基于已實現EGARCH模型的股票市場風險度量方法研究
發(fā)布時間：2021-06-26 05:06
“互聯網+”時代催生了眾多嶄新的金融模式和金融產品,加之國內外政治和經濟環(huán)境的不斷變化,防范金融風險逐漸成為政府與實業(yè)界的工作重心。隨著云計算、大數據等新技術的發(fā)展,對金融高頻數據進行收集、分析的技術日益成熟,基于已實現測度的波動率預測和風險度量逐漸成為研究熱點,但是基于Realized EGARCH模型對中國股市進行風險度量的研究亟待補充。本文對已實現EGARCH模型的殘差分布進行拓展,嘗試利用非參數和半參數方法對條件方差進行估計,并比較了不同分布假設和不同參數估計方法下已實現EGARCH模型對滬深300指數收益波動率和VaR的預測效果。本文以R-EGARCH模型為主要研究對象,選擇股票市場中代表性指數——滬深300作為主要實證分析樣本。首先研究了學生t分布和GED分布假設下R-EGARCH模型的參數估計方法,并應用其對滬深300指數進行波動率預測和VaR度量,同時探討了二元已實現測度模型的預測效果;其次,本文提出已實現EGARCH模型波動率方程的非參數和半參數估計方法,從而對滬深300指數進行波動率預測和風險度量,并與參數估計法下預測結果進行對比;最后將單一變量模型推廣至多元情況,...
【文章來源】：山東大學山東省 211工程院校 985工程院校 教育部直屬院校
【文章頁數】：57 頁
【學位級別】：碩士
【部分圖文】：
基于不同頻率數據計算的已實現波動率
?山東大學碩士學位論文???由于市場微觀噪聲的存在，數據采樣頻率過高會導致已實現波動率嚴重偏離??真實波動率，采樣頻率過低則會損失數據中隱含的信息。從表２－１和圖２－１、２＿２??中可以發(fā)現，相較于利用其他頻率數據計算的己實現波動率（即７？Ｋ３等），??基于５ｍｈｉ數據計算的己實現波動率具有較好的表現，并且及尤５還要優(yōu)于??７２Ｋ５，這與Ａｎｄｅｒｓｅｎ等（２００１）的研究結論相符合。因此，本文將基于５ｍｉｎ高??頻數據展開研究，并重點選擇７？尤５作為己實現測度進行建模。??
?山東大學碩士學位論文???２．４．２滬深３００指數收益率特征分析??１．滬深３００指數的尖峰厚尾特征??從表２－１中數據可以發(fā)現，滬深３００指數收益率序列具有明顯的尖峰厚尾特??征，且不符合正態(tài)分布假設。圖２－３為滬深３００指數收益率序列的正態(tài)分布、學??生ｔ分布以及ＧＥＤ分布擬合圖。其中，灰色條形圖是收益率序列頻率分布直方??圖，紅色鐘形曲線為正態(tài)分布擬合曲線，藍色曲線為學生ｔ分布擬合曲線，橘色??尖峰曲線為ＧＥＤ分布擬合曲線。從圖２－３可以清晰地發(fā)現頻率分布直方圖具有??較高的峰度和厚尾，與正態(tài)分布差距較大，但是與學生ｔ分布和ＧＥＤ分布較為??接近。因此，在傳統正態(tài)分布假設無法滿足實際建模需要的情況下，本文后續(xù)將??利用學生ｔ分布和ＧＥＤ分布假設下的Ｒ－ＧＡＲＣＨ、Ｒ－ＥＧＡＲＣＨ模型對滬深３００??指數收益率進行建模�！�??－
【參考文獻】：
期刊論文
[1]基于厚尾分布下Realized GARCH模型的中國股票市場波動研究[J]. 劉若萌,郭名媛. 天津理工大學學報. 2017(05)
[2]基于已實現NGARCH模型的上證50指數的風險度量[J]. 魏正元,羅云峰,余德英,王愛法. 重慶理工大學學報(自然科學). 2017(05)
[3]基于偏t分布realized GARCH模型的尾部風險估計[J]. 黃友珀,唐振鵬,周熙雯. 系統工程理論與實踐. 2015(09)
[4]Realized GAS-GARCH及其在VaR預測中的應用[J]. 王天一,黃卓. 管理科學學報. 2015(05)
[5]利用高頻數據預測滬深300指數波動率——基于Realized GARCH模型的實證研究[J]. 王天一,趙曉軍,黃卓. 世界經濟文匯. 2014(05)
[6]基于VaR-GARCH模型的開放式基金風險估計[J]. 張燃,李念. 金融教學與研究. 2012(04)
[7]高頻數據波動率建模——基于厚尾分布的Realized GARCH模型[J]. 王天一,黃卓. 數量經濟技術經濟研究. 2012(05)
[8]基于小波變換的多尺度跳躍識別與波動性估計研究[J]. 王春峰,姚寧,房振明. 管理科學學報. 2010(10)
[9]基于VaR-GARCH模型對證券投資基金風險的實證研究[J]. 周澤炯. 華東經濟管理. 2009(02)
[10]股市收益率的風險測量——基于參數與非參數GARCH技術的動態(tài)VaR計算[J]. 王芳,張進滔. 統計與決策. 2007(06)
博士論文
[1]基于Copula理論和GPD模型的金融市場風險測度研究[D]. 李強.重慶大學 2012
碩士論文
[1]基于Skewed-T Realized GARCH模型的滬深300指數波動性研究[D]. 康凱.天津商業(yè)大學 2017
[2]基于VaR分析與Copula方法的互聯網金融風險度量[D]. 蘭翔.山東大學 2017
[3]已實現NGARCH模型及應用研究[D]. 羅云峰.重慶理工大學 2017
本文編號：3250683
【文章來源】：山東大學山東省 211工程院校 985工程院校 教育部直屬院校
【文章頁數】：57 頁
【學位級別】：碩士
【部分圖文】：
基于不同頻率數據計算的已實現波動率
?山東大學碩士學位論文???由于市場微觀噪聲的存在，數據采樣頻率過高會導致已實現波動率嚴重偏離??真實波動率，采樣頻率過低則會損失數據中隱含的信息。從表２－１和圖２－１、２＿２??中可以發(fā)現，相較于利用其他頻率數據計算的己實現波動率（即７？Ｋ３等），??基于５ｍｈｉ數據計算的己實現波動率具有較好的表現，并且及尤５還要優(yōu)于??７２Ｋ５，這與Ａｎｄｅｒｓｅｎ等（２００１）的研究結論相符合。因此，本文將基于５ｍｉｎ高??頻數據展開研究，并重點選擇７？尤５作為己實現測度進行建模。??
?山東大學碩士學位論文???２．４．２滬深３００指數收益率特征分析??１．滬深３００指數的尖峰厚尾特征??從表２－１中數據可以發(fā)現，滬深３００指數收益率序列具有明顯的尖峰厚尾特??征，且不符合正態(tài)分布假設。圖２－３為滬深３００指數收益率序列的正態(tài)分布、學??生ｔ分布以及ＧＥＤ分布擬合圖。其中，灰色條形圖是收益率序列頻率分布直方??圖，紅色鐘形曲線為正態(tài)分布擬合曲線，藍色曲線為學生ｔ分布擬合曲線，橘色??尖峰曲線為ＧＥＤ分布擬合曲線。從圖２－３可以清晰地發(fā)現頻率分布直方圖具有??較高的峰度和厚尾，與正態(tài)分布差距較大，但是與學生ｔ分布和ＧＥＤ分布較為??接近。因此，在傳統正態(tài)分布假設無法滿足實際建模需要的情況下，本文后續(xù)將??利用學生ｔ分布和ＧＥＤ分布假設下的Ｒ－ＧＡＲＣＨ、Ｒ－ＥＧＡＲＣＨ模型對滬深３００??指數收益率進行建模�！�??－
【參考文獻】：
期刊論文
[1]基于厚尾分布下Realized GARCH模型的中國股票市場波動研究[J]. 劉若萌,郭名媛. 天津理工大學學報. 2017(05)
[2]基于已實現NGARCH模型的上證50指數的風險度量[J]. 魏正元,羅云峰,余德英,王愛法. 重慶理工大學學報(自然科學). 2017(05)
[3]基于偏t分布realized GARCH模型的尾部風險估計[J]. 黃友珀,唐振鵬,周熙雯. 系統工程理論與實踐. 2015(09)
[4]Realized GAS-GARCH及其在VaR預測中的應用[J]. 王天一,黃卓. 管理科學學報. 2015(05)
[5]利用高頻數據預測滬深300指數波動率——基于Realized GARCH模型的實證研究[J]. 王天一,趙曉軍,黃卓. 世界經濟文匯. 2014(05)
[6]基于VaR-GARCH模型的開放式基金風險估計[J]. 張燃,李念. 金融教學與研究. 2012(04)
[7]高頻數據波動率建模——基于厚尾分布的Realized GARCH模型[J]. 王天一,黃卓. 數量經濟技術經濟研究. 2012(05)
[8]基于小波變換的多尺度跳躍識別與波動性估計研究[J]. 王春峰,姚寧,房振明. 管理科學學報. 2010(10)
[9]基于VaR-GARCH模型對證券投資基金風險的實證研究[J]. 周澤炯. 華東經濟管理. 2009(02)
[10]股市收益率的風險測量——基于參數與非參數GARCH技術的動態(tài)VaR計算[J]. 王芳,張進滔. 統計與決策. 2007(06)
博士論文
[1]基于Copula理論和GPD模型的金融市場風險測度研究[D]. 李強.重慶大學 2012
碩士論文
[1]基于Skewed-T Realized GARCH模型的滬深300指數波動性研究[D]. 康凱.天津商業(yè)大學 2017
[2]基于VaR分析與Copula方法的互聯網金融風險度量[D]. 蘭翔.山東大學 2017
[3]已實現NGARCH模型及應用研究[D]. 羅云峰.重慶理工大學 2017
本文編號：3250683
本文鏈接：http://www.sikaile.net/jingjilunwen/jingjiguanlilunwen/3250683.html
最近更新
教材專著
