股指期货波动性及尾部风险研究
发布时间：2021-09-17 12:42
在经历2015年异常波动阴影下,股指期货波动性与风险管理研究尤为重要。资产波动率建模与预测是挖掘波动运行规律的有效方法,也是风险管理的基础。近年来,已实现波动率研究迈出了新进展,它能同时分解成连续-跳跃波动、好-坏波动率;大数据环境下在线搜索量成为金融研究的新入口,深度学习的技术突破丰富了研究方法。本文以高频波动率为主线,以跳跃、好坏波动率与投资者关注为核心变量,建模研究股指期货波动性及尾部风险度量方法。在高频波动率最新成果基础上,运用计量建模、数据挖掘与深度学习等技术,建模研究了股指期货牛熊跳跃特征,提出了HAR类模型和LSTM类模型挖掘股指波动运行规律,构建了RV-EVT框架的尾部风险度量方法。本文主要内容及创新性结论:（1）提出了改进跳跃检测法,建模研究了股指期货跳跃的牛熊特征。考虑隔夜收益率影响,建立了更稳健的检验统计量Z（lcrv-med）检测日频跳跃与分时跳跃,研究揭示股指期货跳跃与跳跃持续期的牛熊非对称性和周日历效应。提出日内效应ACH和周内效应ACH模型刻画跳跃持续期的动态性,有助于跟踪股指期货的跳跃性风险。本研究为资产价格异常波动的识别与风险跟踪提供理论支持。（2）建...
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：147 页
【学位级别】：博士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 问题提出
1.1.1 研究背景
1.1.2 研究目的
1.1.3 研究意义
1.2 研究界定
1.2.1 相关概念界定
1.2.2 研究范围界定
1.3 研究现状
1.3.1 高频波动率的理论建模研究
1.3.2 高频波动率的跳跃行为研究
1.3.3 高频波动率的预测建模研究
1.3.4 高频波动率的尾部风险研究
1.3.5 投资者关注与人工智能应用
1.3.6 研究现状评述
1.4 研究内容与方法
1.4.1 研究内容
1.4.2 研究方法
1.4.3 研究路线
第2章 高频波动率理论分析
2.1 高频波动率理论
2.1.1 已实现波动率
2.1.2 价格跳跃理论
2.1.3 市场噪声理论
2.2 市场噪声纠偏方法
2.2.1 最优抽样频率
2.2.2 子抽样方法
2.2.3 核估计方法
2.2.4 其它纠偏方法
2.3 跳跃检测方法
2.3.1 BNS跳跃检测法
2.3.2 ABD跳跃检测法
2.3.3 CPR跳跃检测法
2.3.4 ADS跳跃检测法
2.4 实证分析
2.4.1 抽样频率的选择
2.4.2 高频波动率分析
2.4.3 跳跃检测法分析
2.5 本章小结
第3章 牛熊状态下股指期货跳跃特征研究
3.1 改进ADS跳跃检测
3.1.1 二次变差理论框架
3.1.2 LCRV修正的ADS跳跃检验
3.1.3 正负跳跃甄别方法
3.2 基于扩展ACH跳跃持续期建模
3.2.1 ACH模型
3.2.2 周内效应ACH模型
3.2.3 日内效应ACH模型
3.3 实证分析
3.3.1 数据说明与跳跃检测
3.3.2 显著跳跃的分布特征
3.3.3 跳跃持续期特征分析
3.3.4 跳跃持续期模型估计
3.4 本章小结
第4章 基于好坏波动率的股指期货波动性研究
4.1 好坏波动率理论
4.1.1 好坏波动率与符号跳跃
4.1.2 好坏波动率的噪声纠偏
4.1.3 RK修正的ADS跳跃检验
4.2 基于HAR框架的波动建模
4.2.1 基于四次幂差的HAR扩展模型
4.2.2 基于跳跃波动的HAR扩展模型
4.2.3 基于好坏波动的HAR扩展模型
4.2.4 基于符号跳跃的HAR扩展模型
4.3 实证分析
4.3.1 数据说明与波动分解
4.3.2 正负跳跃与符号跳跃
4.3.3 高频波动率的交互效应
4.3.4 HAR模型估计与波动运行规律
4.4 本章小结
第5章 基于投资者关注的股指期货波动性研究
5.1 基于百度指数的HAR波动预测建模
5.1.1 HAR扩展建模
5.1.2 滚动预测与MCS检验
5.2 基于百度指数的LSTM波动预测建模
5.2.1 递归神经网络
5.2.2 深度学习LSTM结构
5.2.3 LSTM波动预测建模
5.3 实证分析
5.3.1 数据说明与波动分解
5.3.2 HAR模型估计与贡献分析
5.3.3 HAR模型的滚动预测评估
5.3.4 LSTM模型的预测评估
5.4 本章小结
第6章 基于高频波动率的股指期货尾部风险研究
6.1 基于EVT的尾部风险度量
6.1.1 风险价值和预期损失
6.1.2 极值理论及统计分布
6.1.3 VaR和ES的极值估计
6.2 基于EVT的尾部风险预测建模
6.2.1 基于C-EVT的尾部风险建模
6.2.2 基于RV-EVT的尾部风险建模
6.2.3 VaR与ES的检验方法
6.3 实证分析
6.3.1 数据说明与实证设计
6.3.2 GPD模型的参数估计
6.3.3 VaR和ES的回测分析
6.4 本章小结
结论
参考文献
数学符号
攻读博士学位期间发表的论文及其它成果
致谢
个人简历
【参考文献】：
期刊论文
[1]“大数据驱动金融创新论坛·2017”会议综述[J]. 金融理论探索. 2017(06)
[2]现货市场异常波动下股指期货交易限制对市场质量的影响分析[J]. 丁逸俊,冯芸. 系统工程理论与实践. 2017(10)
[3]下行风险、符号跳跃风险与行业组合资产定价[J]. 龚旭,文凤华,黄创霞,杨晓光. 中国管理科学. 2017(10)
[4]基于SV-POT-TDRM的沪深300股指期货尾部风险研究[J]. 秦学志,郭明,宋宇. 系统管理学报. 2017(05)
[5]高频数据下基于PGARCH模型的VaR估计方法及应用[J]. 樊鹏英,兰勇,陈敏. 系统工程理论与实践. 2017(08)
[6]基于R-vine copula的原油市场极端风险动态测度研究[J]. 杨坤,于文华,魏宇. 中国管理科学. 2017(08)
[7]深度学习的金融实证应用:动态、贡献与展望[J]. 苏治,卢曼,李德轩. 金融研究. 2017(05)
[8]社交网络、投资者关注与股价同步性[J]. 刘海飞,许金涛,柏巍,李心丹. 管理科学学报. 2017(02)
[9]基于单因子MSV-CoVaR模型的金融市场风险溢出度量研究[J]. 陈九生,周孝华. 中国管理科学. 2017(01)
[10]考虑成分股联跳与宏观信息发布的沪深300指数已实现波动率模型研究[J]. 瞿慧,程思逸. 中国管理科学. 2016(12)
博士论文
[1]基于高频数据的沪深300股指期货波动率度量方法及应用[D]. 任德平.湖南大学 2013
[2]金融市场风险的尾部估计和极值度量[D]. 王鲁非.吉林大学 2011
[3]金融资产价格跳跃行为研究[D]. 郑仲民.天津大学 2011
[4]基于市场微观结构噪声和跳跃的金融高频数据波动研究[D]. 王芳.西南财经大学 2011
本文编号：3398748
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：147 页
【学位级别】：博士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 问题提出
1.1.1 研究背景
1.1.2 研究目的
1.1.3 研究意义
1.2 研究界定
1.2.1 相关概念界定
1.2.2 研究范围界定
1.3 研究现状
1.3.1 高频波动率的理论建模研究
1.3.2 高频波动率的跳跃行为研究
1.3.3 高频波动率的预测建模研究
1.3.4 高频波动率的尾部风险研究
1.3.5 投资者关注与人工智能应用
1.3.6 研究现状评述
1.4 研究内容与方法
1.4.1 研究内容
1.4.2 研究方法
1.4.3 研究路线
第2章 高频波动率理论分析
2.1 高频波动率理论
2.1.1 已实现波动率
2.1.2 价格跳跃理论
2.1.3 市场噪声理论
2.2 市场噪声纠偏方法
2.2.1 最优抽样频率
2.2.2 子抽样方法
2.2.3 核估计方法
2.2.4 其它纠偏方法
2.3 跳跃检测方法
2.3.1 BNS跳跃检测法
2.3.2 ABD跳跃检测法
2.3.3 CPR跳跃检测法
2.3.4 ADS跳跃检测法
2.4 实证分析
2.4.1 抽样频率的选择
2.4.2 高频波动率分析
2.4.3 跳跃检测法分析
2.5 本章小结
第3章 牛熊状态下股指期货跳跃特征研究
3.1 改进ADS跳跃检测
3.1.1 二次变差理论框架
3.1.2 LCRV修正的ADS跳跃检验
3.1.3 正负跳跃甄别方法
3.2 基于扩展ACH跳跃持续期建模
3.2.1 ACH模型
3.2.2 周内效应ACH模型
3.2.3 日内效应ACH模型
3.3 实证分析
3.3.1 数据说明与跳跃检测
3.3.2 显著跳跃的分布特征
3.3.3 跳跃持续期特征分析
3.3.4 跳跃持续期模型估计
3.4 本章小结
第4章 基于好坏波动率的股指期货波动性研究
4.1 好坏波动率理论
4.1.1 好坏波动率与符号跳跃
4.1.2 好坏波动率的噪声纠偏
4.1.3 RK修正的ADS跳跃检验
4.2 基于HAR框架的波动建模
4.2.1 基于四次幂差的HAR扩展模型
4.2.2 基于跳跃波动的HAR扩展模型
4.2.3 基于好坏波动的HAR扩展模型
4.2.4 基于符号跳跃的HAR扩展模型
4.3 实证分析
4.3.1 数据说明与波动分解
4.3.2 正负跳跃与符号跳跃
4.3.3 高频波动率的交互效应
4.3.4 HAR模型估计与波动运行规律
4.4 本章小结
第5章 基于投资者关注的股指期货波动性研究
5.1 基于百度指数的HAR波动预测建模
5.1.1 HAR扩展建模
5.1.2 滚动预测与MCS检验
5.2 基于百度指数的LSTM波动预测建模
5.2.1 递归神经网络
5.2.2 深度学习LSTM结构
5.2.3 LSTM波动预测建模
5.3 实证分析
5.3.1 数据说明与波动分解
5.3.2 HAR模型估计与贡献分析
5.3.3 HAR模型的滚动预测评估
5.3.4 LSTM模型的预测评估
5.4 本章小结
第6章 基于高频波动率的股指期货尾部风险研究
6.1 基于EVT的尾部风险度量
6.1.1 风险价值和预期损失
6.1.2 极值理论及统计分布
6.1.3 VaR和ES的极值估计
6.2 基于EVT的尾部风险预测建模
6.2.1 基于C-EVT的尾部风险建模
6.2.2 基于RV-EVT的尾部风险建模
6.2.3 VaR与ES的检验方法
6.3 实证分析
6.3.1 数据说明与实证设计
6.3.2 GPD模型的参数估计
6.3.3 VaR和ES的回测分析
6.4 本章小结
结论
参考文献
数学符号
攻读博士学位期间发表的论文及其它成果
致谢
个人简历
【参考文献】：
期刊论文
[1]“大数据驱动金融创新论坛·2017”会议综述[J]. 金融理论探索. 2017(06)
[2]现货市场异常波动下股指期货交易限制对市场质量的影响分析[J]. 丁逸俊,冯芸. 系统工程理论与实践. 2017(10)
[3]下行风险、符号跳跃风险与行业组合资产定价[J]. 龚旭,文凤华,黄创霞,杨晓光. 中国管理科学. 2017(10)
[4]基于SV-POT-TDRM的沪深300股指期货尾部风险研究[J]. 秦学志,郭明,宋宇. 系统管理学报. 2017(05)
[5]高频数据下基于PGARCH模型的VaR估计方法及应用[J]. 樊鹏英,兰勇,陈敏. 系统工程理论与实践. 2017(08)
[6]基于R-vine copula的原油市场极端风险动态测度研究[J]. 杨坤,于文华,魏宇. 中国管理科学. 2017(08)
[7]深度学习的金融实证应用:动态、贡献与展望[J]. 苏治,卢曼,李德轩. 金融研究. 2017(05)
[8]社交网络、投资者关注与股价同步性[J]. 刘海飞,许金涛,柏巍,李心丹. 管理科学学报. 2017(02)
[9]基于单因子MSV-CoVaR模型的金融市场风险溢出度量研究[J]. 陈九生,周孝华. 中国管理科学. 2017(01)
[10]考虑成分股联跳与宏观信息发布的沪深300指数已实现波动率模型研究[J]. 瞿慧,程思逸. 中国管理科学. 2016(12)
博士论文
[1]基于高频数据的沪深300股指期货波动率度量方法及应用[D]. 任德平.湖南大学 2013
[2]金融市场风险的尾部估计和极值度量[D]. 王鲁非.吉林大学 2011
[3]金融资产价格跳跃行为研究[D]. 郑仲民.天津大学 2011
[4]基于市场微观结构噪声和跳跃的金融高频数据波动研究[D]. 王芳.西南财经大学 2011
本文编号：3398748
本文链接：https://www.wllwen.com/jingjifazhanlunwen/3398748.html
