基于前瞻信息的广义风险与收益率预测

当预期资产价格可能会下跌时,投资者可以交易期权来对冲风险,因此期权价格中隐含未来市场风险的前瞻信息,理论上基于这部分信息预测未来可提高预测的准确性和前瞻性.本文综合运用有限差分、约束最小二乘和广义极值分布等技术构建一种非参数方法,提取我国上证50ETF期权中隐含的前瞻性分布信息,以测算我国股票市场的广义风险.实证结果发现：隐含广义风险指标对未来风险调整收益具有显著预测能力,在其它预测因子基础上加入该指标可以显著改进风险调整收益的样本外预测精度;隐含广义风险指标还能反映收益率的高阶矩和尾部信息,进而能预测未来收益率发生下跳风险的概率.以上结论在控制一系列其它风险因子及不同样本区间和不同预测窗口下是稳健的,说明基于前瞻信息的广义风险指标含有其它风险因子所不具备的额外预测信息.本研究为投资者和监管部门防范化解金融市场风险提供新的前瞻性管理工具和手段.     

基于UPM-LPM的增强指数投资策略

增强指数投资策略的理念是基于部分成份股构建指数跟踪组合,以期在跟踪指数趋势的同时,获取超出指数平均收益的超额收益。本文将指数收益率作为目标收益,拓展经典下偏矩（Lower Partial Moment,LPM）的概念,使其适应于增强指数投资策略建模,同时给出上偏矩（Upper Partial Moment,UPM）的定义,进而构建基于UPM-LPM之比的增强指数模型。为解决模型的求解复杂性和高维投资组合的"维数灾难"问题,本文运用非参数核估计方法直接得到跟踪组合的密度函数,进而得到跟踪组合的LPM和UPM的解析表达式,避免对组合中各资产之间的高维联合分布进行估计,大幅度降低了估计的维度,克服"维数灾难"问题。而且LPM和UPM的核估计量是组合头寸的光滑函数,具有任意阶导数,便于优化问题求解。最后,本文运用沪深股票市场上五个常用指数及其成份股数据,检验模型在实际金融市场中的表现,结果表明：本文提出的增强指数模型能够战胜指数,同时实现跟踪指数趋势并获取稳健超额收益的目标。     

非对称Laplace分布下的均值-VaR模型

非对称Laplace分布可以描述分布的尖峰厚尾和有偏特征,被许多学者用来拟合金融资产的历史收益率数据,进而测算金融资产的尾部风险,然而非对称Laplace分布下的投资组合研究尚不成熟。因此本文在非对称Laplace分布设定下给出VaR的解析表达式,并建立均值-VaR模型研究投资组合选择问题。在理论上我们证明该模型是凸优化问题,可以转化为二次规划问题进行求解,从而可得到模型全局最优的解析解。进一步地,我们分别得到存在无风险资产和不存在无风险资产时投资组合前沿的解析式。最后基于上证50指数及其成份股的历史数据进行实证分析,研究结果表明本文构建的模型在实践中的投资表现良好。