HAR族模型对波动率的预测精度比较及其SPA检验——基于沪深300指数高频数据

以沪深300指数5分钟高频数据为研究数据基础,旨在提出中国股票市场最好的波动率预测模型。建立基于高频数据的已实现波动率模型,并将HAR族波动率模型作为研究对象,采用动态时间窗的样本外推预测和具有Bootstrap自举统计特性的SPA检验方法,将6种精确的损失函数作为评价准则,全面相互对比了9种波动率模型对沪深300指数5分钟高频数据日(短期)已实现波动率、周(中期)已实现波动率以及月(长期)已实现波动率的预测精度。实证研究结果表明,我国股票市场受到滞后一期的影响,表现出一定的长记忆性,并且平方根形式的HAR-RV-CJ1/2模型对日(短期)已实现波动率的样本外推预测具有最高的精度,对数形式的HAR-RV-CJ-ln模型对周(中期)、月(长期)已实现波动率的样本外推预测的精度最高,对未来的长期波动率有更好的解释能力。

HAR族模型与GARCH族模型对不同期限波动率的预测精度比较——基于沪深300指数高频价格的实证分析

以对收益条件方差建模的GARCH族波动率模型,及对高频已实现波动建模的HAR族波动率模型为考察对象,采用滚动时间窗的样本外预测,结合具有Bootstrap特性的SPA检验法,分别使用4种常用的损失函数作为评价指标,比较了13种常用波动率模型对沪深300指数短期、中期、长期波动率的预测精度。实证结果表明,对数形式的HAR-RV-CJ模型对短期、中期、长期波动率的样本外预测都具有最高的精度,且对长期波动率预测的优势最为显著;对收益条件方差建模的GARCH族模型即便加入已实现波动作为附加解释变量,其预测精度仍无法超越对已实现波动直接建模的HAR族模型。

基于高频波动率模型与R-vine copula的行业资产组合风险测度研究

相较于低频波动率模型,高频波动率模型在单资产的波动和风险预测中均取得了更好效果,因此如何将高频波动率模型引入组合风险分析具有重要的理论和现实意义。本文以沪深300指数中的6种行业高频数据为例,运用滚动时间窗技术建立9类已实现波动率异质自回归(HAR-RV-type)模型刻画行业指数波动,同时使用R-vine copula模型描述行业资产间相依结构,进一步结合均值-CVaR模型优化行业资产组合投资比例,构建组合风险的预期损失模型,并通过返回测试比较不同风险模型的精度差异。研究结果表明:将HAR族高频波动率模型引入组合风险分析框架,能够有效预测行业资产组合风险状况;高频波动率预测的准确性将进而影响组合风险测度效果,跳跃、符号跳跃变差以及符号正向、负向跳跃变差均有助于提高行业组合风险的预测精度。

金融产品波动率的预测模型——传统模型与高频数据模型的比较

波动率的预测不仅是个人投资者和机构投资者用来规避、风范金融风险的重要风险管理途径,而且还是投资者进行金融资产组合之初的重要参考依据。并且随着科技的不断发展,金融数据获取的便利性和低成本性,使得波动率预测的准确性也随之提高。金融数据作为金融建模分析的重要依据,人们对其的关注已经从月度、季度、年度等低频数据转向高频数据,随之而来的也是波动率模型从传统模型到适用于高频数据金融模型的发展。

基于结构突变的国债期货已实现波动率的预测与评价

本文在分析我国国债期货收益率特征的基础上构建了基于结构突变的16种HAR族模型并用于对我国国债期货已实现波动率进行预测，同时对预测模型进行样本内和样本外预测效果比较。研究结果表明，国债期货收益率存在明显结构变化；投机活动变量可以为国债期货已实现波动率预测提供重要信息；无论在样本内还是样本外，所构建的基于结构突变的预测模型均较标准HAR-RV有更好的预测效果，而且所构建的HAR-CJ类模型具有最好的样本外预测能力。

跳跃风险、结构突变与原油期货价格波动预测

本文主要是为了检验原油期货市场是否存在明显的跳跃风险和结构突变,并重点调查这两个因素是否对原油期货价格波动有预测作用。在经典或前沿的HAR-RV、HAR-S-RV和PSlev模型中,本文同时考虑跳跃风险和结构突变因素,构建了HAR-RV-J-SB、HAR-S-RV-J-SB和PSlev-J-SB模型。接着,以WTI原油期货的5分钟高频交易数据作为实证样本,对以上模型进行实证分析。实证结果显示:原油期货市场存在明显的跳跃风险和结构突变现象;HAR-RV-J-SB、HAR-S-RV-J-SB和PSlev-J-SB模型对原油期货价格波动的样本外预测精度都明显高于与之相对应的HAR-RV、HAR-S-RV和PSlev模型,且其结果是稳健的。特别地,在HAR-C和LHAR-RV等其它现有HAR族模型中加入跳跃风险和结构突变因素,也能得到类似的结果。本文的研究表明跳跃风险和结构突变因素能显著提高现有绝大多数HAR族模型对原油期货价格的预测精度,所以在HAR族模型的构建中这两个因素不能被忽视。