论文部分内容阅读
波动率的准确度量和预测是现代金融中资产定价，投资组合配置，风险管理和货币政策制定等基本问题的重要组成部分．对金融资产波动率的描述方法主要有三类，统计方式例如自回归条件异方差(ARCH)模型和随机波动率(SV)模型对波动率进行刻画，以及通过市场上衍生品价格，倒推出金融模型中的隐含波动率，来反映投资者对标的资产未来的预期波动率．由于波动估计结果是由模型驱动的，所以对模型的具体选择非常敏感．
本文由五章组成．第一章主要介绍了波动率预测的理论背景，包括收益率和波动率性质的分析，第二章给出了波动率估计和长记忆过程等重要概念的定义．第三章详细描述了各种模型在度量、模拟和预测波动率等方面的优势和不足．第四章包含了本文所用到的统计方法，特别是半参方法在金融时间序列中的应用．本文最重要的是第五章，在这章中，我们广泛的对多个金融市场的收益率和波动率的经验分布性质进行了实证分析．同时对实际波动率运用时间序列模型并检验了其预测效果．
在第五章中我们首先研究了中国股市的长记忆特性，分析了上证A股指数和深证A股指数的分布性质．实证结果表明两个市场存在波动率的杠杆效应，波动率聚类和波动率的长记忆性．中国股市的价格移动表现出不仅受近期信息的影响，也受远期过去信息的影响．通过统计分析，对对数化的实际波动率的度量和估计运用了基于正态分布和学生t分布的时间序列预测模型(GARCH，EGARCH，IGARCH，FIGARCH)．总的来说，上海和深圳股票指数的收益率和波动率序列的表现和其他新兴资本市场有相似的实证结果．
对样本数据我们采用了两个重要的方法：GPH检验和修正的R/S分析来检验日收益率的持续性，结果表明股指收益具有长记忆性，这意味着股指价格的波动具有正的自相关，同时对日绝对收益率和均方收益率的GPH检验和GSP检验结果支持泰勒效应，意味着中国股市波动率的长记忆性．中国股市的长记忆性实证与世界主要资本市场的对比揭示了在成熟资本市场和新兴资本市场之间可能存在不同的长期随机行为．
我们采用GARCH类模型对中国股票市场的日波动率进行预测，以MAE，RMSE，HR和DM检验来比较样本内和样本外往前一步的预测结果．上海和深圳市场的模型估计结果及预测结果一致．我们的实证结果也揭示了FIGARCH模型不仅能充分估计波动率的长记忆动态特性，而且在波动率预测的准确性方面也优于其他所选取的GARCH类(GARCH，EGARCH，IGARCH)模型．
众所周知原油是多种经济体系中极为重要的战略物资，在国际政治、经济、金融领域占有举足轻重的地位，本文也研究了括纽约期货交易所(NYMEX)和英国伦敦国际石油交易所(IPE)原油期货价格的动态性质，同时对多个波动率预测模型效果进行比较分析．
基于Jarque-Bera，Ljung-Box，ARCH-LM，ADF和KPSS检验，实证结果表明石油期货的收益率具有尖峰厚尾的非正态分布和随时间变化的自相关．通过修正的R/S分析和GPH检验，结果显示条件均值和条件方差中的长记忆参数是统计显著的．我们比较了带正态分布和学生t分布的GARCH类模型(GARCH，EGARCH，IGARCH，FIGARCH)，发现FIGARCH模型的数据模拟结果更好．FIGARCH模型中的参数d在不同分布下介于0和1之间，能描述条件方差中的长记忆特性．
最近的一些研究结果显示人工智能(AI)方法相对于传统的统计方法在预测方面有更好的表现，本文检验了支持向量机(SVM)方法与GARCH类模型(GARCH，EGARCH，IGARCH，FIGARCH)和神经网络(NN)方法相比，在金融时间序列预测方面的特性．实验结果显示对于波动率的预测，基于MAE，RMSE和HR标准，支持向量机方法表现更好．实证分析显示支持向量机方法在金融时间序列预测方面具有优势．