上证综合指数波动研究——基于ARCH模型

证券市场的波动性与证券市场的不确定性及风险紧密相连;同时波动率也是套利定价模型、资本资产定价模型的核心变量。探索证券市场波动特征是市场投资者和理论研究者主要关心的问题之一。为了更好帮助正确认识我国证券市场的波动特征,有效规避市场风险,本文在借鉴国内外诸多研究成果的基础上,通过对我国上证综指的日收益率波动性的实证研究,来检验我国证券市场的波动特征并探索其产生的影响。通过陈述本文的研究背景、方法及目的,介绍本文研究思路和框架。再对2000年1月1日到2015年8月1日期间3768个上证指数日收盘价样本做ARCH效应分析和检验,得出上证指数收益率可以使用ARCH模型的结论。从而观察到上证指数日收益率序列具有聚类特征、尖峰厚尾和长记忆的特征。     

基于ARCH模型对上证指数收益率波动的实证研究

ARCH模型是为动态非线性股票定价的一种模型,广泛地应用于金融领域的时间序列分析。本文简要介绍了ARCH模型基本形式,并将在我国股市分析中应用ARCH模型,以上证指数日收益率作为变量,探究其波动性,并进行实证研究。研究结果表明:上海证券市场每日收益率具明显波动集群性特征,滞后期收益率对当前收益率的影响存在时滞性。已有研究表明我国证券市场的风险性和波动幅度均高于国外成熟金融市场。本文旨在从实证结果得出上海股市的波动特征,为我国金融市场进一步发展提供参考建议。     

基于沪市股票价格指数的ARCH效应实证分析

本文选取2003年1月6日-2O09年6月26日的上证指数日收盘价指数共1690个数据,利用计量经济学中有关金融时间序列的波动性分析的ARCH模型,对中国股市是否存在ARCH效应进行实证检验,浅析中国股市的波动性特征及其原因。     

基于GARCH模型对我国创业板波动性的实证研究

本文选取了2014年1月6日至2017年2月14日的创业板指数作为样本,分别运用ARCH模型、GARCH模型对创业板指数收益率的波动性以及波动的非对称性进行了初步研究。实证分析显示:创业板指数存在杠杆效应,其波动表现出集群现象和持久性,而且序列波动具有显著的非对称性。最后,本文根据我国创业板指数的波动特征,提出了相应的应对措施和建议。     

我国股市ARCH效应的实证研究

采用GARCH-t类模型对我国沪深两市日收益率的波动性进行实证研究,考察我国股市的ARCH现象、风险补偿效应和对信息的反应速度等情况,结果表明,该类模型能较好地刻画股市收益率的ARCH效应:股价变动存在明显的"尖峰厚尾"、波动丛集性、杠杆效应和波动持续性等现象;市场日收益率的方差均对其预期收益产生显著影响;引入日交易量的变化率来考察股价波动性同信息的关系,两者呈现出显著的正相关关系,但股价对信息的反应并非十分灵敏。依据实证结论,提出规范我国股票市场的建议。     

我国上证A股指数收益波动性的研究

本文运用ARCH族模型对我国上证A股股指日收益率及波动性进行实证研究,探索我国A股股指收益率波动特征。实证研究结果发现:上证A股股指日收益率呈现明显的波动集群性特征,因此我国证券市场表现出的波动幅度和风险性要远远大大高于国外成熟的资本市场;我国股票市场存在显著的信息非对称性和杠杆效应,尤其是股票市场好消息导致的市场波动比同等大小的坏消息引起的波动要小。研究结果显示回归模型存在自回归条件异方差,这表明我国股票市场波动具有条件异方差效应。     

我国上证A股指数收益波动性的研究

本文运用ARCH族模型对我国上证A股股指日收益率及波动性进行实证研究,探索我国A股股指收益率波动特征。实证研究结果发现:上证A股股指日收益率呈现明显的波动集群性特征,因此我国证券市场表现出的波动幅度和风险性要远远大大高于国外成熟的资本市场;我国股票市场存在显著的信息非对称性和杠杆效应,尤其是股票市场好消息导致的市场波动比同等大小的坏消息引起的波动要小。研究结果显示回归模型存在自回归条件异方差,这表明我国股票市场波动具有条件异方差效应。     

我国债券市场和股票市场收益率波动溢出效应实证研究

本文通过建立ARCH族模型对债券市场和股票市场的收益率波动进行了处理,并用条件方差进行了Granger因果关系检验,用来衡量波动的溢出效应,最后我们发现以上证指数和企债指数衡量的收益率波动之间存在双向的因果关系,即存在着波动溢出效应.     

沪市股票收益率波动性的研究——基于ARCH和GARCH模型的分析

本文选取沪市上证综合指数2004年12月30日至2010年8月9日的数据,运用ARCH模型及其扩展模型对其收益率进行了分析,发现收益率有较强的波动性,且滞后期较长,波动的持久性较长。由此提出要加强市场监管等措施。     

沪港股市收益波动性的实证研究

由于受地理位置、经济文化等因素的影响,沪港股票市场在收益率波动性上存在相关性。本文利用ARCH族模型及Granger非因果检验对沪港股市收益波动性进行了实证研究,结果表明:沪港股市的收益率波动存在中等程度的正相关性;港市收益率对沪市收益率具有一期前导作用;两市的收益波动仅存在显著的港市对沪市的单向"溢出效应";而且两市的收益波动均存在明显的"杠杆效应"。     

人民币汇率预期：基于ARCH族模型的实证分析

人民币汇率升值预期持续强化,观察其变化的重要指标主要是境外人民币无本金交割远期汇率(CNYNDF)。本文建立CNYNDF的高频日汇率随机游走模型,运用ARCH族模型检验该模型的残差后发现,其时间序列数据具有"尖峰厚尾性"和集群性特征。在信息不对称的条件下,市场对人民币升值和贬值存在不同程度的反应,2002年以来,市场预期人民币升值,市场信息具有杠杆作用。2005年7月21日人民币汇率形成机制改革以来,境内人民币即期汇率和远期汇率开始受CNYNDF报价引导,逐步形成稳定的Granger因果关系。为取得人民币汇率定价的主动权,中国需加快外汇交易的微观制度建设,加强汇率与利率改革的协调性,为规避汇率风险创造市场条件。     

基于CVaR-SV-N模型的股指期货风险度量

CVaR-SV-N模型能够更好地刻画股指期货收益率序列尖峰、厚尾和波动集群性的特征。以我国沪深300指数期货合约(IF1012)的日收益率为样本的实证分析表明建立在SV-N模型基础上的CVaR预测收益率涨跌波动与原始收益率的变化趋势比较一致,CVaR准确性检验说明CVaR预测收益的准确性在统计上是显著的,能够较准确地预测风险。     

上海金属期货市场的非线性波动特征研究

期货市场是一个典型的非线性动力系统,通过对上海期货交易所(SHFE)的铜、铝期货合约进行非线性波动特征检验,采用基于GED(广义误差分布)的GARCH族模型考察期货收益率的ARCH效应、杠杆效应,并用R/S分析法检验期货收益率和波动率的长期记忆性,得到的实证结果表明:铜、铝期货价格波动有明显的集丛性,铜期货收益率波动没有"杠杆效应",而对铝期货来说,"利好"对条件方差的冲击大于"利空"的冲击.R/S分析结果显示:铜、铝期货收益率均呈现长期记忆性,铜期货有一个约43个日历月的非周期循环,而铝期货并没有明显的非周期循环.更重要的是,实证结果表明期货收益波动率有明显的长期记忆性,因此,在对期货市场波动率建模时应充分考虑这一点.     

中国股市开、收盘波动性的比较研究

利用EGARCH模型,对2000年1月至2007年4月间沪深两市具有代表性的股票及指数的开收盘收益率的波动性进行实证分析,结果表明收益率序列有明显的ARCH效应,其波动性具有显著的非对称性的冲击的持续性;在样本期内,上交所的个股和指数未能观察到开盘波动性高于收盘波动性的现象,而深交所个股在2006年7月实施收盘集合竞价机制之后比较明显地观察到开盘波动性高于收盘波动性的现象。     

证券市场成交量对收益率波动性影响的实证分析

本文根据上海证券市场上证综合指数2005年1月1日到2006年1月1日的复合收益率和日成交量。用GARCC模型描述日成交量对复合收益率的波动性影响。在GARCH模型中加入当期交易量、滞后一期的交易量，结果表明当期交易量变化率能明显削弱收益率条件方差的波动性，而滞后一期的成交量只通过对当期的成交量间接的影响复合收益率。     

Estimating the time Varying Components of international stock markets' risk

In this study an alternative approach for assessing securities' risk is applied. Various authors have argued that security returns are not homoskedastic but exhibit variation over time. They have observed that large changes tend be followed by more large changes in either direction, and so volatility must be predictably high after large changes. This phenomenon of securities' volatility, referred to as clustering, has important implications for security pricing and risk management. Among the most popular techniques currently used to capture the clustering effect and to forecast future volatilityare those belonging to the family of Autoregressive Conditional Heteroskedastic (ARCH) models. The main aim of this paper is to investigate whether such volatility modelling can be used to capture the time variation not only in the total risk of a security return but also its systematic and unsystematic components. Using weekly local stock market data, the time varying beta with the World Index has been estimated via a bivariate GARCH-M model. The GARCH-M parameterization used here is a dynamic specification of the SIM. The hypothesis that this dynamic specification holds cannot be rejected for 11 out of 13 local portfolios. The results provide evidence that both the systematic and the non-systematic counterparts are also changing over time. However, in some markets those risk changes may take place with some delay. This suggests that some of the low correlation coefficients computed for certain stock market returns may not be due to differences in business cycles among those countries, but may be caused by the non-synchronous response to world market developments. This finding should have important implications in many investment decisions such as portfolio selection, market timing and risk hedging.     

MACROECONOMIC NEWS,STOCK TURNOVER,AND VOLATILITY CLUSTERING IN DAILY STOCK RETURNS

We study volatility clustering in daily stock returns at both the index and firm levels from 1985 to 2000. We find that the relation between today's index return shock and the next period's volatility decreases when important macroeconomic news is released today and increases with the shock in today's stock market turnover. Collectively, our results suggest that volatility clustering tends to be stronger when there is more uncertainty and disperse beliefs about the market's information signal. Our findings also contribute to a better understanding of the joint dynamics of stock returns and trading volume.     

Forecasting daily variability of the S&P 100 stock index using historical,realised and implied volatility measurements

The increasing availability of financial market data at intraday frequencies has not only led to the development of improved volatility measurements but has also inspired research into their potential value as an information source for volatility forecasting. In this paper, we explore the forecasting value of historical volatility (extracted from daily return series), of implied volatility (extracted from option pricing data) and of realised volatility (computed as the sum of squared high frequency returns within a day). First, we consider unobserved components (UC-RV) and long memory models for realised volatility which is regarded as an accurate estimator of volatility. The predictive abilities of realised volatility models are compared with those of stochastic volatility (SV) models and generalised autoregressive conditional heteroskedasticity (GARCH) models for daily return series. These historical volatility models are extended to include realised and implied volatility measures as explanatory variables for volatility. The main focus is on forecasting the daily variability of the Standard & Poor's 100 (S&P 100) stock index series for which trading data (tick by tick) of almost 7 years is analysed. The forecast assessment is based on the hypothesis of whether a forecast model is outperformed by alternative models. In particular, we will use superior predictive ability tests to investigate the relative forecast performances of some models. Since volatilities are not observed, realised volatility is taken as a proxy for actual volatility and is used for computing the forecast error. A stationary bootstrap procedure is required for computing the test statistic and its p-value. The empirical results show convincingly that realised volatility models produce far more accurate volatility forecasts compared to models based on daily returns. Long memory models seem to provide the most accurate forecasts.     

基于人工神经网络的沪锌期货价格预测研究

分析沪锌期货的特征,发现沪锌期货价格存在非线性和波动集聚性的特点.选择沪锌期货的相关指标作为参数,运用人工神经网络训练数据,进行价格涨跌预测,构建BP神经网络和卷积神经网络沪锌期货预测模型.实证研究结果表明:模型预测准确率高,预测效果良好,在盘整行情中可获得较高收益,为投资决策提供重要参考,并可在期货市场中进行广泛应用.     

亚洲地区股票指数收益率的波动性研究一基于GARCH族模型

为防范股票市场上的不确定性和风险,有效地度量股票指数收益率的波动性显得尤为重要。本文运用GARCH族模型,拟合了股票指数收益率的波动性方程,并实证研究了亚洲地区四个最具代表性国家：日本、中国、印度和韩国的股票指数收益率的波动性。结果表明：亚洲地区股票指数收益率的波动呈现出聚集性和持续性,股票市场存在着冲击的非对称性;中国和印度的股票市场抗风险能力比日本和韩国弱,股票指数收益率的波动性带来的负面影响更大。