沪深300股指期货收益率及波动率的长记忆性研究

对股指期货收益率与波动率的长记忆性进行研究,可以反映市场的运行效率。运用ADF-KPSS联合检验法、自相关系数法、R/S检验法检验了沪深300股指期货的收益率及波动率序列的长记忆性。结果显示:沪深300股指期货的收益率序列不具有显著的长记忆性,而其波动率序列具有显著的长记忆性,波动率的长记忆性暗示着市场中事件和消息对我国股指期货市场的影响不会马上消失,而可能对市场产生长期和深远的影响,也意味着我国股指期货市场的有效性有待加强,需要从信息披露、培育多元化投资主体等方面加强市场建设,以消除长记忆性对我国股指期货市场健康发展的影响。运用FIGARCH模型度量了沪深300股指期货波动率的长记忆性,为后续股指期货波动相关研究提供参考。

长记忆FIGARCH模型的预测(英文)

本文中,我们提出了一个FIGARCH模型的适应性预测方法.我们证明了一个适当的一阶或二阶的GARCH模型可以很好地对长记忆FIGARCH(1,d,0)模型进行一步预测.蒙特卡洛模拟结果显示,在波动率序列长记忆性不是太强的情况下,适应性预测的均方误差十分接近直接用原来FIGARCH模型进行预测的精度,但本文的方法计算量却小得多.实证方面,上证综指,恒生国企指数和欧元对美元汇率的波动率数据分析结果都表明,用低阶GARCH模型预测长记忆FIGARCH模型的有效性.

中国股市波动率预测研究:基于实时已实现EGARCH-MIDAS模型

本文构建了一个能够充分捕获高频数据信息、当前收益率信息以及波动率长记忆性的实时已实现EGARCH-MIDAS(RT-REGARCH-MIDAS)模型对中国股市波动率进行建模和预测.采用上证综合指数(SSEC)和深证成份指数(SZSEC)5分钟高频数据进行实证研究,结果表明:RT-REGARCH-MIDAS模型相比其它众多竞争模型具有更好的收益率数据拟合效果,能够更好地描述股市波动性.利用稳健的损失函数以及模型置信集(MCS)检验作为判断准则,实证比较了该模型与其它竞争模型对中国股市波动率的样本外预测能力.实证结果表明:捕获高频数据信息、当前收益率信息和波动率长记忆性对于股市波动率预测具有重要作用;在众多竞争模型中,RT-REGARCH-MIDAS模型具有最为优越的波动率预测能力.进一步,采用不同的已实现测度、不同的预测窗口、不同的MIDAS滞后阶数、不同的预测期以及样本外R2检验进行稳健性检验,证实了该模型优越的波动率预测能力具有稳健性.最后,通过考察模型波动择时策略发现,该模型能够获得相比其它模型显著更高的投资组合经济价值.

动态混合HGARCH模型的估计和预测

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.