基于GED—GARCH模型的中国原油价格波动特征研究

本文采用中国大庆原油价格日平均交易数据,建立了基于GED分布的GARCH(1,1)、GARCH-M(1,1)和TGARCH(1,1)三个模型,描述了中国原油价格与国际接轨以来的波动特征。实证结果表明,与国际油价类似,中国原油价格的波动也存在显著的GARCH效应,但其波动冲击的半衰期要比国际油价短,为5天。而且,中国原油收益率受到预期风险的负向影响,表明中国原油市场并非完全市场化运作,当然这种负向影响程度较小,约为8%。另外,中国原油价格的波动存在显著的杠杆效应,相同幅度的油价下跌比油价上涨对未来油价的波动具有更大的影响,前者是后者的1.7倍左右。最后,基于GED分布的GARCH模型比基于正态分布的GARCH模型能够更好地描述中国原油价格的波动特征,并且具有较好的预测能力。     

NGARCH模型在证券投资风险分析中的应用

应用NGARCH模型在三种分布假设下对上证综合指数进行了V aR风险值估计,并且与GARCH模型和APARCH模型估计结果作比较,通过返回检验,发现NGARCH模型应用于V aR估计是统计有效的,且优于GARCH和APARCH模型.     

基于非参数GARCH模型的中国股市波动性预测

本文采用上证综合指数和深证成份指数1997年1月2日—2005年6月30日的每日收盘价对数百分收益率为样本,运用非参数GARCH(1,1)模型研究了中国股票市场的波动性,并与参数GARCH(1,1)模型的估计结果进行了比较,最后利用六种预测误差度量指标比较了这两种模型的样本内及样本外预测能力,结果发现,非参数GARCH(1,1)模型对股市波动性的预测精度有明显提高。     

带厚尾噪声的TGARCH模型的估计及检验:一个统一的框架

本文基于伪最大似然方法和t-标准化二次抽样(percentile-t subsample)bootstrap方法,研究了厚尾TGARCH(1,1)(threshold generalized autoregressive conditional heteroskedasticity(1,1))模型的估计和检验问题.此处,厚尾的含义是,TGARCH(1,1)模型噪声平方的分布位于指数为κ∈(1,2)的稳定分布的吸引场,即噪声不存在4阶矩.本文首先证明了,无论厚尾TGARCH(1,1)模型平稳与否,在一定正则性条件下,其ARCH(autoregressive conditional heteroskedasticity)和GARCH(generalized autoregressive conditional heteroskedasticity)系数的伪最大似然估计(QMLE)均具有相合性,其渐近分布位于指数为κ∈(1,2)的稳定分布的吸引场.然而,该模型位置参数的QMLE只有在平稳情形下才具有相合性.其次,基于上述渐近结果,本文结合t-标准化二次抽样bootstrap方法,给出了检验厚尾TGARCH(1,1)模型严平稳性和对称性的方法,克服了因QMLE的收敛速度和渐近分布依赖于未知尾指数而无法进行统计推断的困难,且该方法无论模型平稳与否均适用.最后,通过Monte Carlo随机试验考察了估计和检验方法的有限样本表现,并且基于本文的估计及检验方法对中国5年期国债期货收益率进行了实证分析.     

GARCH(1,1)模型及其在汇率条件波动预测中的应用

检验人民币/日元汇率与波动的时间序列特征,证实存在简单单位根过程及条件异方差性。计算表明,其汇率变化率的ARMA及ARMA/GARCH组合模型的建模不成立,GARCH、EGARCH、IGARCH模型的建模效果接近,且GARCH(1,1)拟合效果最好。GARCH(1,1)模型的跨度为一年的样本外条件异方差预测,显示出该年末汇率的震荡,与实际情况一致。GARCH(1,1)是汇率数据建娱的首选模型。     

ARCH类模型研究及其在沪市A股中的应用

本文主要介绍ARCH(AutoregressiveConditionalHeteroskedasticity)模型、GARCH模型和E GARCH模型 ,分析这些模型的特点和适用范围 ,并在模型中引入t分布取代正态分布假设 ,最后利用这些模型对上证指数进行了实证分析。     

基于参数模型的EVaR风险度量计算方法及实证研究

针对EVaR(Expectile-based Value at Risk)风险度量提出了基于GARCH类和SV波动率模型的EVaR风险度量计算方法,即EVaR计算的参数模型方法.并基于模拟学生t分布时间序列数据,给出EVaR样本外预测的失败率检验方法:Kupiec失败率检验和动态分位数(DQ)检验法.与采用CARE(Conditional Autoregressive Expectile)模型的EVaR计算方法进行了对比研究,结果表明基于GARCH类模型和SV模型相对于基于CARE模型有更优的EVaR预测效果.选取2004年1月5日到2009年12月30日的国内外五个股票市场指数数据,针对日对数收益率进行了EVaR风险度量的实证研究,得出在金融危机期间,基于参数模型的EVaR预测要比基于CARE模型的EVaR预测更接近市场实际风险.     

沪深300仿真股指期货价格不对称跳跃波动的实证分析

本研究利用2006年10月30日至2009年3月13日期间的仿真的沪深300指数期货每日结算价,探讨了期货价格的不对称跳跃波动行为。在实证研究方法上,本文以Chan和Maheu的GARCH(1,1)-ARJI模型为基础并进行了扩展,以EGARCH(1,1)-CJI和EGARCH(1,1)-ARJI两种模型来刻画股指期货价格的不对称和跳跃波动行为。实证结果显示:(1)沪深300仿真股指期货价格存在不对称跳跃波动,而且跳跃强度不为一固定常数,异常信息所产生的跳跃强度是随着时间变动的。(2)经过似然比检验,结果显示EGARCH(1,1)-ARJI模型比EGARCH(1,1)-CJI模型具有更好的拟合能力。     

基于RCMRS的套期保值时变模型及实证研究

采用随机系数马尔科夫体制转换(RCMRS)模型对中国铜期货市场套期保值比进行估计.RCMRS模型跳出GARCH类模型基于新息描述的研究框架,视最优套期保值比为随机系数,直接估计出依赖于市场体制状态的时变套期保值比.市场体制状态在模型中被视为潜在变量,和其它参数一起通过最大化似然函数估计出来.由于考虑了不同市场体制状态对套期保值比的影响,RCMRS模型估计的最小方差套期保值比波动范围要小于GARCH类模型估计结果的波动范围.均值—方差效用函数不仅反映了风险,还同时反映了收益率及风险厌恶程度.在采用方差下降百分比测度套期保值效率的同时,另外采用均值—方差效用最大化原则对RCMRS模型与GARCH、VECM、VAR及OLS模型的套期保值表现进行了样本内和样本外比较.样本内比较支持RCMRS模型,而样本外比较则不利于RCMRS模型.     

基于GARCH族类模型的开放式基金收益率风险分析

基于中国上证50ETF的单位净值,实证分析了国内开放式基金的风险,并在此基础上研究了分位数回归改良情况.选取GARCH族类模型中的GARCH,TARCH和EGARCH,在95%和99%置信水平下计算VaR值,失败率检验结果表明:三种模型在同一置信水平和分布下估计结果差不多,t分布高估风险,而正态分布在99%置信水平下低估风险,GED是最理想的分布.将分位数0.01和0.05回归前后的VaR值作分析比较,发现0.01分位数回归后对风险的估计过于保守不可信,而0.05分位数回归则可以有效改善t分布高估VaR值现象.最后,提出了完善基金市场风险管理的政策建议.     

国际铜期货市场整合：沪铜国际影响凸显

本文运用含协整残差的双变量EGARCH模型,研究上海SHFE和伦敦LME铜期货市场的动态整合关系.统计结果显示两个市场的收益及其风险存在对称的溢出效应,全球铜市供求因素驱动最新收益和风险信息在两者之间传递。沪铜期货有突出的国际定价影响.在全球24小时交易中,LME和SHFE交替成为国际铜价的主要信息来源.SHFE和LME市场的收益变化均以对方市场的影响为主;市场风险则以本市场的影响为主.影响两个市场动态整合度的因素有滞后一期的市场风险、沪铜成交量、伦铜的超额收益等。     

SHFE与LME期铜价格关系实证研究

本文介绍了Granger引导关系模型,并利用这个模型对伦敦金属交易所(LME)三个月期铜和上海期货交易所(SHFE)五个月期铜进行了价格引导关系检验。检验结果显示,伦敦金属交易所三个月期铜价格滞后引导上海期货交易所五个月期铜价格,但是上海期货交易所对伦敦金属交易所的期铜价格不具有滞后价格引导关系。     

Volatility forecasting via SVR–GARCH with mixture of Gaussian kernels

The support vector regression (SVR) is a supervised machine learning technique that has been successfully employed to forecast financial volatility. As the SVR is a kernel-based technique, the choice of the kernel has a great impact on its forecasting accuracy. Empirical results show that SVRs with hybrid kernels tend to beat single-kernel models in terms of forecasting accuracy. Nevertheless, no application of hybrid kernel SVR to financial volatility forecasting has been performed in previous researches. Given that the empirical evidence shows that the stock market oscillates between several possible regimes, in which the overall distribution of returns it is a mixture of normals, we attempt to find the optimal number of mixture of Gaussian kernels that improve the one-period-ahead volatility forecasting of SVR based on GARCH(1,1). The forecast performance of a mixture of one, two, three and four Gaussian kernels are evaluated on the daily returns of Nikkei and Ibovespa indexes and compared with SVR–GARCH with Morlet wavelet kernel, standard GARCH, Glosten–Jagannathan–Runkle (GJR) and nonlinear EGARCH models with normal, student-t, skew-student-t and generalized error distribution (GED) innovations by using mean absolute error (MAE), root mean squared error (RMSE) and robust Diebold–Mariano test. The results of the out-of-sample forecasts suggest that the SVR–GARCH with a mixture of Gaussian kernels can improve the volatility forecasts and capture the regime-switching behavior.     

Modeling carbon spot and futures price returns with GARCH and Markov switching GARCH models

This paper makes use of spot and futures market data to carry out a thorough analysis of the dynamics of carbon price returns in the European Union Emission Trading Scheme for the whole first commitment period from 2008 to 2012. Understanding the properties of carbon price returns is especially crucial for industries which have to comply with an emission trading system and other market participants such as risk managers and speculators. We therefore seek to develop accurate models which capture the behavior of carbon price returns comprehensively. We apply a broad spectrum of GARCH model specifications, using different distributions for model innovations. As both time series, spot and futures price returns, exhibit asymmetric behavior in their variance, we additionally take Markov regime switching models for the variance equation into consideration. Empirical results demonstrate that AGARCH, NARCH and GJR fit the data best. We further show that, in the error term of any model, fat-tailed distributions—in particular the generalized error distribution—significantly improve the fit. Additionally, as futures returns seem to carry informational content concerning subsequent spot returns, we propose a sound, yet parsimonious, spot returns model, well-suited to capturing the dynamics. Finally, the most appropriate models for spot and futures price returns are tested in an out-of-sample environment, and further checked for robustness in data subsets. Subsequently a model for each market is proposed.     

沪铜期货及其期权的量化定价实证研究

作为最大的铜消费市场,铜在我国占据着最重要地位。随着2018年9月沪铜期货期权正式登陆上海期货交易所,我国铜交易产品进一步与国际接轨。虽然拥有世界领先的铜交易市场,但我国学术领域尚缺乏采用量化方法对沪铜期货及其期权的深入实证研究。在大宗商品量化领域,Schwartz二因子模型^[1]被看作是量化期货定价的基准模型,本文通过实证分析发现经典二因子模型在中国市场应用时会产生“水土不服”,因此本文采用波动参数的思想,修正了Schwartz二因子模型在中国沪铜市场的“水土不服”。另外,根据早期文献对认购期货期权的量化定价模型^[2,3],本文明确了认沽期货期权的量化定价公式,并通过对沪铜期货期权定价模型的实证分析,发现目前沪铜期货期权存在套利空间。     

Statistical modelling of asymmetric risk in asset returns

The purpose of this article is to provide a straightforward model for asset returns which captures the fundamental asymmetry in upward versus downward returns. We model this feature by using scale gamma distributions for the conditional distributions of positive and negative returns. By allowing the parameters for positive returns to differ from parameters for negative returns we can test the hypothesis of symmetry. Some applications of this process to expected utility and semi-variance calculations are considered. Finally we estimate the model using daily UK FT100 index and Futures data.     

GARCH模型对上海股市的一个实证研究

GARCH模型是近20年发展起来的时间序列模型，它反映了经济变量之间特殊的不确定形式：方差随时间变化而变化，所以其在金融市场的预测与决策方面有着重要的作用。本文详细介绍了GARCH模型以及其主要变形，并建立了基于t分布和正态分布假设的GARCH（1，1）模型对股票市场进行了风险分析。结果表明，基于t分布的假设能更准确地拟和GARCH（1，1）模型。     

上交所国债市场波动性研究

本文基于2003～2007五年间上证国债指数数据,选择建立了AR(2)-GARCH(1,1)、AR(2) -EGARCH(1,1)、AR(2)-CARCH(1,1)。(γ1,γ2)和GARCH(1,1).(m,n)-M四个模型,从不同的视角分析了我国上交所国债市场的波动性状况。实证结果表明,模型中引入利率调整因子γ1、准备金率调整因子γ2及流动性因子m和n作为外生解释变量,能够较好地刻画我国货币政策对国债市场波动的冲击、市场流动性对国债收益率波动的影响及国债收益率波动与收益率的关系。本文的研究结果对完善我国国债市场管理,促进市场发展有一定的指导意义。