“已实现”β系数长记忆检验及建模预测研究

基于信息更丰富的高频交易数据,应用一种新的时变β系数计算方法,对上海证券交易所交易的A股股票的日β系数进行实时估计,并使用长记忆随机波动模型检验了"已实现"β系数长记忆特征且对其进一步建模预测。实证结果表明,上证指数的"已实现"方差和个股同上证指数间的"已实现"协方差都具有显著且相似的长记忆特性,个股的β系数普遍不具有显著的长记忆特征;分规模分行业预测结果表明,ARMA(2,1)模型在建模预测方面存在优势;预测精度对于每一个模型都有随着组数(即规模)的增大而减小的趋势;而且对于保守型行业预测精度普遍好于一些高科技行业的预测精度。

极值理论高频VaR区间估计模型的构建

为了对在险值的估计精度进行度量,更为精确和有效地衡量极值VaR(value at risk)的估计风险,基于广义极值理论构建了极值VaR的区间估计模型,并进一步利用高频数据重点考察了不同置信水平和不同样本容量分块下的极值VaR区间估计结果的精度和模型的有效性。结果表明,极值VaR的动态区间估计模型与参数法和非参数法区间估计模型相比,不仅能够更为有效地捕获极端条件下收益率时间序列的动态特征,而且具有很好的估计精度,VaR估计风险的精确度更高。

基于极值理论的高频条件VaR动态区间估计模型

为了更加精确地度量在险值的估计精度,基于广义极值理论推导了条件极值VaR的动态区间估计模型,得到了条件极值VaR置信区间解析解的一般形式,对在险值的估计精度进行了实时度量.利用高频数据重点考察了不同置信水平和不同样本容量分块下的条件极值VaR区间估计结果的精度和模型的有效性.结果表明:条件极值VaR的动态区间估计模型与参数法、非参数法以及蒙特卡罗法区间估计模型相比,不仅能够更为有效地捕获极端条件下收益率时间序列的动态特征,而且具有更好的估计精度,精确和有效地描述VaR的估计风险.