人工智能定价对消费者价格公平感知的影响

在GARCH模型框架下,提出过新的双曲GARCH形式(记为HGARCH),不仅与HY-GARCH模型一样可以同时刻画波动的强烈振幅和长记忆衰减两个性质,并且较之HY-GARCH模型,有更简单的条件方差非负约束条件.然而,当时间序列较长时,用单一参数结构不能充分捕捉可能发生的结构变化.为此,提出新的动态混合HGARCH模型(DM-HGARCH),使之可以同时拥有协方差平稳、长记忆和结构变化3个特性.讨论了新模型的弱平稳解存在条件,利用EM算法进行参数估计,并且用蒙特卡罗模拟给出估计在有限样本下的表现.最后将该模型分别用于1995年~2014年中国上证指数和美国标普500指数的日波动率建模.结果表明,在给定样本期间内,动态混合HGARCH模型(DM-HGARCH)对标普500指数有更好的样本内拟合和样本外预测表现.     

基于马尔可夫状态转换模型的沪深股市波动率的估计

为了更准确地估计具有结构转换的沪深股市收益率波动特征,本文将沪深股市的波动变化分为上涨、下跌和盘整三个状态,选用2000年1月4日至2011年12月30日的上证综指和深证成指日收益率数据作为样本,2012年1月4日至2012年1月17日的日收益率作为样本外预测,分别应用GARCH和APGARCH模型,以及RS-GARCH和RS-APGARCH模型估计和预测两序列的波动率,最后采用MSE₁、MSE₂和QLIKE对估计和预测出的波动率进行评价。结果表明:单一状态和三种状态下APGARCH模型均比GARCH模型估计和预测的波动率更准确;更进一步带有马尔可夫状态转换的模型估计和预测出的波动率更准确,且误差分布服从正态分布的模型估计和预测的波动率拟合结果优于误差服从t分布的模型。     

中国股票市场的最优波动率预测模型研究——基于沪深300指数高频数据的实证分析

以沪深300指数的高频数据为例,采用滚动时间窗的样本外预测以及SPA检验法,对比了基于日收益数据的历史波动率模型和基于高频数据的实现波动率模型的预测能力.主要实证结果显示,实现波动率模型以及加入附加解释变量的扩展随机波动模型是预测精度最高的波动模型,但在学术界和实务界流行的GARCH及其扩展模型对我国A股市场波动的预测能力较差.     

投资者关注能提高市场波动率预测精度吗？——基于中国股票市场高频数据的实证研究

本文选取百度网络搜索数据，构建了新的投资者关注指标；以上证指数和深证成指高频数据为研究样本，研究了不同的投资者关注水平与市场波动率之间的领先滞后关系；之后，本文将投资者关注因子纳入到ARMA类和HAR类模型，建立了新的投资者关注波动率预测模型；通过与传统模型的样本外预测比较，重点研究了投资者关注能否提高市场波动率预测精度这一问题。本文实证结果表明，投资者关注不仅可以提高现有波动率预测模型的样本内拟合能力，而且在投资者高关注时期，投资者关注可以显著且稳健的提高波动模型的样本外预测能力。这说明，投资者关注具有对股票市场的解释能力及更强的预测能力。此外，本文的研究结论还具有一定的应用价值：对个人和机构投资者来说，可以"先人一步"的把握市场发展趋势，增加获利机会；对监管部门而言，可以强化市场监管绩效，加快形成完备有效的股票交易市场。     

考虑跳跃和隔夜波动的中国股票市场波动率建模与预测

本文用已实现波动率（Realized Volatility, RV）度量上证综指和深证成指在交易时间内的波动率,并将其分解为连续路径变差部分和由跳跃引起的非连续部分。这两部分与隔夜波动率共同构成日波动率。本文对日波动率的三个组成部分建立HAR-CJN模型,探究了波动率不同成分之间的相互影响以及在预测中的作用。结果表明连续变差对日波动率的各组成部分均有显著的正向影响,在预测中的贡献最大;而跳变差的影响一般比连续变差的要弱,且随着滞后期的长短而有所不同。样本外预测结果显示HAR-CJN模型的预测表现要远远优于GARCH族模型,并在向前一天和一月的预测中优于普通的HAR-RV模型。     

沪深300股指期货的波动率预测模型研究

以沪深300股指期货仿真交易的5分钟高频数据为例,运用滚动时间窗的样本外预测和具有Bootstrap特性的SPA检验法,全面对比了基于日收益数据的历史波动率(historical volatility)模型和基于高频数据的已实现波动率(realized volatility)模型对波动率的刻画和预测能力.主要实证结果显示,已实现波动率模型以及加入附加解释变量的扩展随机波动模型是预测精度较高的波动模型,而在学术界和实务界常用的GARCH及其扩展模型对沪深300股指期货的波动率预测能力最弱.     

经济政策不确定性与我国股市波动率预测研究

股票市场的波动与实体经济走势以及宏观经济政策密切相关.因此,以Baker的经济政策不确定性(economic policy uncertainty,EPU)指数和我国股市代表性的股价指数——上证综指为对象,运用广义自回归条件异方差混频数据抽样(GARCH-MIDAS)模型,分析了经济政策不确定性对上证综指波动率的影响,并运用该模型与常见的多种GARCH族模型进行了样本外波动率预测的对比研究.实证结果表明,EPU指数能够很好地解释我国股市波动的长期成分,并显著改善对上证综指波动率的预测精度;同时,模型信度集合(model confidence set,MCS)检验结果进一步证实,基于混频数据的GARCH-MIDAS模型能显著打败常见的多种GARCH族模型.     

嵌入GARCH波动率估计的B1ack-Litterman投资组合模型

在B1ack-Litterman投资组合模型中,为了更有效地估计风险资产的期望收益和波动率,引入了投资者的主观观点,这种处理确实能提高均值-方差投资组合模型的性能。但是在实践中,如何度量投资者观点成了另一个难题。为了克服这一困难,我们将GARCH波动率估计嵌入到B1ack-Litterman模型中,通过使用GARCH模型的预测能力来替代投资者主观观点,从而获得一个新的投资决策模型。作为应用,分别考虑了国内外真实市场数据测试情形,通过实证结果发现,嵌入了GARCH波动率估计后,Black-Litterman模型的性能可进一步得到很好提高,样本外平均收益率、波动率和夏普比等指标,均要好于一些传统模型。     

经济政策不确定性与我国股市波动率预测研究北大核心CSCDCSSCI

股票市场的波动与实体经济走势以及宏观经济政策密切相关.因此,以Baker的经济政策不确定性(economic policy uncertainty,EPU)指数和我国股市代表性的股价指数——上证综指为对象,运用广义自回归条件异方差混频数据抽样(GARCH-MIDAS)模型,分析了经济政策不确定性对上证综指波动率的影响,并运用该模型与常见的多种GARCH族模型进行了样本外波动率预测的对比研究.实证结果表明,EPU指数能够很好地解释我国股市波动的长期成分,并显著改善对上证综指波动率的预测精度;同时,模型信度集合(model confidence set,MCS)检验结果进一步证实,基于混频数据的GARCH-MIDAS模型能显著打败常见的多种GARCH族模型.     

基于多分形理论的动态VaR预测模型研究

经济物理学(econophysics)的大量研究表明,金融市场的波动具有复杂的多分形(multifractal)特征,因此准确地测度和预测市场波动,对金融风险管理工作的意义重大。在已有多分形波动率(multifractal volatility)测度及其模型应用基础上,以上证综指10年的高频数据为对象,提出了基于多分形波动率的样本外动态风险价值(out-of-sample dynamic VaR)预测法。通过两种规范的后验分析(backtesting)结果表明,与8种主流的线性和非线性GARCH族模型相比,在高风险水平上,基于多分形波动率测度的VaR模型明显具有更高的样本外动态风险预测精度。     

考虑结构变化和长记忆性的国际原油价格波动率预测研究

原油市场普遍存在结构变化现象，可能会引发原油价格波动率的长记忆性，导致模型参数的有偏估计。为此，本文考虑原油价格波动率的结构变化和长记忆性特征，采用考虑结构断点的GARCH族模型和MMGARCH模型对WTI和Brent油价波动率进行预测建模。结果表明，WTI和Brent油价波动率中确实存在明显的结构变化和长记忆性特征，而能够捕捉这两种特征的GARCH族模型往往比忽略它们的模型取得更好的油价波动率预测效果，特别是，同时动态捕捉结构变化和长记忆性特征的MMGARCH模型对油价波动率的预测性能优于其他相关模型。     

基于LSTHAR模型的投资者关注对股市波动影响研究

有限关注理论认为投资者关注有限，无法掌握市场上所有信息，这会使股票出现暂时的错误定价，引起市场波动，因此投资者关注可能包含预测波动的有益信息。鉴于百度指数能较好代理中国投资者的主动性关注，本文提出将其作为逻辑平滑转移结构的转移变量，引入已实现波动的异质自回归类模型，以刻画投资者关注的变化对未来市场波动的非线性影响。基于华夏上证50ETF高频价格数据的实证表明：新模型相比于异质自回归类基础模型，有显著更优的拟合效果和显著更强的预测性能，即投资者关注的非线性引入对波动率预测有显著贡献。本文还发现，相比于引入移动端百度指数和总体百度指数，引入电脑端百度指数对模型预测性能的改进明显更大，表明电脑端百度指数代表的投资者关注对市场波动有更大的影响。研究结论对投资者风险管理和投资决策有实际指导意义。     

考虑成分股联跳与宏观信息发布的沪深300指数已实现波动率模型研究

利用日内高频数据计算的已实现波动率较好度量了金融资产的风险,因此对其预测模型的研究具有重要意义。考虑到指数成分股的联跳可能蕴含指数跳跃所未能反映的信息,提出运用非参数方法识别指数成分股的联跳,采用自回归条件风险模型估计成分股联跳强度,并将其引入指数的已实现波动率异质自回归（HAR-RV-CJ）模型中,分析模型预测性能的改进。进一步的,考虑到宏观信息公告的发布可能对股市产生整体性影响,相应影响成分股联跳的几率;因此,在成分股联跳的自回归条件风险模型中引入居民消费价格指数、国内生产总值、贸易差额等宏观信息公告变量,并分析对联跳强度估计以及指数已实现波动率预测的影响。采用2011年1月4日至2013年7月11日沪深300指数及其成分股高频数据的实证表明,指数成分股联跳与指数跳跃具有不同的特征;用成分股联跳强度代替HAR-RV-CJ模型中的跳跃构建的HAR-RV-CI模型,较原始的HAR-RV-CJ模型,以及同时考虑指数跳跃与成分股联跳强度的HAR-RV-CJI模型,具有明显较优的样本内拟合与样本外预测性能。引入宏观信息公告变量可以改进联跳强度自回归条件风险模型的拟合效果,并提高指数已实现波动率模型的样本内拟合能力,但对于指数已实现波动率的样本外预测性能并无明显的帮助。     

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。     

跳跃的估计、股市波动率的预测以及预测精度评价

本文基于C_TMPV理论估计已实现波动率的跳跃成分,在此基础上构建考虑跳跃的AHAR-RV-CJ模型和MIDAS-RV-CJ模型来预测中国股市的已实现波动率,并评价和比较各类波动率模型的预测精度。实证结果表明:基于C_TMPV估计的波动率跳跃成分对日、周以及月波动率的预测有显著的正向影响;AHAR-RV-CJ模型和MIDAS-RV-CJ模型的样本内和样本外预测精度在不同的预测时域上都是最高的,尤其是对数形式的模型;MIDAS族模型的样本外预测精度在中长期预测时域上比HAR族模型高;AHAR-RV-CJ模型和MIDAS-RV-CJ模型的样本外预测能力在中长期预测时域上比基于低频数据的Jump-GARCH模型、SV-CJ模型和SV-IJ模型好。     

基于数据驱动平滑检验的密度预测评估方法——以香港恒生指数、上证综指和台湾加权指数为例

本文提出了样本内和样本外密度预测评估的数据驱动平滑检验（data-driven smooth test）方法，并分别采用Newey-Tauchen的方法以及West-McCracken的方法来纠正参数估计对样本内和样本外密度预测评估的影响。运用本文提出的检验方法，我们比较了各种最大熵GARCH模型对中国三个股指数据（香港恒生指数、上证综合指数和台湾加权指数）的样本内和样本外预测绩效。结果显示：（1）最大熵GARCH模型可以用来刻画中国股指数据的典型化事实，GARCH模型中考虑了厚尾和偏态特征的Pearson IV分布对中国股指收益率的样本外预测绩效是很重要的；（2）具有较好样本内拟合优度和样本内预测效果的模型未必有很好的样本外密度预测效果，考虑到样本外预测的重要性，实际应用中我们应采用具有较好样本外预测效果的模型。     

基于波动择时绩效的高维波动率估计量与预测模型研究

对协方差矩阵高频估计量和预测模型的选择，共同影响协方差的预测效果，从而影响波动择时投资组合策略的绩效。资产维数很高时，协方差矩阵高频估计量的构建会因非同步交易而丢弃大量数据，降低信息利用效率。鉴于此，将可以充分利用资产日内价格信息的KEM估计量用于估计中国股市资产的高维协方差矩阵，并与两种常用协方差矩阵估计量进行比较。进一步地，将三种估计量分别用于多元异质自回归模型、指数加权移动平均模型以及短、中、长期移动平均模型进行样本外预测，并比较在三种基于风险的投资组合策略下的经济效益。采用上证50指数中20只不同流动性成份股逐笔高频数据的实证研究发现：（1）无论是在市场平稳时期还是市场剧烈震荡期，长期移动平均模型都是高维协方差估计量预测建模的最优选择，在应用于各种波动择时策略时都可以实现最低成本和最高收益。（2）在市场平稳时期，KEM估计量是高维协方差估计的最优选择，应用于各种波动择时策略时基本都可以实现最低成本和最高收益；在市场剧烈震荡期，使用KEM估计量进行波动择时仍然可以在成本方面保持优势，但在收益上并不占优。（3）无论是在市场平稳时期还是市场剧烈震荡期，最低的成本都是在采用等风险贡献投资组合时实现的，而最高的收益则都是在采用最小方差投资组合时实现的。研究不仅首次检验了KEM估计量在常用波动择时策略中的适用性，而且首次实证了实现最为简单的长期移动平均模型在高维协方差矩阵预测中的优越性，对投资决策和风险管理等实务应用都具有重要意义。     

考虑微观结构噪声与测量误差的波动率预测

以测量误差的分布理论为基础，本文将微观结构噪声的影响引入到测量误差的方差中，构建了包含微观结构噪声影响的HARQ-N模型。使用蒙特卡洛模拟与中国股市的高频数据对HAR、HARQ、HARQ-N模型与HAR-RV-N-CJ模型的估计和预测进行了比较，研究发现，HARQ模型和HARQ-N模型的测量误差修正项对波动率的影响系数统计显著为负，HARQ-N模型的测量误差项影响系数远大于HARQ模型，更大程度地减弱当期微观结构噪声和测量误差的影响。并且，考虑微观结构噪声和测量误差的HARQ-N模型样本内和样本外预测效果在统计上显著优于HAR模型、HARQ模型与HAR-RV-N-CJ模型。     

证券市场波动性评价方法研究

研究了将ARMA模型与ARCH族模型相结合,通过建立ARMA-EGARCH-M模型来拟合证券市场波动性,基于大样本数据通过样本期内外模型预测能力检验,得出结论认为ARMA-EGARCH-M模型对上海证券市场波动性拟合优于传统的ARCH族模型。