基于HAR-RV-J-ARCH模型的中国股票市场异质性研究

针对中国股票市场的异质性现象,提出HAR-RV、HAR-RV-J以及HAR-RV-J-ARCH这3种模型进行研究;采用最小二乘法结合Newey West协方差形式进行参数估计再进行预测,并比较3种模型拟合效果和预测效果;实证结果得出股票市场收益波动率的异质性主要是由月波动(长期交易者)和跳跃波动决定,日波动(短期交易者)和周波动(中期交易者)影响效果较小,并且HAR-RV-J-ARCH模型拟合效果更好;结果表明HAR-RV-J-ARCH模型能较好地描述股票的异质性现象。

基于状态空间HAR-RV-RS模型的中国股市波动率预测

文章以高频数据下异质自回归(HAR)模型为基础,将模型的部分参数进行时变化处理,利用卡尔曼滤波方法进行参数估计,并引入新的要素——已实现的偏度(RS)作为新解释变量,构造状态空间HAR-RV-RS模型,进行波动率预测研究。文章分别选取了上证综指和深证成指3410个交易日的五分钟高频数据,通过样本内参数估计和样本外滚动时间窗预测,结合损失评价函数与HAR-RV、状态空间HAR-RV进行模型比较。实证研究表明,参数时变化和加入RS后的状态空间HAR-RV-RS模型预测效果有显著提升。

沪深300指数波动率和VaR预测研究——基于投资者情绪的HAR-RV GAS模型

基于广义自回归得分(generalized autoregressive score,GAS)和已实现波动率异质自回归(heterogeneous autoregressive of realized volatility,HAR-RV)模型,引入投资者情绪因素,构建了HAR-RV GAS和HAR-RV-SENT GAS波动率模型,旨在预测沪深300指数波动率和风险价值(value at risk,VaR)度量。用自相关函数曲线和高级预测能力(superior predictive ability,SPA)检验方法,分别解析了模型样本内拟合和样本外波动率的预测能力。运用VaR预测序列图和平均分位数损失函数,实证分析了VaR预测效果。结果表明,HAR-RV-SENT GAS模型在波动率和VaR预测能力上效果较佳,HAR-RV GAS模型次之。研究可为金融投资者和风险管理者提供理论参考。

基于BSP-HAR-RV模型的最优抽样频率研究

金融高频时间序列由于数量大,周期短,信息丰富从而可以很好的反映金融市场特征。通过绘出平均双幂变差已实现波动率散点图(BiPowe Realized Volatility Signature Plot,BSP),建立BSP-HAR-RV模型,改进以往国内通过列举法选择最优频率的方法。最后对TCL集团股票价格一年多的高频数据实证分析,验证模型结果,并将其在最优频率下测量得到的HAR-RV模型预测结果与以往广泛使用的5min、10min频率下得到的结果进行比较,发现最优抽样频率下模型预测能力较好,具有可行性。

基于EEMD与HAR-RV模型的已实现波动率研究

高频金融数据下对资产价格波动的研究越来越受到人们的关注,而随着对数据行为解析能力的提高,噪音也会随着采样频率的提高而增加,从而导致已实现波动率的估计偏差。为了降低高频数据中噪音对波动率估计的影响,在HAR-RV模型基础上使用EEMD结合小波分析的方法提高估计的有效性。实证研究发现,仅使用EEMD进行降噪预测并不能很好地预测股票市场的实际变动趋势,而在EEMD分解后的高频部分中使用小波方法进行处理,发现降噪后构建模型的均方误差(MSE)与平均绝对误差(MAE)分别下降了93.92%及76.94%,能够满足对股票市场实际序列变动的预测要求。

基于BSP-HAR-RV模型的最优抽样频率研究

金融高频时间序列数量大、周期短、信息丰富,可以很好地反映金融市场特征。通过绘出平均双幂变差已实现波动率散点图(Bi Powe realized volatility Signature Plot,BSP),建立BSP-HAR-RV模型,改进以往国内通过列举法选择最优频率的方法。最后对TCL集团股票价格的高频数据进行实证分析,验证模型结果 ,并将其在最优频率下得到的HAR-RV模型预测结果与以往广泛使用的5min、10min频率得到的结果进行比较,发现最优抽样频率下模型预测能力较好,具有可行性。

基于HAR-RV模型对我国沪深300指数的波动率研究

金融资产收益的波动率是金融风险管理和测量的关键,同时也与衍生产品套期保值、资产组合的最优选择以及资产定价密切相关。因为计算机技术的发展,研究者可以轻松地获得大量高频的数据,因此GARCH族模型适用于低频数据,已经不能满足对高频数据的研究。采用已实现波动率可以更加准确地刻画波动率的特征。然而许多学者研究发现,已实现波动率存在长记忆的特征,造成这种现象的原因之一是可能存在异质市场。本文将使用HAR-RV模型,并运用多元回归模型去证明我国股票市场是否存在投资者的异质性。

HAR-RV-EMD-J模型及其对金融资产波动率的预测研究

本文在HAR-RV模型的基础上,运用EMD等方法将模型中的已实现波动率分解成高频已实现波动率、低频已实现波动率和趋势已实现波动率,并加入跳跃波动率成分,构建HARRV-EMD-J模型;接着,以沪深300股指和沪深300股指期货的5分钟高频交易数据为实证样本,对HAR-RV-EMD-J模型以及常见的四个HAR类波动率模型进行样本内分析和样本外分析,并对其分析结果进行稳健性检验。研究发现:在HAR-RV-EMD-J模型中,高频已实现波动率和低频已实现波动率包含对未来1日、1周、2周和1月波动率的预测信息较多,而趋势已实现波动率和跳跃波动率包含的预测信息较少;HAR-RV-EMD-J模型对未来1日、1周、2周和1月波动率的样本内和样本外预测能力都明显强于其他四个HAR类波动率模型。

国际主要股票市场联动性——基于藤Copula-HAR-RV模型

随着经济一体化和金融全球化进程的不断加快,世界各国股市间的联动效应越发显著。针对已有研究的不足,利用HAR-RV模型将高频信息和不同频率已实现波动纳入到边缘分布建模过程,基于藤Copula刻画五个国际主要股市间的相依结构,构建了描述股市联动的藤Copula-HAR-RV模型。结果表明:R藤Copula-HAR-RV模型在拟合优度和投资组合分位数预测方面表现最优;国际主要股市相依结构呈现区域集聚特征,香港股市占据中心地位;藤结构中条件市场的加入能够大幅降低股市联动,R藤Copula-HAR-RV相依结构下构建的投资组合具有较好的避险效果。此研究对于市场监管政策制定、风险管理、资产配置等一系列金融实践活动具有理论参考价值和现实意义。

中国原油期货价格波动时段特征分析及预测

关于原油期货价格波动率的预测研究主要集中在国外市场,中国原油期货合约在一个交易日内被分为3个交易时段,这与国外市场有着很大的不同。交易时间分段可能使中国市场上波动率的结构与国外存在差异。通过异质自回归已实现波动率(HAR-RV)模型框架与半秒钟采样频率的高频期货合约交易数据,对价格波动率的结构特征及预测问题进行研究。研究验证了中国市场上预测的时间尺度由日缩小到交易时段尺度的可行性,发现了中国原油期货价格波动率有时段波动的特征,且时段特征的加入显著提高模型的预测性能。此外,研究还发现,预测时间尺度的缩小促进已实现波动序列平稳性的改善,发展了非平稳时序下HAR-RV模型研究问题,波动率的预测结果可为投资者和管理者对中国原油期货市场设计出更为精准的风险管理工具。

基于高频数据的沪指波动长记忆性驱动因素分析

借助于高频数据的最优取样法,利用已实现波动率给出的上证指数波动率的有效估计,在研究已实现波动率特性的基础上,用计量模型探讨沪指波动的长记忆特征。发现HAR-RV模型比FARIMA模型更能有效地刻画沪指波动的长记忆性,且HAR-RV模型样本外预测效果远远优于FARIMA模型,这说明沪指波动具有伪长记忆性,表面特征显示的长记忆性是由短期投资、中期投资和长期投资形成的短记忆性叠加而成。同时由于HAR-RV模型综合考虑了不同时间水平上的已实现波动率,从而在深层次上验证了中国股票市场的异质性和波动率的杠杆效应。

投资者情绪、期权隐含信息与股市波动率预测——基于上证50ETF期权的经验研究

在异质自回归模型(HAR-RV)中引入中国上证50ETF期权隐含信息和投资者情绪,本文分别对中国股票市场未来日、周和月波动率进行预测。研究发现,期权隐含信息和投资者情绪能够提高HAR-RV模型对股票市场未来波动率的预测效果。投资者情绪对未来波动率的影响存在两种机制:在情绪高涨期间,月已实现波动率与未来波动率正相关,说明以个人投资者占主体所引起的价格信息机制,在中国股票市场交易中占主导作用;风险中性偏度与未来波动率负相关,说明以个人投资者占主体所引起的噪声交易机制占主导作用。

基于已实现波动率的长记忆性分析

根据长记忆性的检验方法,即H/S分析法、GPH法,分别对上证指数收益率波动的长记忆性进行检验。同时,采用已实现波动率(RV)对波动进行度量,结合ARFIMA-RV、HAR-RV长记忆性模型进行分析,证实上证指数的RV序列具有长记忆性,而且HAR-RV模型能更好地对波动进行预测分析。

投资者情绪、极差与波动率预测--基于上证50ETF期权的经验研究

文章结合已实现极差指标、期权隐含信息以及投资者综合情绪指标,构建HAR-RR-IV-SK-CICSI模型并对其预测效果和机制进行了实证研究。研究发现,日、周、月已实现极差对未来波动率均有显著的预测能力,且日、周极差更适用于短中期的预测,而月波动率在长期预测中的表现更为显著;相比于HAR-RV类模型,HAR-RR类扩展模型更精确有效;CICSI指标不必通过隐含波动率及风险中性偏度而间接影响中长期的波动率预测,说明了投资者看涨看跌的情绪与其实际投资决策行为并不完全是一致的。

中国金融市场波动率建模及其预测研究: 基于新的分解方法

在复杂多变的金融市场环境中,对金融资产波动率准确建模和预测具有极其重要的理论和实践意义.因此,本研究基于多种波动率分解方法,并嵌入结合马尔可夫机制模型,重新构建了多个新的异质自回归已实现波动率模型,进一步以上证50ETF为研究对象,对比了各模型的预测精度.主要实证结果发现:(1)利用模型信度集(model confidence set,MCS)检验,发现预测效果最佳的是结合马尔可夫机制并采用分位数组波动率新构建的模型(MSPHAR),且各种稳健性检验也支持上述结论;(2)在高低波动时期、疫情前后和考虑杠杆效应等不同情形下,新构建的MS-PHAR模型仍具有较好的表现.

基于马尔科夫状态转换和跳跃的高频波动率模型预测

以HAR-RV、HAR-RV-J、HAR-RV-CJ和HAR-RV-TCJ模型为基础,结合马尔科夫状态转换机制,构建了四种新的马尔科夫状态转换高频波动率模型。同时,用沪深300股指期货的高频数据,运用滚动时间窗的样本外预测方法和信度设定检验(Model Confidence Set,MCS),分析了四种新模型对未来波动率的预测能力。实证结果表明,总体上,四种新的马尔科夫状态转换模型比原有波动率模型具有更好的预测表现;在众多波动率模型里,MS-HAR-RV-TCJ模型具有更高的预测精度。然而,实务界常用的低频波动率模型(如GARCH等)的预测能力表现得并不突出。

引入宏观经济指标的棉花期货已实现波动率建模研究

本文是基于高频数据的棉花期货已实现波动率的建模研究。选择影响棉花期货波动率的宏观经济指标,通过主成分分析提取出两种主成分,将这两种主成分以加性形式引入棉花期货市场已实现波动率的HAR-RV-CJ模型中,建立了包括宏观经济变量的HAR-RV-CJ-MEV模型,并将HAR-RV-CJ-MEV模型与HAR-RV-CJ模型的拟合与预测效果进行对比,结果表明,引入宏观经济指标的HAR-RV-CJ-MEV模型的拟合、预测效果较HAR-RV-CJ模型有所提高,且对数形式下对棉花期货短期(h=1)、中期(h=5)、长期(h=22)已实现波动率的拟合及预测能力的改进依次递增,即对长期已实现波动的拟合及预测效果最好。

基于跳跃规模细分的已实现波动率建模研究

基于金融高频数据的已实现波动相关理论的提出,使得对跳跃波动与连续波动的识别及区分建模成为可能。不同规模的跳跃可能对应于不同的风险源并存在不同的时间序列特征,但现有文献尚未研究过对大、小跳跃的区分建模。鉴于此,在已实现波动HAR-RV-CJ模型基础上,提出选择合适的阈值,将跳跃波动进一步细分为大跳跃与小跳跃,构建基于跳跃规模细分的HAR-RV-CJ-BS模型。使用沪深300指数5分钟高频价格的移动窗样本外预测表明,HAR-RV-CJ-BS模型对短期、中期、长期已实现波动的预测能力均较HAR-RV-CJ模型有所提升,且对长期波动预测精度的改进最为显著。

引入测量误差和马尔科夫转换机制的高频波动率建模与预测

基于现实金融市场同时存在已实现波动率测量误差问题以及市场结构突变现象,将马尔科夫转换机制引入经测量误差修正的模型,构建了具有时变特征的MRS-HARQ族模型,以期进一步提高HAR框架下波动率模型的预测精度.以沪深300指数2005年4月-2021年7月5分钟高频数据为样本的实证研究证实:相比于HAR和HARQ(F)族模型,结合测量误差和马尔科夫转换机制构建的MRS-HARQ族模型具有更优的拟合效果和预测能力,能够更准确地刻画中国股市真实波动的复杂特征,并发现高波动状态持续的时间都不长;更进一步在文章所探讨的16种高频波动率模型中,结合已实现正负半方差的MRS-HARQ-RS模型和结合符号跳跃的MRS-HARQ-SJ模型拥有最佳的样本外预测能力.研究结论在金融风险建模、资产定价和金融预测领域有较好的应用价值.

基于杠杆效应和结构突变的HAR族模型及其对股市波动率的预测研究

近年来,基于高频交易数据的HAR族模型在对各类金融市场波动率的预测研究中展现出了良好的预测效果.本文在4个经典或前沿的HAR族模型的基础上,考虑杠杆效应和结构突变因素对波动率的预测作用,构建4个带杠杆效应和结构突变的HAR族模型.接着,以上证综指和深证成指的5分钟高频交易数据为研究样本,对上述模型进行样本内和样本外分析,以此检验各成分对股市波动率的预测作用以及比较各模型的预测能力.实证结果显示:已实现波动率,连续波动率,下行波动率,上行波动率,杠杆效应和结构突变成分对股市波动率的预测作用较强,而跳跃波动率,符号跳跃方差对股市波动率的预测作用较弱;带杠杆效应和结构突变的HAR族模型对股市波动率的样本内拟合效果和样本外预测能力都明显优于相对应的不带杠杆和结构突变的HAR族模型,其中大多数情况下LHAR-CJ-SB模型展现出最高的拟合效果和预测精度.以上结果表明,杠杆效应和结构突变因素能有效提高HAR族模型的预测精度,所以在HAR族模型的构建中这两个因素不能被忽视.