高频视角下中国股市动态VaR预测模型研究

发布时间：2021-01-20 12:28

　　如何充分挖掘交易数据中有价值的信息对金融风险管理极其重要,现有研究中基于低频波动模型的风险测度方法几乎已经做到了极致,而能达到的预测效果却并不稳健,对高频波动模型的研究相对比较匮乏。那么高频模型能否从高频数据中挖掘出更有价值的信息以便用于风险管理之中呢?本研究通过建立12个低频和9个高频波动模型对上证综指进行样本外动态VaR的滚动预测发现,高频模型相对于低频模型具有更好的稳定性,并且在多数情况下高频模型优于低频模型;多头与空头的风险预测效果具有显著差异,多头风险在高风险情况下高频模型表现出色,低风险情况下并不理想,空头风险则在所有情况下都表现较好。 

【文章来源】：运筹与管理. 2020,29(02)北大核心CSSCI

【文章页数】：11 页

【部分图文】：

样本外第1～500天HAR-RV模型的VaR预测值(q=0.95)

【参考文献】：
期刊论文
[1]基于跳跃和符号跳跃变差的HAR-RV预测模型及其MCS检验[J]. 马锋,魏宇,黄登仕,张鹏云.  系统管理学报. 2015(05)
[2]中国股市高频波动率的特征、预测模型以及预测精度比较[J]. 陈浪南,杨科.  系统工程理论与实践. 2013(02)
[3]基于LHAR-RV-V模型的中国股市波动性研究[J]. 文凤华,刘晓群,唐海如,杨晓光.  管理科学学报. 2012(06)
[4]沪深300股指期货的波动率预测模型研究[J]. 魏宇.  管理科学学报. 2010(02)
[5]基于Skew-t-FIAPARCH的金融市场动态风险VaR测度研究[J]. 林宇,卫贵武,魏宇,谭斌.  中国管理科学. 2009(06)
[6]GARCH模型与VaR的度量研究[J]. 徐炜,黄炎龙.  数量经济技术经济研究. 2008(01)
[7]GARCH模型在计算我国股市风险价值中的应用研究[J]. 邹建军,张宗益,秦拯.  系统工程理论与实践. 2003(05)



本文编号：2989044