基于杠杆效应和结构突变的HAR族模型及其对股市波动率的预测研究
发布时间：2021-04-02 06:06
近年来,基于高频交易数据的HAR族模型在对各类金融市场波动率的预测研究中展现出了良好的预测效果.本文在4个经典或前沿的HAR族模型的基础上,考虑杠杆效应和结构突变因素对波动率的预测作用,构建4个带杠杆效应和结构突变的HAR族模型.接着,以上证综指和深证成指的5分钟高频交易数据为研究样本,对上述模型进行样本内和样本外分析,以此检验各成分对股市波动率的预测作用以及比较各模型的预测能力.实证结果显示:已实现波动率,连续波动率,下行波动率,上行波动率,杠杆效应和结构突变成分对股市波动率的预测作用较强,而跳跃波动率,符号跳跃方差对股市波动率的预测作用较弱;带杠杆效应和结构突变的HAR族模型对股市波动率的样本内拟合效果和样本外预测能力都明显优于相对应的不带杠杆和结构突变的HAR族模型,其中大多数情况下LHAR-CJ-SB模型展现出最高的拟合效果和预测精度.以上结果表明,杠杆效应和结构突变因素能有效提高HAR族模型的预测精度,所以在HAR族模型的构建中这两个因素不能被忽视.
【文章来源】：系统工程理论与实践. 2020,40(05)北大核心CSSCIEICSCD
【文章页数】：21 页
【部分图文】：
图１上证综指波动率的杠杆效应初步检验??
值的累积平方和．定义统计请认为：??Ｄｋ?＝?Ｌ?（２４）??其中ｆｔ?＝?１广．，Ａ?１？０?＝?＆?＝?〇．如果在样本期间方差没有突变点，则从统计最围绕〇附近运动．若时间序??列存在一个或多个突变点，值就会ｆｉ著异千参．令＊＊为取得ｍａｘｆｃ?｜外｜时的瓦值，若ｍａｘ＊?ｖＷ烈仇Ｉ??为超过预定的＆倍边界，则Ｐ就被认为是估计的突变点，其中Ｔ／２是标准化因子．ＩｎｅＭｎ和通过模??拟方法计算出各置：倍７ＪＣＴ－的临界值及相应的标准差．在文草中使用１％的置倍水Ｔ？来检验突变点．??图３给出了上证综指收益率序列的结构突变点检验结果，图４给出了深证成指收益率序列的结构突变??点检验结果．从图３中可以发现上证综指收益率序列存在１３个结构突变点，从图４中可以发现深证成指收??益率序列存在１４个结构突变点．深证成指的收益率序列比上证综指的收益率序列具有更多的结构突变点，??是坩于在中国股票市场中深证指数的价格变化比上证综指更大．另外，仔细观察图３和４可以发现，２００７，??２：００Ｓ，?２０１５和２０１６年的结构突变点相对比较多，这是坩于中国股票＃场在这三年中价格变化更加频繁．??上证综指收益率序列的１Ｓ个结构突变点将本文的研究样本（２００３，１，２－２０１９．９．３０）分成１４个时间段，深??证成指收益率序列的１４个结构突变点将本文的研究样本ｆ２〇〇３丄２－２０１９．９．３０）分成１Ｓ个时间段．表１给出：??了上证综指和深证成指收益率序列在不同时间段下的标准差．收益率的标准差作为股票ｔｆｒ场波动率的度量??２００３?２００４?２００５?２００６?２００７?２００８?２００９?２０１０?２０１１?２０１２?２０１３?２０１４?２０１５?
第５期??１５??龚旭’等ｓ銮于杠杆效应和结构突变的ＨＡＨ族模型及其对股ＩＴ波动率的预测研究??１１１９??－１０??２００３?却０４?２＿０明?２００．＃?２职７?２０（？８?２Ｑ０９?２０１０?２０１１?２ＱＵ?２０１３?２０．１４?２．０１５?２０〗．§?２Ｗ７?２０１８．?２０．１９??图４深证成指收益率序列的结构突变点检验图??表１中国股票市场收益率序列的结构突变检验结果??上证综指??觀纖??数量??时随段??标准差??数量??时ｔａ段??标准差??２００３．１．２－２００６．１２．７??１．３２５??２００３．１．２－２００４．４．２８??１．１８７??２００６．１２．８－２００８．１．１８??２．１８６??２００４．４．２９－２００６．１１．８??１．４５１??２００８．１．２１－２００８．１１．１９??３．０１５??２００６．１１．９－２００７．７．２３??２．６１９??２００８．１１．２０－２００９．１０．９??２．０２４??２００７．７．２４－２００８．１．１８??２．０２３??２００９．１０．１２－２０１１．１．２１??１．４４３??２００８．１．２１－２００８．１１．１９??３．２１４??２０１１．１．２４－２０１３．７．２３??１．１４８??２００８．１１．２０－２００９．１０．９??２．２８１??２０１３．７．２４－２０１４．１１．２１??０．９１９??２００９．１０．１２－２０１１．２．２２??１．７５７??１３??２０１４．１１．２４－２０１５．６．１５??１．９６０??１４??２０１１．２．２３－２０１３．７．２３??１．４４０??２０１５．６．１６－２０１５．８．２８??３．８７９??
【参考文献】：
期刊论文
[1]基于外部信息冲击的符号跳跃变差高频波动率模型[J]. 龚谊洲,黄苒. 系统工程理论与实践. 2019(09)
[2]基于波动率测量误差的波动率预测模型[J]. 李俊儒,汪寿阳,魏云捷. 系统工程理论与实践. 2018(08)
[3]基于TVS-MHAR模型金融市场高频多元波动率的预测[J]. 罗嘉雯,陈浪南. 系统工程理论与实践. 2018(07)
[4]基于跳跃、好坏波动率与百度指数的股指期货波动率预测[J]. 陈声利,关涛,李一军. 系统工程理论与实践. 2018(02)
[5]基于符号收益和跳跃变差的高频波动率模型[J]. 马锋,魏宇,黄登仕. 管理科学学报. 2017(10)
[6]基于贝叶斯因子模型金融高频波动率预测研究[J]. 罗嘉雯,陈浪南. 管理科学学报. 2017(08)
[7]HAR-RV-EMD-J模型及其对金融资产波动率的预测研究[J]. 龚旭,文凤华,黄创霞,杨晓光. 管理评论. 2017(01)
[8]基于TVS-HAR模型的农产品期货市场已实现波动率的预测研究[J]. 田凤平,杨科. 系统工程理论与实践. 2016(12)
[9]基于结构转换PTTGARCH模型沪深股市波动率的估计[J]. 杨继平,冯毅俊,王辉. 系统工程理论与实践. 2016(09)
[10]多分形波动率预测模型及其MCS检验[J]. 魏宇,马锋,黄登仕. 管理科学学报. 2015(08)
本文编号：3114740
【文章来源】：系统工程理论与实践. 2020,40(05)北大核心CSSCIEICSCD
【文章页数】：21 页
【部分图文】：
图１上证综指波动率的杠杆效应初步检验??
值的累积平方和．定义统计请认为：??Ｄｋ?＝?Ｌ?（２４）??其中ｆｔ?＝?１广．，Ａ?１？０?＝?＆?＝?〇．如果在样本期间方差没有突变点，则从统计最围绕〇附近运动．若时间序??列存在一个或多个突变点，值就会ｆｉ著异千参．令＊＊为取得ｍａｘｆｃ?｜外｜时的瓦值，若ｍａｘ＊?ｖＷ烈仇Ｉ??为超过预定的＆倍边界，则Ｐ就被认为是估计的突变点，其中Ｔ／２是标准化因子．ＩｎｅＭｎ和通过模??拟方法计算出各置：倍７ＪＣＴ－的临界值及相应的标准差．在文草中使用１％的置倍水Ｔ？来检验突变点．??图３给出了上证综指收益率序列的结构突变点检验结果，图４给出了深证成指收益率序列的结构突变??点检验结果．从图３中可以发现上证综指收益率序列存在１３个结构突变点，从图４中可以发现深证成指收??益率序列存在１４个结构突变点．深证成指的收益率序列比上证综指的收益率序列具有更多的结构突变点，??是坩于在中国股票市场中深证指数的价格变化比上证综指更大．另外，仔细观察图３和４可以发现，２００７，??２：００Ｓ，?２０１５和２０１６年的结构突变点相对比较多，这是坩于中国股票＃场在这三年中价格变化更加频繁．??上证综指收益率序列的１Ｓ个结构突变点将本文的研究样本（２００３，１，２－２０１９．９．３０）分成１４个时间段，深??证成指收益率序列的１４个结构突变点将本文的研究样本ｆ２〇〇３丄２－２０１９．９．３０）分成１Ｓ个时间段．表１给出：??了上证综指和深证成指收益率序列在不同时间段下的标准差．收益率的标准差作为股票ｔｆｒ场波动率的度量??２００３?２００４?２００５?２００６?２００７?２００８?２００９?２０１０?２０１１?２０１２?２０１３?２０１４?２０１５?
第５期??１５??龚旭’等ｓ銮于杠杆效应和结构突变的ＨＡＨ族模型及其对股ＩＴ波动率的预测研究??１１１９??－１０??２００３?却０４?２＿０明?２００．＃?２职７?２０（？８?２Ｑ０９?２０１０?２０１１?２ＱＵ?２０１３?２０．１４?２．０１５?２０〗．§?２Ｗ７?２０１８．?２０．１９??图４深证成指收益率序列的结构突变点检验图??表１中国股票市场收益率序列的结构突变检验结果??上证综指??觀纖??数量??时随段??标准差??数量??时ｔａ段??标准差??２００３．１．２－２００６．１２．７??１．３２５??２００３．１．２－２００４．４．２８??１．１８７??２００６．１２．８－２００８．１．１８??２．１８６??２００４．４．２９－２００６．１１．８??１．４５１??２００８．１．２１－２００８．１１．１９??３．０１５??２００６．１１．９－２００７．７．２３??２．６１９??２００８．１１．２０－２００９．１０．９??２．０２４??２００７．７．２４－２００８．１．１８??２．０２３??２００９．１０．１２－２０１１．１．２１??１．４４３??２００８．１．２１－２００８．１１．１９??３．２１４??２０１１．１．２４－２０１３．７．２３??１．１４８??２００８．１１．２０－２００９．１０．９??２．２８１??２０１３．７．２４－２０１４．１１．２１??０．９１９??２００９．１０．１２－２０１１．２．２２??１．７５７??１３??２０１４．１１．２４－２０１５．６．１５??１．９６０??１４??２０１１．２．２３－２０１３．７．２３??１．４４０??２０１５．６．１６－２０１５．８．２８??３．８７９??
【参考文献】：
期刊论文
[1]基于外部信息冲击的符号跳跃变差高频波动率模型[J]. 龚谊洲,黄苒. 系统工程理论与实践. 2019(09)
[2]基于波动率测量误差的波动率预测模型[J]. 李俊儒,汪寿阳,魏云捷. 系统工程理论与实践. 2018(08)
[3]基于TVS-MHAR模型金融市场高频多元波动率的预测[J]. 罗嘉雯,陈浪南. 系统工程理论与实践. 2018(07)
[4]基于跳跃、好坏波动率与百度指数的股指期货波动率预测[J]. 陈声利,关涛,李一军. 系统工程理论与实践. 2018(02)
[5]基于符号收益和跳跃变差的高频波动率模型[J]. 马锋,魏宇,黄登仕. 管理科学学报. 2017(10)
[6]基于贝叶斯因子模型金融高频波动率预测研究[J]. 罗嘉雯,陈浪南. 管理科学学报. 2017(08)
[7]HAR-RV-EMD-J模型及其对金融资产波动率的预测研究[J]. 龚旭,文凤华,黄创霞,杨晓光. 管理评论. 2017(01)
[8]基于TVS-HAR模型的农产品期货市场已实现波动率的预测研究[J]. 田凤平,杨科. 系统工程理论与实践. 2016(12)
[9]基于结构转换PTTGARCH模型沪深股市波动率的估计[J]. 杨继平,冯毅俊,王辉. 系统工程理论与实践. 2016(09)
[10]多分形波动率预测模型及其MCS检验[J]. 魏宇,马锋,黄登仕. 管理科学学报. 2015(08)
本文编号：3114740
本文链接：https://www.wllwen.com/jingjilunwen/jingjiguanlilunwen/3114740.html
