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。

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。

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。

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。

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.

基于符号价格极差的金融资产波动率预测研究

从价格极差在补充波动率预测方面的优秀表现和收益率符号信息在资本市场的广泛运用出发,本文将价格极差与收益率符号结合起来,构建了符号价格极差这一影响因子,并加入到4个主流的HAR模型中.基于上证综指的5分钟高频交易数据的实证结果表明:符号价格极差短期内对未来波动率影响显著且具有"非对称性",负(正)的符号价格极差导致未来波动率明显提高(降低);样本外预测结果显示,引入符号价格极差能够显著提高模型的预测能力且结果是稳健的,其中HAR-RSV-SR模型和HAR-Q-SR模型分别在对短期(1天)和中长期(5天和20天)的未来波动率预测中,表现出最高的预测精度.本文的结论对于波动率在资产定价和风险管理上的应用有着重要的参考价值.