短期利率跳跃-扩散模型的非参数门限估计

跳跃行为是短期利率动态过程的一个重要特征,跳跃-扩散模型能更好的描述短期利率行为。本文应用非参数门限估计对短期利率的跳跃-扩散模型进行了仿真实验和实证分析。仿真实验表明,门限估计能有效消除传统非参数估计对跳跃-扩散模型的估计偏差,估计参数具有无偏性。对上海银行间同业拆借利率(Shibor)的实证分析发现,门限估计有效探测到了短期Shibor的跳跃行为,且这种跳跃行为和宏微观的经济金融现象相一致。最后和扩散模型的实证比较得到,基于门限估计的跳跃-扩散模型对短期利率分布的偏度和峰度的拟合能力更优。     

高维时变协高阶矩建模及其投资组合应用——基于半参数分布因子模型

本研究提出了一种基于半参数分布时变因子模型的动态协高阶矩建模方法，给出了模型设定、模型估计和时变高阶矩的检验.通过因子模型有效缓解了动态协高阶矩估计存在的“维数灾难”问题，同时通过引入半参数分布增加了模型的稳健性.实证研究表明：相比于现有协高阶矩估计方法，基于因子模型的动态建模能够有效捕捉资产收益率协高阶矩的时变结构，同时更加契合金融资产收益率的潜在特征；动态投资组合能够应用于高维场景，并产生更高且更稳定的经济价值，稳健性分析进一步证实了这一点.     

支持向量回归方法的跳跃扩散汇率期权定价

本文构建一种新的汇率期权定价模型.采用基于统计学习理论通用学习方法支持向量回归技术,引入跳跃扩散模型捕获汇率市场动态过程的跳跃,以提高汇率期权价格预测效果.新模型采用模型参考结构,结合了参数方法与非参数方法各自的优势.SVR技术中用SV模型估计汇率市场的波动率,作为支持向量回归的输入值.实证表明新的汇率期权定价模型的预测效果明显好于传统汇率期权定价方法.     

人民币汇率的双成分混合波动率模型

汇率波动性预测在金融和计算领域一直受到广泛关注,然而由于缺乏可以捕捉汇率波动动态变化的预测模型,高频汇率的波动率预测至今没有得到彻底的研究.文章提出了基于神经网络的双成分混合汇率波动率模型,该模型利用低通Hodrick-Prescott滤波器将已实现波动率分解为长期分量和短期分量,使用自回归神经网络模拟长期分量,一阶自回归过程模拟短期分量,通过实证分析确定自回归神经网络参数(10个隐神经元和四阶滞后输入神经元),以6种主要高频率汇率(英镑/人民币,美元/人民币,澳元/人民币,欧元/人民币,日元/人民币,和瑞士法郎/人民币),在5 h(d)、20 h(d)、100 h(d)、200 h(d)、360 h(d)和500 h(d)的预测区间构建1 h和1 d已实现波动率,并与双成分GARCH模型、EGARCH模型、四阶滞后自回归神经网络模型3个基准模型进行对比,分析模型的预测性能,实验评估表明,提出的混合预测模型在所有预测的范围内均显著地优于传统人民币汇率波动模型.     

基于PMRS的期货加权油价多步预测方法

在模式识别系统(PMRS)的基础上,采用石油期货价格加权,提出了能够有效的预测短期石油现货价格的新方法.以自然预测模型(naive forecast moclel)和PMRS作为评价基准,对美国西德克萨斯轻质原油(WTI)、普通汽油(regular gasoline)和燃料油(heating oil)的现货价格和期货价格进行了实证研究.结果表明,提出的基于PMRS的期货加权油价多步预测方法具有更为优越的短期预报性能.     

基于改进均值回归的波罗的海原油运价指数模型研究

针对波罗的海原油运价指数波动机理，通过分析原油运价指数的均值回归特性，研究其波动趋势，运用单位根检验及方差比检验方法对原油运价指数的均值回归特性进行验证，从而对传统均值回归模型进行改进，给出参数的估计方式，对波罗的海原油运价指数进行分析预测并验证改进模型的拟合效果及预测精度。本文的特色与创新一是基于特性检验，建立"均值水平"随时间变动的均值回归方程，体现原油运价指数均值随时间变化的特征；二是基于柯尔莫哥洛夫前向方程得到基于改进均值回归模型的预测模型，确定预测值及置信区间，从而对原油运价指数样本路径进行拟合，并通过与传统预测模型的比较，表明改进预测模型的显著性。实证结果表明，原油运价指数具有显著的均值回归的特性，且改进后的均值回归方法平均预测相对误差达到0.1597，低于传统模型的平均预测相对误差0.1908。     

基于贝叶斯因子模型金融高频波动率预测研究

构建了包含时变系数和动态方差的贝叶斯HAR潜在因子模型(DMA(DMS)-FAHAR),并对我国金融期货(主要是股指期货和国债期货)的高频已实现波动率进行预测.通过构建贝叶斯动态潜在因子模型提取包含波动率变量、跳跃变量和考虑杠杆效应的符号跳跃变量等预测变量的重要信息.同时,在模型中加入了投机活动变量,以考察市场投机活动对中国金融期货市场波动率预测的影响.预测结果表明,时变贝叶斯潜在因子模型在所有参与比较的预测模型当中具有最优的短期、中期和长期预测效果.同时,具有时变参数和时变预测变量的贝叶斯HAR族模型在很大程度上提高了固定参数HAR族模型的预测能力.在股指期货和国债期货的预测模型中加入投机活动变量可以获得更好的预测效果.     

不同模型在财务预警实证中的比较研究

研究当前国内外公司财务困境预测问题的现状,寻找一套适合于我国企业的财务状况识别指标体系;然后依据该指标体系采用不同方法建立财务状况预测模型;最后,利用样本公司实际指标数据对各个模型的短期及中期预测效果进行了比较分析与实证研究。     

基于斯坦规则和误差校正的组合预测模型

研究了基于斯坦规则估计和误差校正机制的组合预测方法和模型设定 .应用表明 ,利用斯坦规则结合非样本信息可以改善组合预测性能 ,采用误差校正形式的组合预测模型较之其它形式的组合预测模型具有更高的外推预测精度 ,建议的误差校正形式具有更高的精度和更广的适用性     

基于ARIMA模型对上证指数的实证分析

运用时间序列分析方法,通过收集上证指数的历史数据,对数据进行平稳性检验,白噪声检验,建立ARIMA(p,d,q)模型,估计出模型的参数,并对上证指数的走势作了预测和拟合,预测结果比较理想,预测值接近真实值.对上证指数的短期预测有较好效果.     

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.     

多元GARCH 建模及其在中国股市分析中的应用

简要回顾了一元ARCH类模型的发展过程,介绍了多元GARCH类模型的四种形式.针对传统基于梯度信息的多元GARCH模型估计方法的不足,提出了基于遗传算法的似然估计方法,并利用中国股市数据进行了实证研究.结果说明中国股市存在着波动的持续性和显著的二元GARCH效应,并且沪、深股市不存在协同持续性.     

多元GARCH 建模及其在中国股市分析中的应用

简要回顾了一元ARCH 类模型的发展过程,介绍了多元GARCH 类模型的四种形式. 针对 传统基于梯度信息的多元GARCH 模型估计方法的不足,提出了基于遗传算法的似然估计方 法,并利用中国股市数据进行了实证研究. 结果说明中国股市存在着波动的持续性和显著的二 元GARCH 效应,并且沪、深股市不存在协同持续性.     

基于小波变换的长记忆随机波动模型估计方法研究

根据ARFIMA过程的小波分析结果,将小波引入到长记忆随机波动(Long Memory Stochastic Volatility)LMSV模型的估计中,提出了基于小波变换的LMSV模型的参数估计和潜在波动过程的估计方法.用不同参数值和样本容量的数据进行了模拟实验,又用该方法对上海和深圳证券交易所综合指数的收益序列拟合了LMSV模型,结果表明该方法是有效且可行的.     

基于向量GARCH模型的国际证券市场波动溢出研究

以向量GARCH模型为基础,研究了国际证券市场中上海A股市场、香港市场和美国市场的均值溢出效应和波动溢出效应,并且给出了中国证券市场发展的政策建议。研究结果表明,三个市场均不存在单向的均值溢出效应,上海A股市场和美国证券市场存在双向的波动溢出效应。上海A股市场和美国证券市场存在波动溢出效应,反映了中国资本市场和美国资本市场融合程度的加强。     

基于随机波动性模型的中国股市波动性估计

采用动态随机波动性模型实证研究了中国股票市场的波动性. 通过基于马尔可夫链蒙 特卡罗(MCMC) 模拟的贝叶斯分析方法,较好地估计了随机波动性模型中的参数与波动性序 列. 基于中国股市数据进行的实证结果表明,与ARCH 类模型相比,随机波动性模型能更好地 描述股票市场回报的异方差和波动性的序列相关性.     

基于Hawkes过程中美股市大幅波动互激效应的研究

近年来，由于中美经济联系日趋紧密，中美股票市场大幅波动的互激效应明显增强。本文考虑中美股市时差和法定节假日差异等因素，运用标值Hawkes过程对2006-2017年CSI300和S&P500大幅波动收益率数据进行建模，结果表明：（1）中美股市大幅波动互激效应存在不对称性，美股市场大幅波动对中国股市的互激效应更强；（2）中美股市大幅波动的幅度对互激效应不存在显著影响；（3）中美股票市场对于大幅波动互激效应的消化速度存在差异，中国股票市场消化美股大幅波动互激效应的速度较快。本研究对金融市场监管者和投资者均有一定意义。     

双因子非对称已实现SV模型及其实证研究

在基本的SV模型中引入包含丰富日内高频信息的已实现测度，同时考虑其偏差修正以及波动率非对称性与长记忆性，构建了双因子非对称已实现SV（2FARSV）模型.进一步基于连续粒子滤波算法，给出了2FARSV模型参数的极大似然估计方法.蒙特卡罗模拟实验表明，给出的估计方法是有效的.采用上证综合指数和深证成份指数日内高频数据计算已实现波动率（RV）和已实现极差波动率（RRV），对2FARSV模型进行了实证研究.结果表明：RV和RRV都是真实日度波动率的有偏估计（下偏），但RRV相比RV是更有效的波动率估计量；沪深股市具有强的波动率持续性以及显著的波动率非对称性（杠杆效应与规模效应）；2FARSV模型相比其它已实现波动率模型具有更好的数据拟合效果，该模型能够充分地捕获沪深股市波动率的动态特征（时变性、聚集性、非对称性与长记忆性）.     

基于四次幂差修正HAR模型的股指期货波动率预测

股指期货波动率建模与预测是揭示其波动运行规律和市场风险是重要途径。本文基于跳跃、好坏波动率与符号跳跃建立四组HAR模型，提出单级纠偏HARQ类模型和多级纠偏HARQF类模型，实证研究揭示股指期货波动运行规律，并采用MCS检验来评估模型优劣。HAR建模考察连续与跳跃波动、好与坏波动率的两种已实现波动分解。为了降低波动率估计偏差，基于最小化MSE准则确定最优抽样频率，利用已实现核修正的ADS检测法识别跳跃，采用已实现核估计修正好坏波动率与符号跳跃。基于沪深300股指期货的实证研究表明：连续波动比跳跃波动对未来已实现波动贡献更大；好坏波动率具有不对称波动冲击，而符号跳跃对未来波动具有负向冲击；好坏波动率分解优于连续与跳跃波动分解；中位数已实现四次幂差能够显著提升HAR类模型的样本内外预测能力；与样本内预测相反，样本外预测中单级纠偏HARQ类模型优于多级纠偏HARQF类模型；MCS检验得出HARQ-RV-SJ模型表现最佳。研究结论与启示对认识股指期货波动规律和市场风险具有意义。     

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.