ARCH族波动模型在深沪股市中的应用

本文在对深沪股指的波动性进行统计描述的基础上,通过建立不同的ARCH族波动预测模型,进一步对深沪股指的波动性进行分析.结果表明上证综指与深证成指收益波动率呈现的特征相一致,都存在显著的尖峰厚尾、聚集性和异方差性.非对称模型TARCH（1,1）比GARCH、EGARCH能更好的描述深沪股票收益的波动情况,且深沪股市都具有明显的“杠杆效应”.

基于BMM模型对上证股市的研究

本文利用BMM模型对2004年至2013年期间上证股市风险进行估计,采用GEV分布中构建VaR模型,组建极值数据组,利用极大似然估计法对参数进行估计,从而得到不同置信水平下的损失值VaR.本文采用基于BMM 法的VaR 模型估计上证股市收益率.的取值确定了尾部的厚度,本文计算出的值较大,表明上证股市收益率存在厚尾现象.

熵估计在短时间序列中的应用：金融市场状态的识别

熵估计在生理时间序列上被广泛应用,例如样本熵.它通过计算r相似容限下m长度的连续模块匹配的数目来衡量序列的自相似度.当序列足够长并且足够规则时,它在很大范围的m和r下都具有很好的评估效力.然而在短时间和不规则的序列下我们需要更加准确的优化算法.本文我们将匹配数除以匹配区域进行标准化,从而将条件概率转化为密度,显著地提高了算法的精确度.本文的另一个突破在于使r可以改变,使达到我们预设的匹配数,这个方法被称为最小分子记数法,它使熵估计的结果可信.我们将熵估计方法应用于股票序列中加以验证,用于识别金融市场在不同时间的状态.