深证成指周收益率波动及预测实证研究——基于ARCH模型

文章以1996—2012年深证成指(399001)周收盘价为对象,就我国股市波动情况进行实证研究。研究结果表明,我国深成指周收益率序列不存在自相关;对比GARCH(1,1)模型和GARCH-M(1,1)模型,不含常数项的GARCH-M(1,1)模型优于捕捉深成指周收益率的波动性。文章最后对其波动性进行了预测分析。     

基于GARCH族模型的中国股市通信板块收益率波动分析

文章运用GARCH族模型分析中国沪深股市通信板块指数日收益率的波动特性,发现信息通信板块收益率是一个平稳过程,其波动具有＂聚集＂和＂非对称效应＂的特点。而GARCH（2,1）模型比GARCH（1,1）模型更好地消除了收益率序列的异方差,其中非对称模型TARCH（2,1）模型的拟合效果最好;GARCH-M模型和非对称的CARCH（1,1）模型都不适用于描述其收益率的波动特征。     

基于Swarm的股票市场建模与GARCH效应研究

波动性是金融研究的基础议题之一,文章在多主体模型的基础上对它进行了研究。首先,在Lux模型基础上增加观望者类型,建立改进模型,并在Swarm平台上进行仿真,产生与真实股价走势相似的价格时间序列,随后研究了模型收益率的GARCH效应,发现当市场处于周期形态时,收益GARCH效应显著,当市场处于泡沫均衡态时,收益GARCH效应并不显著。     

基于ARIMA模型和GARCH模型的美元指数波动性分析

美元指数在金融危机前后出现了耐人寻味的变化,其波动影响着国际经济、政治格局。本文运用自回归单整移动平均时间序列(ARIMA模型)和广义自回归条件异方差时间序列(GARCH模型)的方法分析美元指数,采集大量历史样本数据,对其波动特性进行实证研究。运用ARIMA模型对未来短期美元指数走向进行预测,表明美元指数的波动有一定的规律。同时,对美元指数建立用于描述大量金融时间序列的GARCH(1,1)模型,通过模型的定阶、检验、预测发现GARCH模型有较好的预测较长期整体走势的能力。     

高频数据波动率建模——基于厚尾分布的Realized GARCH模型

"厚尾现象"是金融时间序列分布的一个普遍特征,本文将RealizedGARCH模型推广到容纳厚尾分布的情形,并将杠杆函数的幂次放松为待估参数。结果显示,使用Skewed-t分布的模型能够较好地反映收益率序列的厚尾和偏峰性质,放松的幂次参数可以给出更贴合数据的"信息冲击曲线"。引入厚尾分布亦可用改进Realized GARCH模型对实现测度的预测,其中使用标准t分布的模型给出的预测精度最高。     

条件自回归极差模型与波动率估计

无论是在理论研究领域还是在应用领域，波动率的预测已经成为现代金融经济学和金融工程的重要课题。Chou（2005）针对极差提出了条件自回归极差模型（CARR）。本文在Parkinson（1980）的基础上，对极差作出了一个简单的修正，使得相应的CARR模型成为标准差的动态模型；然后以上证指数2001年4月27日至2005年12月5日的周收益率数据为样本，采用滚动样本的方法，利用CARR模型和GARCH模型分析了样本数据，作出了上证指数波动率样本外1至8周的预测，在多种事后波动率的测度下比较了修正后的CARR模型与GARCH模型对上证指数波动率的预测能力，证实了CARR模型在理论上的有效性。     

基于ARCH模型对万科A股票收益率波动实证研究

文章选取1996—2012年万科A股票收盘价格为样本对其收益波动性进行实证研究,对比分析GARCH、GARCH-M、TARCH和EGARCH四种模型。研究结果表明:万科A股票日收益率呈现明显的波动集群性特征,并且EGARCH(1,1)模型能最有效地捕捉万科A股票收益率的波动性。     

基于GARCH类模型的权证时变VaR值估计

由于权证收益率分布具有尖峰厚尾和非对称性的特征，其市场风险的估算运用GARCH类模型比较合适。本文选取包钢JTB1的日收盘价格序列为样本，分别用EGARCH、TGARCH模型估计样本期间内日VaR值，并进行了比较。结果表明，EGARCH模型较好地预测了损失结果，而TGARCH模型则低估了风险。因此，基于EGARCH模型对VaR值的计算能更好地反映权证收益率的波动特征和准确预计损失，可以为权证的风险管理提供较为可靠的风险度量工具。     

非参数GARCH模型对沪深股市的实证分析

利用非参数GARCH模型对沪深股市2000年1月4日至2009年12月31日每日收盘指数的对数收益率进行实证分析,并与参数GARCH模型估计结果进行对比,发现非参数GARCH模型拟合的波动率比参数GARCH模型更接近实际情况。     

变结构门限t-GARCH模型及其伪持续性研究

为了反映金融时间序列的波动集聚性、非对称性、厚尾性以及在实证研究中表现出的伪持续性，本文结合门限GARCH模型以及变结构的方法提出了变结构门限t—GARCH模型。首先用Monte Carlo模拟的方法考虑了变结构GARCH模型中存在的伪持续性问题；其次针对金融时间序列非对称性、厚尾性以及强持续性的特点提出了变结构门限t—GARCH模型，总结了关于变结构点检验的几个主要方法；最后用该模型来拟合沪市和深市两个股市的周收益率序列，得到了比GARCH模型更好的拟合结果。     

对上证指数波动性的实证分析

股票价格频繁波动是股票市场中最明显的特征之一。ARCH类模型可以成功的预测金融资产收益的方差。通过对我国股价指数的统计描述,表明我国金融资产收益率存在自回归条件异方差,并表现出非正态性。并且应用GARCH、TARCH、EGARCH模型理论,进一步分析了日收益率波动的条件异方差性、非对称性。     

基于GARCH模型的股票市场价格波动分析

在经济和金融研究中,波动性一直是一个非常重要的方面,中国股票市场建立至今,股市大起大落成为一种常态。本文建立了上证综合指数波动的GARCH模型,从实证角度说明了上证综合指数波动存在着波动集簇性,而GARCH模型可以很好的拟合股指波动情况,同时对股指收益率也能进行较好的预测,最后根据结论提出了一些对策建议。     

基于ARFIMA模型与GARCH模型的上证指数收益率研究

股票的价格序列是一个十分复杂的非线性动态系统,对投资者来说,如何准确分析股市行情,做出最优的投资决策,显得更加急迫;对中国股市的管理者来说,如何把握股市动态,使其健康、稳定的发展,也是一项艰巨的任务。本文选取2006—2015年的上证指数周收盘价的数据,计算股票对数收益率,通过对时间序列分析理论的实证研究分析,建立上证指数的GARCH模型和ARFIMA模型;进而对两种模型进行预测并比较,来说明时间序列分析的方法对拟合股票价格趋势的质量效果。     

沪市、深市收益率波动性的实证分析

本文运用GARCH模型对上证指数和深证成指收益率的波动性进行研究,分析了我国股市波动性的特点。同时还对两市股指收益率的波动性进行了预测分析。     

基于GARCH模型的上海股票市场波动性研究

研究股市波动性,有利于投资者的决策,同时有利于有关部门制定相关政策,来规范证券市场.简单介绍以往关于股市波动性的研究,并对GARCH模型进行了简要介绍,随后运用GARCH模型进行实证分析,最后得出TGARCH模型能更好的拟合上证指数相对收益率序列.     

基于非线性相关的最小方差套期保值比率研究

在最小方差套期保值模型的基础上,提出了最小方差套期保值的期货与现货波动非线性对冲原理,利用非线性相关系数代替传统的线性相关系数,提高了套期保值比率的准确性。提出了套期保值的收益率波动预测原理,利用GARCH(1,1)预测期货收益率的方差,利用EWMA模型预测现货收益率的方差,解决了收益率在历史期和套期保值期间因收益率波动发生结构性变化所导致的套期保值效果失真的问题。实证研究结果表明,本研究的套期保值比率的有效性高于现有模型,应用本研究模型进行套期保值,可以有效规避现货价格风险。     

中国股市收益波动特征分析

在以往文献中发现用传统的GARCH模型估计收益率序列通常表现出波动具有长记忆性特征和较高的方差持续性，这些特征可以由方差的结构性变点造成。本文采用Chow检验对上证综指收益率序列进行了方差结构性变点的检测，证实了这些结构性变点与影响中国股市收益结构的国内外重大的经济和政治事件相符合采用GARCH模型分段建模，发现了国内、国际的重大经济和政治事件对股市的影响作用。分段建模很好地刻画了我国股票市场的发展过程，各阶段的GARCH模型表明股票市场波动逐渐减缓，市场逐步成熟。     

试分析美国股市隔夜走势对国内股指的影响

对中美指数的时间序列数据进行了研究,协整检验证明了中美股票市场的隔夜收益率存在稳定的回归关系,Granger因果检验则证明了美国昨日的收益率波动对解释中国股市当天的波动有所帮助,反过来则毫无帮助。某种程度上,可以从美国股市的走势中对中国股市的走势进行预测,并对此建立GARCH模型。这个估计的参数具有与理论一致的符号,并且统计上是显著的,印证了上述结论。     

基于GARCH模型的股市收益与股指波动的实证研究

文章采用四个市场指数建立以来至2010年12月30日止,运用传统的最小二乘法和改进的自回归条件异方差模型( GARCH),从A股市场指数的波动性入手,研究四个市场收益率的特征,对指教序列的分布、序列的平稳性和异方差进行检验,从而对A股市场指教的波动有更深刻的认识和把握.     

金融时间序列中加性异常值的鉴别与校正

借鉴Franses and Ghijsel[1](1999)和Charles and Darne[2](2005)提出的鉴别和校正金融序列加性异常值的方法,以GARCH模型为例,对我国的上证综合指数和深圳成分指数进行了加性异常值的鉴定与校正,并对校正后的残差进行了正态检验。结果表明该方法效果显著,进行异常值校正后的GARCH(1,1),更好地拟合金融时间序列中的尖峰厚尾和波动丛聚性的特性,纠正了正态分布的GARCH(1,1)对时间序列拟合的偏误。