基于ARMA-GARCH模型的中证绿色债券指数预测

文章选取了中证绿色债券指数2018年11月1日至2023年12月29日的日收盘价,通过Eviews10.0建立ARMA-GARCH模型预测其时间序列变化趋势并得出相应的结论,其实证结果表明:ARMA-GARCH模型可以有效地应用于绿色债券市场预测未来走势,其中静态预测结果优于动态预测,未来一定时间内绿色债券指数收盘价总体呈现向上增长趋势。这对投资者降低投资风险、挖掘投资机遇具有重要意义,便于投资者更好地制定投资策略,控制风险,进而获得更高的收益。

含零收益率的金融非对称Log-GARCH模型研究

在实际外汇市场中,由于诸如交易缺失、舍入误差等原因使得收益率序列中出现零值,常见GARCH族模型无法对含零收益率数据进行有效拟合,导致波动率估计结果产生较大偏差。为了更准确地估计汇率波动率,本文对含有零收益率的外汇数据进行建模。首先运用不受条件方差为正限制的log-GARCH模型对汇率市场收益率数据进行拟合,同时提出一个处理含有零收益率的数据处理框架,即将零值视为缺失的观测值。然后通过结合QMLE方法和期望最大化(EM)算法对含缺失观测值的log-GARCH模型进行无偏估计。最后通过实证分析比较零收益率两种不同处理方法——非零值代替零值方法和将零值视为缺失值方法下波动率估计结果的差异。研究结果显示零收益率的存在会增加波动率的估计偏差,将非零值作为缺失值方法得到的估计结果更接近市场真实情况。

基于ARMA-GARCH簇模型的碳配额价格波动特征研究

在“双碳”目标指引下,我国碳市场正处于从区域试点迈向全国统一的关键时期,如何实现地方衔接全国碳市场已经成为亟待解决的问题。以北京、上海、广东、湖北、天津和全国6个碳交易市场的碳价为研究对象,通过建立ARMA-GARCH簇模型对碳价波动问题进行量化分析。研究结果发现,6个碳市场的碳价受前期交易的影响较为显著、价格波动具有集群效应以及存在非对称性冲击效应,为此提出丰富交易主体、交易产品和完善市场定价机制的相关建议。

基于ARMA-GARCH模型的北京碳排放权市场价格分析

作为我国经济发展迅速的城市之一,北京碳排放权市场的分析将为我国其他城市碳排放权市场的分析提供重要参考,能够为进一步评估我国碳金融市场提供一定的帮助。因此,本文选取了2013年11月8日—2021年6月4日北京碳排放权市场的日收盘价作为研究对象,并将该数据以2020年1月1日为分界线分为新冠疫情前和新冠疫情后两组数据分别进行建模,采用ARMA-GARCH模型对北京碳排放权市场价格进行分析,刻画北京碳排放权市场价格的变动趋势。结果表明:新冠疫情前碳交易市场的日收盘价用ARMA(0,2)-GARCH(1,4)的拟合效果较好,疫情后碳交易市场的日收盘价用ARMA(0,1)-GARCH(1,4)的拟合效果较好。文中根据ARMA(0,1)-GARCH(1,4)模型对北京碳交易市场碳价未来30天的收益率进行了预测。

基于ARMA-GARCH组合模型的汇率波动性预测

文章使用2015年8月11日至2022年11月30日人民币兑美元汇率的日交易中间价数据进行研究。首先对该数据进行对数差分处理,得到平稳的人民币汇率对数收益率序列。其次通过描述性统计分析发现该序列“尖峰厚尾”,而平稳性检验和ARMA模型建立证实了该序列的非随机性质,异方差性检验确认了波动聚集性。研究采用GARCH、EGARCH和TGARCH模型对波动率方程进行拟合,结果显示汇率存在杠杆效应。最终,使用最佳拟合效果的EGARCH(1,2)模型对汇率序列进行回测分析,并提出相关建议。

基于小波分析的ARMA-GARCH模型在降水预报中的应用

利用小波分析方法对通榆地区1955-1999年降水资料进行分解与单支重构,得到低频序列和高频序列;对得到的子序列依据是否具有自回归条件异方差（ARCH）效应,建立自回归移动平均（ARMA）模型或者ARMA-GARCH模型。然后将上述各子序列所建模型进行线性叠加,得到年降水量的基于小波分析的ARMA-GARCH模型（W-A-G）。根据2000-2009年的降水资料检验模型,并与未考虑ARCH效应的基于小波分析的ARMA模型（W-A）作对比。结果表明：小波分析的6个子序列中,低频项（A5）不具有ARCH效应,高频项（D1~D5）具有明显ARCH效应;W-A-G模型检验的相对误差平均值为9.98%,平均绝对百分比误差（MAPE）值为0.009 9,根均方差（RMSE）值为34.592 8,符合水文预测标准且精度明显高于W-A模型（平均相对误差22.4%,MAPE为0.180 2,RMSE为83.337 3）,表明W-A-G模型是一种可行的方法。最后用所建W-A-G模型对通榆地区未来6年降水量进行预测,预测结果显示：通榆地区未来降水量呈下降趋势,干旱情况将持续发生,应做好抗旱准备。

基于ARMA-GARCH模型的超短期风功率预测研究

风功率预测对提高电能质量和电力系统的安全运行具有重要意义。基于时间序列的方法,对内蒙古赤峰地区某风场的风功率数据进行了超短期预测,通过对数据平稳性检验的结果,建立了时间序列的ARMA模型,利用拉格朗日乘子检验的方法,检验ARMA模型具有ARCH效应,并建立适合的ARMA-GARCH模型。结论通过对比ARMA模型,ARMA-ARCH模型和ARMA-GARCH模型的风功率预测精度可知,在解决数据的残差序列异方差函数具有长期相关性时,ARMA-GARCH模型能够有效的提高预测精度。

基于ARMA-GARCH的股指期货实证分析

基于沪深300股票指数期货的时间序列数据,研究了股指期货收益序列的平稳性,建立了ARMA-GARCH模型,通过模型中的均值方程和波动方程,发现初期期货市场上的交易状况偏向于风险厌恶型,得到了收益变化的循环周期大约为3.6天,股指期货市场的波动存在ARCH效应和长记忆性特点。说明市场初期交易者对市场的信息反馈非常敏感和迅速,并且呈现出群体效应和连锁行为,有增大市场风险的可能。

基于ARMA-EGARCH-M模型的沪深股市波动性分析

文章讨论了ARCH模型族的拟合波动性的优缺点,建立ARMA-EGARCH-M模型,简要说明了此模型的优点;以2000年1月11日-2006年3月15日上证综指和深证成指收盘价为样本,对我国沪深股市收益率分布用ARMA-EGARCH-M模型进行拟合分析,结果表明该模型能更有效地拟合我国沪深股市的波动性;最后解释实证结果和分析了我国股市的行为。

质押式回购利率的风险度量研究——基于ARMA-GARCH模型的实证检验

文章对2002年1月4日至2009年3月31日我国银行间质押式回购市场进行实证研究,结果表明:(1)t-分布和g-分布下的模型能更好地捕捉回购利率序列的尖峰厚尾性;(2)回购利率波动具有显著的非对称性,利率上升时的波动更大;(3)ARMA-PARCH-M模型是估计回购利率VaR值的理想模型,t-分布下的模型适合多头头寸VaR值的预测,而g-分布下的模型适合空头头寸VaR值的预测。这说明我国回购市场的利率风险较高。

基于ARMA-GARCH-SN模型的沪深300股指期货日内波动率研究与预测

运用五个交易日的股指期货高频数据(每秒两笔),本文主要研究了沪深300股指期货日内波动率特征并对日内波动率预测。研究发现高频股指期货日内收益率有明显的波动率聚集和条件异方差现象,但无尖峰厚尾现象,收益率序列分布符合有偏正态分布。因此,我们对时间序列建立了最优的ARMA-GARCH-SN模型,并对模型拟合充分性做了验证,拟合结果发现ARMA(1,2)-GARCH(1,1)-SN模型基本能够刻画股指期货高频日内波动特征,条件方差所受的冲击具有很强的持续性、日内波动也具有长记忆性,最后我们还利用自助法对高频股指期货日内波动率两步预测、利用滚动回归预测方法对样本做了样本内预测。预测结果表明,波动率预测结果能够较好地反映股指期货日内波动特征。

ARMA-GARCH模型对上海铜期货市场收益率的建模与分析

本文首先对沪铜期货收益率序列的进行了分析,在单位根检验中克服了观察等价性的影响,并得到为该收益率服从ARIMA(0,1,1)-GARCH(1,1)模型。在此基础上,利用TARCH和EGARCH模型对收益率的杠杆效应进行了检验。

基于ARMA-GARCH模型的上证指数实证分析

研究上证指数收益率过程。以2004年9月30日至2011年9月30日期间的上证指数收盘价为基础,验证序列的相关性、稳定性及异方差性。建立ARMA-GARCH模型进行实证分析和预测,分别在误差服从正态分布、t分布、GED分布条件下比较拟合和预测效果。得到t分布的ARMA-GARCH模型最优,表明其更适合上证指数收益率的研究。

企业债券市场波动性研究——基于ARMA-GARCH模型的实证分析

基于交易所企债指数,利用ARMA-GARCH模型分析市场波动性。结果表明ARMA(1,1)-GARCH(1,1)模型可以合理解释企业债券市场波动存在的持续性、丛集性和杠杆效应。场外冲击对条件方差的影响具有持久性,反向冲击比等量的正向冲击会导致更高的下一期的条件方差。EGARCH(1,1)-M模型回归结果表明,市场存在正的风险溢价,但是预期条件波动对预期收益仅有微弱补偿。

基于不同误差分布下ARMA-GARCH模型的国债指数实证研究

根据上证国债指数收盘价数据的特征,对其收益率序列建立误差分布为正态、GED和t分布的ARMA-GARCH模型.比较不同分布条件下的拟合效果,得出误差分布为GED和t分布时,模型的拟合效果优于误差分布为正态分布的情况.应用交叉验证法对预测效果进行比较,得出误差分布为t分布的ARMA-GARCH模型预测效果最优.同时,在模型比较中,基于同一误差分布的ARMA-GARCH模型的拟合和预测效果都明显优于GARCH模型,表明其更适于国债收益率序列的分析研究.

基于ARMA-GARCH模型的沪深300指数日收益率波动特性研究

以沪深300指数为研究对象,运用R软件建立带正态分布和t分布的ARMA-GARCH模型,对2005年4月8日—2015年4月21日沪深300指数日收益率的波动情况进行了研究。研究表明:沪深300指数股票具有明显的ARCH效应,其对数收益率不具有正态分布的特性,但具有明显的"尖峰厚尾"现象和"长记忆"的特性,存在着波动率聚集现象;基于学生t分布的ARMA(2,3)+GARCH(1,1)模型是最优的拟合模型,可以较好地对沪深300指数的波动情况进行模拟。

基于ARMA-GARCH模型的利率市场风险度量

近年来我国利率市场化进程不断加快,利率风险管理问题再次凸显,上海银行作为短期流动性资金融通的工具其间隔夜拆放利率(Shibor)逐渐成为各金融机构主要参考的基准利率。以2006年10月8日至2020年10月30日隔夜Shibor数据为研究样本,构建ARMA-GARCH模型,并在95%和99%置信水平下利用VaR方法度量隔夜Shibor市场对数收益率的风险价值。结果表明:GED分布相较于正态分布和t分布更能描绘隔夜Shibor对数收益率序列尾部特征;ARMA(1,2)-TGARCH(2,2)-GED最能刻画隔夜Shibor对数收益率序列的分布且非对称项的估计结果表明存在“反杠杆效应”,即正的冲击对于同业拆放利率市场波动性的影响要大于负的冲击;隔夜Shibor利率敏感性资产日均最大风险损失比率可达15.35%,利率风险损失值相对较高。因此,在利率市场化逐步推进过程中,商业银行需注意调整业务结构,适度提高金融衍生品利用率,不断加强自身利率风险管理能力。

股票收益率预测及风险与收益关系研究——基于ARMA-GARCH模型和高频数据

以沪深300指数的一分钟为间隔的实时价格为研究样本,利用ARMA模型和基于T分布的GARCH(1,1)模型,对其收益率进行了拟合和预测,同时运用GARCH-M模型,分析风险和收益之间的关系。研究表明,股指波动存在条件异方差性;ARMA模型长期预测效果较好,而GARCH(1,1)-T模型短期预测效果较好;沪深300指数的风险和收益不呈正比,说明我国股市发展不成熟。

基于ARMA-GARCH-M模型的石油价格市场风险与收益关系研究

通过对1983年4月8日到2014年3月21日的美国原油价格运用ARMA-GARCHM模型来研究石油价格市场风险与收益关系,得出如下结论:石油价格日收益率具有波动聚集的特征;ARMA-GARCH-M模型能够较好地拟合石油价格的走势;ARMA-GARCHM模型估计结果显示石油市场的收益与风险是正相关的,预期收益包含一定的风险溢价。

基于ARMA-GARCH模型的上证指数短期预测研究

将在处理金融数据易变性方面具有优势的广义自回归条件异方差模型(GARCH)和在平稳时间序列数据预测方面具有优势的自回归移动平均模型(ARMA)相结合,提出ARMA-GARCH预测模型。以2007年10月08日到2011年11月4日997个上证指数收盘价格为样本对综合预测模型进行估计,并用随后五天的上证指数收盘价对综合预测模型进行检验。检验表明模型有效地刻画了上证指数的短期变化。