的影响。从我国股市实际出发,并综合两个方面考虑,实证了股市波动长记忆性聚合不变效应的存在,同时也说明了半参数方法的良好效果。     

Adapting to Unknown Disturbance Autocorrelation in Regression with Long Memory

We show that it is possible to adapt to nonparametric disturbance autocorrelation in time series regression in the presence of long memory in both regressors and disturbances by using a smoothed nonparametric spectrum estimate in frequency–domain generalized least squares. When the collective memory in regressors and disturbances is sufficiently strong, ordinary least squares is not only asymptotically inefficient but asymptotically non–normal and has a slow rate of convergence, whereas generalized least squares is asymptotically normal and Gauss–Markov efficient with standard convergence rate. Despite the anomalous behavior of nonparametric spectrum estimates near a spectral pole, we are able to justify a standard construction of frequency–domain generalized least squares, earlier considered in case of short memory disturbances. A small Monte Carlo study of finite sample performance is included.     

国际股票市场收益的长记忆性比较研究

股票市场收益的长记忆性研究对于有效市场假说的检验有着特别重要的意义。常用的长记忆性研究方法有经典R/S分析、修正R/S分析和对数周期图法等,Giraitis于2003年提出了一种新的更为稳健的V/S分析方法。本文运用修正R/S分析和V/S分析两种方法对世界上31个国家或地区的股票指数进行长记忆性比较研究。结果表明,以美国为代表的大多数发达国家股市一般不存在长记忆性,而如中国等发展中国家大多存在显著的长记忆性,尤其中国股市的长记忆性最强。但是也有例外,如德国等一些欧洲国家股市也有长记忆性,巴西等南美洲国家无长记忆性。同时,V/S分析比修正R/S分析更稳健有效。     

基于非对称结构与长记忆的股票市场风险测度研究

针对金融市场条件收益存在的有偏胖尾分布与非对称波动性特征以及长记忆特征等典型事实特征,运用ARFIMA-FIGARCH-SKST模型等来测度股市动态风险,并通过规范的返回测试检验中的LRT和DQR方法实证考察了测度模型的可靠性。得到了一些非常有价值的实证结果:有无长记忆约束的非对称结构风险模型在中国大陆沪深股市动态风险测度能力上并无实质性差异;ARFIMA-FIAPARCH-SKST模型能够准确测度股市的动态风险;股票市场极端风险的测度尤其不能放弃非对称结构的这一约束条件。     

双长记忆GARCH族模型的预测能力比较研究——基于沪深股市数据的实证分析

GARCH族模型在金融风险的度量中有着广泛的应用。在考虑股市收益率和波动率序列双长记忆性的基础上,基于上证综合指数和深圳成份指数的日收盘价序列,从证券投资风险量化的角度,引入受险值VaR和相对正确符号指标PCS作为模型预测误差衡量指标,比较分析了双长记忆GARCH族模型在不同分布假设情况下的的拟合与预测精度。结果显示:偏t分布能较好描述沪深股市的厚尾特征;在较小的VaR水平下ARFIMA(2,d₁,0)-FIAPARCH(1,d₂,1)-skt模型对股市波动风险具有较强的预测能力,而ARFIMA(2,d₁,0)-HYGARCH(1,d₂,1)-skt对股市的涨跌趋势具有较强的预测能力。     

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。