基于MIDAS分位数回归的条件偏度组合投资决策

条件偏度是金融市场典型特征之一，忽略条件偏度的组合投资决策往往难以有效地分散金融风险。为此，本文构建了包含条件偏度的组合投资模型，并给出其建模方法。首先，运用MIDAS-QR模型，改善条件偏度测度效果；其次，基于CRRA效用函数，将组合投资权重设计为条件偏度和特征变量的线性组合，建立组合投资模型并给出求解方案；最后，从沪深300指数中选取10支代表性成分股进行实证研究，从收益、风险和Sharpe比率等方面，将包含条件偏度的组合投资模型与等权方案、均值-方差模型等进行比较，分析条件偏度在组合投资中的作用。实证结果表明：MIDAS-QR是测度条件偏度的有效方法，其测度结果受异常值影响小，表现稳定；条件偏度对组合投资决策具有显著影响，包含条件偏度的组合投资模型能够有效地降低投资风险、带来更高的风险调整收益。     

基于小波变换的金融市场持续性特征研究

一、引言 最近,建立在鞅理论基础上的有效市场假说(EMH,Fama 1970)受到了严重的挑战,因为该理论假定收益新息是平稳的和独立的.     

中国城乡居民食品消费行为的分位数回归分析

为揭示中国居民食品消费行为的异质性,文章建立了食品消费支出及其影响因素的分位数回归模型.在分位数回归模型基础上,不仅讨论了回归系数大小,而且对食品消费支出的条件密度进行预测,进而构造了一个反事实分布.通过回归系数大小与系数约束检验,认为不同消费层次的居民自发消费水平与边际消费倾向都不同,城乡居民食品消费行为存在显著差异.通过反事实分布,结果表明:如果农村居民拥有城镇居民收入,其食品消费支出水平有可能甚至比城镇居民还高,并且更为稳定.     

基于分位数Granger因果的网络情绪与股市收益关系研究

 行为金融学理论认为,股票市场的价格变动除受宏观基本因素影响外,还在很大程度上受众多个体投资者或噪音交易者行为左右。中国股票市场拥有庞大的个人投资者群体,且股民群体与网民群体之间具有高度耦合性,使用网络情绪等信息能够探索中国股市收益变动基本规律。        为揭示个体投资者行为对股市收益的影响,以个体投资者情绪为视角,以网络环境中个体投资者的情绪信息为切入点,检验投资者情绪与股市收益的关联关系,评估网络情绪信息价值。使用中文文本情感分析方法,从新浪微博文本中提取出网络情绪时间序列;分别运用均值Granger因果和分位数Granger因果检验方法,探讨网络情绪波动与股市收益之间是否存在因果关系;将股票市场发展阶段进行细致划分,研究不同市场阶段下网络情绪波动与股市收益之间的因果关系。        对沪深300指数收益进行实证研究,结果表明,尽管在均值框架下网络情绪波动与股市收益之间因果关系并不明显,但基于分位数Granger因果分析却发现两者在极端分位点区间处存在广泛且显著的因果关系。数据显示,在40个因果关系检验中,分位数Granger因果检验的因果关系发现了23个显著的因果关系,发现率为57.5%,远高于均值Granger因果检验的7.5%。此外,股市收益受到网络情绪波动影响的程度和方式在不同市场阶段下有所不同。        研究结果具有一定的理论意义和应用价值。在一些特定分位点区间网络情绪波动对股市收益存在显著因果关系影响,这为在特定条件下股市收益的可预测性提供了佐证。网络情绪能够预测股市收益的尾部(上尾或下尾)行为特征,可以为金融风险防范提供决策参考。研究结果为股票市场的定价、收益预测和波动率估计等相关研究提供了新的研究思路,也为网络情绪信息使用提供了新的方向。     

金融市场条件高阶矩风险与动态组合投资

针对传统组合投资理论没有考虑高阶矩风险和静态处理问题两大缺陷,提出多元GARCHSK模型用于衡量时变的高阶矩风险,基于效用函数的Taylor展开推导出带有高阶矩风险的动态组合投资策略,并利用遗传算法进行求解。实证研究表明,中国股市不仅存在高阶矩风险,而且风险具有时变特征;为防范高阶矩风险,投资者需要动态地修正他的资产配置权重。     

基于非线性分位数回归模型的多期VaR风险测度

多期VaR主要受到持有期及波动率两个变量的影响,并且其影响模式(线性或非线性)的确定对于准确地进行VaR风险测度至关重要。非线性分位数回归模型,能够克服线性分位数回归模型只能揭示多期VaR及其影响因素之间线性依赖关系的局限,从而提高多期VaR风险测度的准确性。结合波动模型与两个非线性分位数回归方法:QRNN和SVQR,给出了多期VaR风险测度的三类方案:波动模型法、QRNN+波动模型法、SVQR+波动模型法。选取3个股票价格指数作为研究对象,考虑了6种不同形式的波动模型,得到了18个多期VaR风险测度方法进行实证比较,结果表明:波动模型选择影响到多期VaR风险测度效果;SVQR+波动模型法略优于QRNN+波动模型法,并且两者显著优于波动模型法。