基于EVT-POT-FIGARCH的动态VaR风险测度

金融实践中,金融资产回报不仅具有厚尾性、波动的异方差性两大特点,而且其波动表现出明显的长期记忆性。本文利用FIGARCH模型处理波动异方差性和长期记忆性、EVT-POT方法捕捉回报分布厚尾的优势,提出了能反映厚尾性、异方差性和长期记忆性的金融风险度量模型——基于EVT-POT-FIGARCH的动态VaR模型,并用中国股票市场的沪深300指数和上证综合指数的每日收盘价进行实证分析。结果表明,模型能较好地处理这两个指数回报序列的三大特点,更准确地度量其VaR风险。     

引入持仓量的沪铜指数长记忆波动性研究

通过协整关系检验、误差修正模型、向量自回归模型、格兰杰因果关系检验、脉冲响应函数证明了在建立模型时引入持仓量序列的必要性。运用修正R/S分析,建立了沪铜指数收益率波动的ARFIMA、FI-GARCH、ARFIMA-FIGARCH模型,并运用此种模型对沪铜指数的收益率序列rt、收益率波动序列｜rt｜及残差序列｜εt｜进行相关研究和分析,结果表明：ARFIMA（0,d1,0）-FIGARCH（1,d2,1）模型的预测效果比较好。     

Fractionally integrated GARCH model with tempered stable distribution: a simulation study

With the growing availability of high-frequency data, long memory has become a popular topic in finance research. Fractionally Integrated GARCH (FIGARCH) model is a standard approach to study the long memory of financial volatility. The original specification of FIGARCH model is developed using Normal distribution, which cannot accommodate fat-tailed properties commonly existing in financial time series. Traditionally, the Student-t distribution and General Error Distribution (GED) are used instead to solve that problem. However, a recent study points out that the Student-t lacks stability. Instead, the Stable distribution is introduced. The issue of this distribution is that its second moment does not exist. To overcome this new problem, the tempered stable distribution, which retains most attractive characteristics of the Stable distribution and has defined moments, is a natural candidate. In this paper, we describe the estimation procedure of the FIGARCH model with tempered stable distribution and conduct a series of simulation studies to demonstrate that it consistently outperforms FIGARCH models with the Normal, Student-t and GED distributions. An empirical evidence of the S&P 500 hourly return is also provided with robust results. Therefore, we argue that the tempered stable distribution could be a widely useful tool for modelling the high-frequency financial volatility in general contexts with a FIGARCH-type specification.     

石油期货价格的收益率及波动率的长记忆性研究

金融市场的长记忆性问题研究一直吸引着众多研究者的目光,但是期货作为一种金融衍生工具,其长记忆性的研究相对于股票来说却很少。国内外大多数的研究都是针对股票市场,运用的主要方法是R/S分析,修正的R/S分析法,GPH分析法等,大部分都是用ARFIMA模型对长记忆时间序列进行分析。本文介绍了时间序列的一些模型,介绍了单位根检验方法,采用样本自相关函数法,传统的R/S分析法,GPH分析法,运用MATLAB,EVIEWS,Oxmetirc4环境下的G@ARCH42软件包等编程,检验了美国原油期货(NYMEX)市场样本数据的长期记忆性,并得出如下结论:石油期货收益率序列的长记忆性不明显,而波动率的替代指标绝对收益率序列呈现较强的长期记忆性。同时本文通过比较描述收益率序列以及绝对收益率序列模型的优劣性,发现收益率序列可用GARCH(1,1)模型来描述,而FIGARCH(1,d,1)模型相对GARCH(1,1)模型来说,能更好的描述波动率的替代指标——绝对收益率序列。     

投资组合风险测度——基于FIGARCH-EVT-Copula方法

金融资产收益率不仅具有尖峰厚尾性、异方差性,还具有长记性。基于此,将FIGARCH、EVT和Copula有机融合,建立FIGARCH-EVT-Copula模型来估计组合风险值,利用上证指数、深成指数组合进行实证研究。实证研究表明:我国股市波动确实具有长记忆性;FIGARCH-EVT-Copula模型不仅能够准确刻画边缘分布的尖峰厚尾性、异方差性和长记忆性,而且较之于传统模型,该模型能更准确地测度投资组合风险。     

基于MODWT的FIGARCH模型波动的持续性与相关性

基于FIGARCH模型与最大重复离散小波变换的小波多分辨分析,提出了不同尺度下的FIGARCH模型,并以此来讨论金融波动序列在不同尺度下的持续性问题;利用可描述两列波动序列的整体相关特性的交叉互相关函数,提出了可以描述两列波动序列在不同尺度、不同滞后期下小波交叉互相关函数的定义,并进行了实证分析。     

基于EVT-BM-FIGARCH的动态VaR风险测度

对金融资产回报,用FIGARCH模型捕捉波动的异方差性和长期记忆性的同时,将回报序列转化为标准残差序列、通过用EVT-BM方法拟合标准残差的尾部分布来处理回报序列的厚尾性,建立了金融风险度量模型--基于EVT-BM-FIGARCH的动态VaR模型。并用该模型对上证综合指数进行实证分析,结果表明模型能够更精确、合理地度量上证综合指数回报的VaR风险。     

基于FIGARCH模型的股指波动性估计与预测研究

首先引入了FIGARCH模型,并讨论了具有不同分布特征FIGARCH模型参数估计方法。采用沪、深两市的指数数据考察了考虑长期记忆的FIGARCH模型、不考虑长期记忆的GARCH模型和IGARCH模型对市场波动性的拟合效果和预测能力。实证结果表明非对称的t分布和广义误差分布的分布函数更适合我国股市波动特征的描述,FIGARCH模型在拟合效果和预测能力方面都要优于其他两个模型。     

我国期货市场波动率长记忆性的实证研究

通过利用FIEGARCH模型和FIGARCH模型实证分析了上交所的铝、铜、燃料油和天胶四种期货品种波动率的长记忆性和杠杆效应。结论显示,所有期货品种的价格波动率均存在显著的长期记忆性,沪铜期货的价格波动率不存在非对称性,其余三个期货品种均存在对正负干扰反应的非对称性,即价格对同等程度的利好消息反应更为强烈,因此FIEGARCH模型比FIGARCH模型具有更好的模拟效果。