高频数据下基于LSTM的协方差矩阵预测模型

协方差矩阵的建模与预测,对于金融风险管理、投资组合管理等至关重要。针对时间序列模型对高维变量预测精度较低的问题,利用长短记忆神经网络模型(LSTM),提出了基于深度学习的高频数据已实现协方差矩阵预测模型。利用金融高频数据得到已实现协方差矩阵,对其进行DRD分解,针对相关系数矩阵R进行向量化处理,利用向量异质自回归模型(HAR)预测已实现相关系数矩阵R;针对已实现波动率矩阵D,利用半协方差(semi covariance)思想,结合LSTM模型,得到已实现波动率矩阵D的深度学习预测模型,构建了LSTM-SDRD-HAR已实现协方差矩阵动态预测模型。LSTM模型和HAR模型能捕捉实际数据的长期记忆性,半协方差有利于捕捉金融数据的杠杆性。实证分析表明:相较于传统向量HAR已实现协方差矩阵预测模型,LSTM-SDRD-HAR预测已实现协方差矩阵更为准确,基于LSTM-SDRD-HAR预测已实现协方差矩阵构造的有效前沿组合投资效果更佳。

基于已实现半协方差的投资组合优化

在传统的风险度量方法中,常见的协方差估计量并未区分资产收益的下侧风险和上侧收益,而一般的下偏矩估计量则存在非对称性和难以加总的缺点.本文引入已实现半协方差矩阵(RSCOV)作为风险度量进行波动率预测和投资组合研究.本文将RSCOV应用于两种常见的风险分散投资策略—风险平价(ERC)策略和全局方差最小(GMV)策略,并将机器学习中的在线加权集成(OWE)算法用于提升已实现波动率预测方法HAR-RV的样本外预测表现.通过研究发现,相比起已有的其他风险衡量方式,仅包含负向波动信息的下半RSCOV能够更好地被用于平衡组内各资产的风险贡献.基于A股市场2011-2018年的高频数据,本文通过实证研究发现,OWE-HARRV在月度预测步长下的效果优于HAR-RV,而下半RSCOV则能够使ERC策略以及GMV策略在保证一定平均收益的同时,降低了组合收益的极端损失.

下行风险、符号跳跃风险与行业组合资产定价

本文在资本资产定价模型(CAPM)的基础上,构建包含市场风险溢价、下行风险和符号跳跃风险的新资产定价模型,并使用高频交易数据计算模型中各风险因子,研究当期和跨期的行业组合定价问题。研究表明:当期的市场风险溢价、下行风险和符号跳跃风险因子对行业组合的超额收益率有很好的解释作用,且对上证能源等周期性行业组合的解释能力强于上证消费等非周期性行业组合;而滞后一期的市场风险溢价、下行风险和符号跳跃风险因子对行业组合超额收益率的预测作用非常有限。同时,我们的研究还发现,通过AR(1)、LAR(1)、AR(3)、LAR(3)、HAR和LHAR等时间序列预测模型,运用样本外滚动窗预测技术得到市场风险溢价等因子的预测值后,构建的新跨期定价模型对行业组合有较好的定价能力。其中,HAR和LHAR对应的跨期定价模型表现最好,且它们在上证材料组合和上证公用组合中表现尤为突出。

高频视角下考虑收益非对称性结构的VaR和ES风险测度

考虑中国股市指数收益率分布和波动的非对称性结构,采用偏t分布拟合收益率的有偏分布形态,利用RS-捕捉波动率的杠杆效应,并构建ARFIMA-GARCH和SKST-RS-模型分别预测RS-和刻画收益率波动的动态结构,进而改进VaR和ES并测度卖空限制市场的下侧风险。通过Kupiec LR和动态分位数检验,实证分析了ES和VaR的风险管理效果。结果表明:基于日内高频收益的SKST-RS-模型的VaR预测能力强于SKST-RV模型和基于日间收益率的GARCH类模型;在VaR估计市场极端风险失效时,ES能够有效地对尾部极端风险进行管理。

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。