论文部分内容阅读
对金融资产波动率的描述和预测是现代金融学理论和实务界研究的热点和难点问题,因为它与资产定价理论的检验、最优资产组合的选择、衍生品套期保值策略以及金融风险的测度和管理密不可分。近十多年,随着计算机技术的飞速发展和金融高频数据获取性逐渐增强,基于日内高频数据的波动率测度方法及其建模预测受到了国内外学者的热切关注。其中,最受学术界和实务界关注的是已实现波动率和已实现极差波动率。为此,论文基于异质市场假说构建的异质自回归已实现(HAR-RV)和已实现极差波动率(HAR-RRV)模型为基础波动率模型,首先评价它们与传统波动率模型预测能力的优劣性,而后重点研究探讨跳跃和符号跳跃变差对模型估计和预测方面的影响。在此基础上,论文提出了含跳跃的符号跳跃变差,构建了新的波动率模型,并分析对比了新旧波动率模型的预测能力。进一步,论文进利用马尔科夫状态转换机制拓展了预测效果较优的波动率模型,并结合投资组合的角度,分析了它们的经济价值(Economic Value)。在波动率预测方面,论文选择了样本外预测滚动技术和严谨而又新颖的模型信度集检验(Model Confidence Set, MCS)方法,主要实证结果有：(1) HAR-RV模型相比传统的几种波动率模型(如：ARFIMA-LnRV、GARCH族等)在刻画和预测市场波动率方面具有更优的表现。另外,HAR-RRV模型相较于传统的波动率模型也展现出了较高的预测精度。另外,用已实现二次幂变差(Realized Bipower Variance, BPV)来替代已实现波动率(Realized Volatility, RV)作为真实市场波动率的替代变量,以此评价了各波动率模型的预测表现,实证结果表明上述结论是稳健的；(2)引入符号跳跃变差(Signed jump variation, SJV)后,不仅可改善原有波动率模型的拟合能力,而且还有助于提高波动率模型的预测精度。相比符号跳跃变差,其分解形式(正向和负向SJV)对未来波动率具有更好的解释能力,且它们对未来波动率的影响具有非对称性；加入正、负向跳跃变差的HAR-RV-TJ(或HAR-RRV-CJ)模型展现出了更高的预测精度；(3)相比正向已实现半变差,未来波动率与负向已实现半变差具有更强的联系。另外,本章新构建的符号跳跃变差对未来波动率具有显著的负向影响,有助于降低未来波动率。运用Wald检验,论文发现正负已实现半变差和正负符号跳跃变差对未来波动率的影响是非对称的。相比原有其他的高频波动率模型,论文新提出的模型具有更强的预测能力。选取比已实现波动率(RV)更为稳健的已实现核波动率(RK)作为基准波动率,上述结论基本一致；(4)将马尔科夫波动率模型拓展到预测效果较优的波动率模型中,发现不论是已实现波动率和已实现极差波动率模型的马尔科夫状态机制都具有较好的预测表现,尤其是已实现极差波动率模型引入该机制后,展现出了比线性HAR-RRV族模型更高的预测能力。以两尺度已实现波动率作为真实市场波动率,MCS的检验结果表明,MS-HAR-RV-PS9模型是论文所有波动率模型中预测精度最高的模型。在评价各波动率模型的经济价值时,将每个波动率模型看成一种策略,实证结果表明本章新提出的MS-HAR-RV-PS9所构成的策略能获取最大超额收益,进而表明本论文新构建波动率模型在实践应用中的价值,且为投资者在选择投资组合策略时提出了实际可行的研究思路和操作方法。