基于Stein-Stein波动率和动态VaR约束下DC型养老基金的最优投资策略

研究了确定缴费型养老基金在退休前累积阶段的最优资产配置问题.假设养老基金管理者将养老基金投资于由一个无风险资产和一个价格过程满足Stein-Stein随机波动率模型的风险资产所构成的金融市场.利用随机最优控制方法,以最大化退休时刻养老基金账户相对财富的期望效用为目标,分别获得了无约束情形和受动态VaR (Value at Risk)约束情形下该养老基金的最优投资策略,并获得相应最优值函数的解析表达形式.最后通过数值算例对相关理论结果进行数值验证并考察了最优投资策略关于相关参数的敏感性.

Stein-Stein波动率下保险最优投资

目的研究随机波动率下保险公司最优投资策略问题。方法使用随机波动率SteinStein模型,运用动态规划原理方法。结果假设盈余水平服从扩散过程,在最小化破产概率准则下建立并求解了HJB方程。结论通过求解方程得到了最优投资决策和最小化破产概率的解析解。

基于跳聚集现象随机波动率短期利率模型的影响研究

构建了具有自我激励机制跳的随机波动率短期利率模型,应用Hawkes过程描述自我激励机制的跳,从而刻画了跳的聚集现象。基于微分算子展开给出精确的矩函数,进一步应用广义矩方法给出模型的参数估计值和统计推断。实证结果揭示了在随机波动模型条件下,引入自我激励机制跳的模型将不会明显地改变了拟合效果,但是在统计意义上接受强度满足Hawkes过程,而且所构建的模型也能很好地刻画跳的聚集现象。最后,使用过滤方法给出随机波动率、跳的幅度、跳的概率和随机跳强度的估计,特别是跳的概率估计值可作为市场压力测试的一个重要指标。

基于LLM的金融市场波动率高频数据异常检测方法

金融市场高频数据包括时间序列数据和其他宏观经济指标,通常具有高维特征.其处理需要更复杂的算法,易产生较高的模型过拟合风险.基于此,提出基于局部线性映射(Local Linear Mapping,LLM)的金融市场波动率高频数据异常检测方法,对各个高频数据目标的日平均序列数据进行标准化处理,在数据筛选时,使用标准化处理设定相关阈值,将不同维度的数据转化为相同的尺度,并利用连通图算法,将具有边连接的金融市场波动率高频数据划分至一个群组内,计算待检测高频数据阈值,采用局部线性映射,完成金融市场波动率高频数据异常检测.实验结果表明:所提方法在TPR为0.98时,ROC曲线稳定运行,贡献因子为1.287,重构误差为1.6%,能够以最快速度使训练集异常检测的损失值达到稳定.

股票市盈率波动有偏性对投资者股票交易量的影响研究--基于沪深300指数

有着独特波动规律的股票市盈率,会对投资者的股票交易产生影响。从市盈率波动有偏性的角度出发,以沪深300指数的市盈率数据为研究样本,构建回归模型,实证检验市盈率波动有偏性对股票交易量的影响,结果表明:沪深300指数市盈率波动相对于正常波动水平存在明显右偏性;沪深300指数市盈率波动的持续时间较长且具有非对称性;沪深300指数市盈率波动右偏性对股票成交量具有显著的反向影响,并且这种影响受到经济增长、出口量、利率、汇率、居民消费价格指数和货币供应量的非对称约束。要稳定股市交易量,就需要综合考虑上述因素的影响,并根据市场变动灵活调整政策措施。

客户波动性对企业全要素生产率的影响研究

从动态的客户关系视角出发,以2012-2021年A股制造业上市公司为研究对象,基于资源依赖、客户关系管理和信号传递理论,构建了竞争情境下客户波动性对企业全要素生产率的分析框架,运用有调节的中介模型揭示它们之间的经济意义。结果表明,客户波动性对企业全要素生产率有显著负向影响,客户波动性会通过提升管理成本率来抑制企业全要素生产率的提高;从有调节的中介效应来看,客户波动性与企业竞争地位的交互效应会负向调节企业管理成本率在客户波动性与企业全要素生产率之间的中介关系。异质性检验发现,在非国有企业和竞争地位较低企业中,客户波动性对企业全要素生产率的抑制作用更为显著。

带有时变杠杆效应的随机波动率模型参数估计及其应用

为了更好地捕捉金融时间序列中杠杆效应的时变非对称性,本文基于线性样条思想,提出一种带有时变杠杆效应的半参数随机波动率模型,并利用贝叶斯MCMC方法对所提模型中的参数进行了估计.模拟研究表明贝叶斯MCMC方法在所提模型的参数估计方面有着良好的有限样本表现.最后利用本文所提出的带有时变杠杆效应的半参数随机波动率模型对2000年1月4日至2020年8月18日的上证综合指数和深证成份指数日收益数据进行了实证分析,结果表明利用本文所提出的模型拟合这两组实例数据是合理的.

次分数随机波动率下可转换债券定价

可转换债券作为同时涉及债券、股票和期权的复合衍生证券,其定价是金融数学的热点问题.考虑实际金融资产收益率不具有独立增量和平稳增量,以及波动率具有随机性,建立标的资产价格服从次分数布朗运动驱动的随机微分方程和Hull-White随机波动率模型,采用极大似然估计方法得到模型参数,利用蒙特卡洛法模拟计算可转换债券的价格.结合东时转债实际交易数据进行实证分析,并与其他模型进行对比,结果表明次分数随机波动率下可转换债券定价模型比传统模型更符合金融市场的变化.

无模型隐含波动率的信息含量与定价能力——基于上证50ETF期权的实证研究

本文从上证50ETF期权价格中提取无模型隐含波动率并检验其信息含量,基于随机折现因子理论推导波动率风险的系统性与正负性判定公式,从波动率风险溢酬和相关性两方面验证波动率是否为系统性风险,进而基于A股市场的个股数据检验波动率风险在股票截面收益上的定价能力。研究结果表明:无模型隐含波动率包含BS隐含波动率中的所有信息和历史波动率中的大部分信息,是未来已实现波动率的有效估计;市场波动率为系统性风险因子且存在显著为负的风险溢酬;组合分析表明,对市场波动率暴露较大的股票组合在未来的收益较低,且暴露最大与最小股票组合的收益率之差显著为负,该结论在控制经典风险因子和改变交易策略之后依然稳健;Fama-MacBeth两步法结果表明波动率风险被定价且风险价格显著为负。

基于分解重构的欧盟碳排放权市场波动率预测研究——新冠疫情、俄乌冲突背景下

碳排放权交易系统受多种因素影响具有强非线性、强波动性等特点,碳排放权收益波动率的预测极具挑战性。近年来突发的新冠疫情和俄乌冲突对碳市场带来了前所未有的冲击。以GARCH(1,1)波动率作为欧盟碳排放权的“真实”波动率,针对近几年动荡不安的碳市场,提出了一种基于自适应噪声完备集合经验模态分解(CEEMDAN)、样本熵(SE)、支持向量回归(SVR)、长短时记忆神经网络(LSTM)的波动率复合预测模型,即CEEMDAN-SE-SVR/LSTM/LSTM。该模型通过CEEMDAN和SE捕捉碳排放权波动率不同时间尺度上的特征,利用传统机器学习SVR在小样本上的鲁棒性以及深度学习LSTM模型长记忆特征对波动率实现精准预测。以近期欧盟EUA期货数据为样本进行了实证分析,结果表明,CEEMDAN-SE-SVR/LSTM/LSTM模型预测精度和鲁棒性优于其它参考模型。

四阶Edgeworth密度函数上的有效域与隐含波动率应用

以正态分布为基底的Edgeworth级数展开是一个渐进展开序列,其截断形式常用以逼近未知的概率密度函数.若截断的Edgeworth级数能成为一个有效的(非负的)概率密度,前提条件是对参数(累积量)的取值做一些限制.文章介绍了在数值上求解四阶Edgeworth展开中参数的约束区域的算法,从而保证参数限制在有效区域内的四阶Edgeworth展开序列可以被认为是有效的概率密度.此外,给出了基于Black-Scholes公式的四阶Edgeworth密度函数的期权定价公式,并建立了隐含波动率微笑的水平、斜率和曲率与风险中性标准差、偏度和超值峰度之间的联系.

上证50ETF期权隐含波动率曲面预测研究——基于融入先验金融知识的集成GRU神经网络

基于Zheng等人[1]的研究框架,即将先验金融知识纳入神经网络的设计和训练,提出了一种预测隐含波动率曲面的集成GRU神经网络模型。该模型使用了一种包含波动率微笑的激活函数,并将无套利、左右边界和渐进斜率等金融条件纳入神经网络的训练过程中。利用上证50ETF期权2015年2月9日至2023年3月31日期间的交易数据进行了实证分析。实证结果显示:与SSVI模型和基准神经网络模型相比,集成GRU模型在训练集上的平均绝对百分比误差为8.56,在测试集上的平均绝对百分比误差为11.17,是所有模型中预测精度最高的,同时满足了嵌入的金融条件。

基于波动率目标的信用债券指数增强策略

本文介绍和分析了波动率目标策略。相较于买入持有策略,该策略能有效提高多种风险资产的夏普比率,并降低尾部风险。文中以中债市场隐含评级AA+信用财富指数为例,首先检验原始波动率目标策略的表现,针对该策略对尾部风险保护不足的问题,提出了改进方法,获得了显著的效果。

双融合模型在香港股市的波动率量化交易策略研究

在金融市场中,波动率反映了资产价格的不稳定性和风险程度。波动率量化交易策略是一种利用波动率来指引投资者进行交易的方法,并能够带来一定的收益。本文的目的是探讨时间序列模型和机器学习模型相结合的双融合模型在波动率量化交易策略中的应用,以提升策略的效果和稳健性。我们采用了3种时间序列模型Generalized Autoregressive Conditional Heteroskedasticity (GARCH)、Glosten Jagannathan Runkle GARCH (GJR-GARCH)和Exponential GARCH (EGARCH),以及4种传统机器学习模型Random Forest (RF)、Adaboost (ADA)、Gradient Boosting Decision Tree (GBDT)和Histogram Based Gradient Boosting (Hist-GB),组合成了12种双融合模型对波动率进行预测。同时,我们进行了模拟交易的回测实验,以评估该波动率量化交易策略的性能。该策略在香港市场中的股票都获得了较好的收益,为投资者提供了有价值的参考。

高胜率投资:大波动后的共识

回顾2015年与2018年两次大波动,其对后续市场风格、机构审美、乃至投资世界观与方法论,均形成了深刻影响甚至重塑。因此当下,从这两段历史中提炼共性、并对未来的市场(不仅仅今年,很有可能数年)形成启迪与借鉴至关重要。本文我们首次将两轮大波动后的行情特征总结归纳为“高胜率投资”,详细探讨了为何大波动后高胜率投资成为共识、高胜率资产的特征以及对于后续市场的展望。

基于改进深度学习的金融时间序列波动率研究

线性模型和传统神经网络模型是常用的传统金融时间序列预测方法,但在非线性、非平稳的金融时间序列预测中存在一定的局限性。对此,文章提出了一种改进的深度学习模型。该模型结合了卷积神经网络和长短时记忆网络,可以有效捕捉金融时间序列中的非线性特征。通过真实数据与预测结果对比发现,文章提出的算法模型有助于捕捉金融时间序列中的非线性特征,可提高波动率预测的准确性。

投资者情绪对股市波动率的影响研究—基于沪深300指数的实证分析

在当前全球经济环境中,市场波动性的加剧已成为金融领域关注的焦点之一。特别是在信息快速流动与社交媒体影响日益扩大的今天,投资者情绪对股市波动率的影响愈发显著。本文选取2003年1月至2023年8月适合我国投资者情绪的代理指标数据和沪深300指数每日收盘价,构建投资者情绪和股市波动率的VAR模型。研究发现:投资者的情绪与股市波动率两者之间存在相关性;投资者情绪是股市波动率的格兰杰原因;投资者情绪与股市波动率在短期内存在相互影响关系。据此本文对投资者和监管者提出相关建议。

欧盟碳排放权波动率断点及其影响过程研究

利用Bai-Perron多断点结构检验确定了2008-2022年期间欧盟碳排放权交易系统中存在的结构断点,并通过在传统AR-GARCH模型的均值方程和方差方程中加入过程虚拟变量,提出可以反映断点事件影响过程的过程虚拟变量研究方法。实证结果表明,欧盟碳排放权波动率发生了5次结构性突变。采用过程虚拟变量研究方法有效捕捉了断点对碳价收益和波动的事前、事后影响过程。

引入方差/波动率资产的动态最优投资组合

本文在构建投资组合时,除了包含传统的股票资产和无风险资产,还引入方差/波动率资产.给出了动态最优投资组合的显式解,发现方差/波动率资产价格是影响投资组合权重的重要状态变量.方差/波动率资产价格反映了市场的波动程度,股票资产以及方差/波动率资产的最优权重都会随着方差/波动率资产价格的增加而降低.基于美国市场的实证研究表明,组合中加入VIX期货有助于分散组合风险和提高组合样本外绩效,而组合中不包含VIX期货会导致投资者遭受一定的经济成本.

经济政策不确定性对中国股市波动率的影响

借鉴REGARCH-MIDAS SK模型的建模思路及框架,引入经济政策不确定性指数(CEPU),提出了REGARCH-MIDAS-CEPU SK模型,该模型优势在于可将高频日内数据与低频不确定性指数数据结合,同时考虑股市收益率的多种特性,能够准确分析经济政策不确定性对股市波动的影响机理。采用上证综指收盘价日度数据和经济政策不确定性指数及其细化指数月度数据,利用引入了经济政策不确定性的双因素REGARCH-MIDAS SK(REGARCH-MIDAS-CEPU SK)模型,实证分析总体和细化经济政策不确定性对股市波动率的影响作用。实证结果表明:提出的双因素模型在样本内拟合与样本外预测实证中,其性能均优于现有双因素模型,说明该模型的提出具有显著的理论与实践意义。此外,研究证明各类经济政策不确定性水平增加均会促进股票市场波动,其中货币政策和贸易政策不确定性对股票波动长期趋势影响较大,贸易政策不确定性对股市波动率的影响持续时间较长,股市波动对财政政策以及外汇和资本账户政策不确定性变动较为敏感,由此可见四类经济政策不确定性对股市波动的影响机理各不相同。