金融资产动态相关性方法及应用研究
发布时间：2024-02-02 23:53
在许多金融计量问题中,例如衍生产品定价、风险管理、套期保值和最优投资组合选择等,模拟和预测二阶矩的相关性和各个市场收益之间波动性的动态相关关系有很重要的意义。目前研究动态相关关系的角度有三类,第一类是利用多维时间序列的角度进行研究,第二类是利用多维随机过程进行研究,第三类是利用Copula理论研究随机变量之间的相关程度。本文主要从多维时间序列的角度对相关性分析进行理论方法的研究和实证分析。 论文第一章对本文的选题意义、方法的创新和缺陷进行了总结。论文的第二章回顾了多维时间序列相关性模型的发展历程以及估计方法和诊断检验,并对各种模型的优缺点和适用性进行了比较评述。论文的第三章和第四章运用各种多维时间序列进行预测分析和风险分析,实证结果表明,同其他模型相比,用ADCC模型拟合中国股指收益率的方差协方差矩阵效果较好,这个结果可以为资产配置决策、风险管理提供理论性的指导。 论文的第五章提出了一种处理高维金融时间序列的新方法一基于Cholesky分解方法的SCC(序列条件相关)方法,并进行理论研究和实证分析。近年来出现了大量多维GARCH模型来模拟资产组合的波动性及相关性,但是在估计多维GARC...
【文章页数】：117 页
【学位级别】：博士
【文章目录】：
论文摘要
ABSTRACT
1. 导言
1.1 选题意义
1.2 篇章结构
1.3 创新和缺陷
2. 多维相关性模型的回顾
2.1 多维GARCH模型的发展
2.1.1 一维GARCH模型的一般化
2.1.2 一维GARCH模型的线性混合
2.1.3 一维GARCH模型的非线性混合
2.1.4 MGARCH模型的杠杆效应
2.1.5 其它的多维波动和相关性模型
2.2 估计方法
2.2.1 两步估计
2.2.2 基于遗传算法的似然函数的估计方法
2.2.3 多维GARCH模型的半参数有效估计
2.3 诊断性检验
2.3.1 Portmanteau统计量
2.3.2 基于残差的诊断
2.3.3 Lagrange乘子检验
3. 多维相关性模型预测分析
3.1 波动模型预测的基本符号
3.2 波动性预测的意义
3.2.1 普通的预测应用
3.2.2 金融应用
3.3 单维波动性预测方法
3.3.1 利用历史数据进行预测
3.3.2 随机波动性的预测
3.3.3 已实现波动性的预测
3.3.4 GARCH类模型的预测
3.4 多维相关性预测
3.4.1 指数平滑和Riskmetrics方法
3.4.2 BEKK模型的预测
3.4.3 DCC模型的预测
3.4.4 多变量随机波动模型和因子模型
3.5 预测效果检验方法
3.6 实证分析
3.6.1 数据处理
3.6.2 ADCC模型估计
3.6.3 CCC多维GARCH模型
3.6.4 预测结果
4. 基于多维GARCH模型动态投资组合的风险分析
4.1 在险价值基本原理
4.2 风险的评价方法
4.2.1 部分评价法
4.2.2 全额评价法
4.3 风险模型
4.3.1 VaR
4.3.2 CVaR
4.3.3 ER(Expected Regret)
4.4 在险价值的准确性检验方法
4.4.1 动态系数检验
4.4.2 LR似然比检验
4.5 实证分析
4.5.1 正态分布的检验
4.5.2 t分布的检验
5. SCC模型
5.1 SCC方法的起源
5.1.1 条件相关模型
5.1.2 SCC的介绍
5.1.3 数值例子
5.2 Cholesky分解方法
5.3 渐近理论
5.3.1 传统渐近定理
5.3.2 两阶段估计
5.4 SCC的对数似然函数
5.5 模型的估计
5.6 SCC模型估计的渐近性定理
5.7 实证分析
6. 结论及今后研究的方向
6.1 总结
6.2 未来的方向
6.2.1 理论方面
6.2.2 方法的创新
参考文献
致谢
本文编号：3893354
【文章页数】：117 页
【学位级别】：博士
【文章目录】：
论文摘要
ABSTRACT
1. 导言
1.1 选题意义
1.2 篇章结构
1.3 创新和缺陷
2. 多维相关性模型的回顾
2.1 多维GARCH模型的发展
2.1.1 一维GARCH模型的一般化
2.1.2 一维GARCH模型的线性混合
2.1.3 一维GARCH模型的非线性混合
2.1.4 MGARCH模型的杠杆效应
2.1.5 其它的多维波动和相关性模型
2.2 估计方法
2.2.1 两步估计
2.2.2 基于遗传算法的似然函数的估计方法
2.2.3 多维GARCH模型的半参数有效估计
2.3 诊断性检验
2.3.1 Portmanteau统计量
2.3.2 基于残差的诊断
2.3.3 Lagrange乘子检验
3. 多维相关性模型预测分析
3.1 波动模型预测的基本符号
3.2 波动性预测的意义
3.2.1 普通的预测应用
3.2.2 金融应用
3.3 单维波动性预测方法
3.3.1 利用历史数据进行预测
3.3.2 随机波动性的预测
3.3.3 已实现波动性的预测
3.3.4 GARCH类模型的预测
3.4 多维相关性预测
3.4.1 指数平滑和Riskmetrics方法
3.4.2 BEKK模型的预测
3.4.3 DCC模型的预测
3.4.4 多变量随机波动模型和因子模型
3.5 预测效果检验方法
3.6 实证分析
3.6.1 数据处理
3.6.2 ADCC模型估计
3.6.3 CCC多维GARCH模型
3.6.4 预测结果
4. 基于多维GARCH模型动态投资组合的风险分析
4.1 在险价值基本原理
4.2 风险的评价方法
4.2.1 部分评价法
4.2.2 全额评价法
4.3 风险模型
4.3.1 VaR
4.3.2 CVaR
4.3.3 ER(Expected Regret)
4.4 在险价值的准确性检验方法
4.4.1 动态系数检验
4.4.2 LR似然比检验
4.5 实证分析
4.5.1 正态分布的检验
4.5.2 t分布的检验
5. SCC模型
5.1 SCC方法的起源
5.1.1 条件相关模型
5.1.2 SCC的介绍
5.1.3 数值例子
5.2 Cholesky分解方法
5.3 渐近理论
5.3.1 传统渐近定理
5.3.2 两阶段估计
5.4 SCC的对数似然函数
5.5 模型的估计
5.6 SCC模型估计的渐近性定理
5.7 实证分析
6. 结论及今后研究的方向
6.1 总结
6.2 未来的方向
6.2.1 理论方面
6.2.2 方法的创新
参考文献
致谢
本文编号：3893354
本文链接：https://www.wllwen.com/jingjifazhanlunwen/3893354.html
