深证成指波动率分析及其风险预测 ——基于ARFIMA-Realized GARCH模型
发布时间：2021-04-02 09:06
在现代金融市场中,波动率在金融产品定价和风险管理中具有较为重要的作用。本文以深证成指5分钟高频交易数据为研究对象,建立Realized GARCH模型对深证成指的波动率和VaR进行估计和预测。波动率模型的拟合数据使用2011年12月31日至2018年11月23日每个交易日的5分钟高频交易数据。根据深证成指每日收益率的波动变化情况,构建改进的Realized GARCH模型,通过各模型波动率的拟合效果对比,选择能够更好拟合深证成指波动率的模型并对波动率进行预测。同时还将使用风险价值模型（VaR）对深证成指进行风险分析并预测未来股市的下行风险。在波动率估计方面,主要三种因素对波动率估计的影响,其中包括RV、RRV、RBV三种已实现测度,基于正态分布、t分布、Skewed-t分布的三种残差分布以及是否考虑波动率的长记忆性引入ARFIMA模型,通过对比选择拟合效果最优的模型进行分析,并基于向前一步预测对波动率500个样本外数据进行预测。对于VaR的计算,进行滚动窗口一步预测对未来VaR并绘制曲线,同时将使用Kupice检验法对各模型的结果进行检验并通过比较结果,从中选择预测效果最好的模型。首先...
【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
图３－１深证成指收盘价走势图??２０１５３，，
?山东大学硕士学位论文???市场，市场交易量严重萎缩，股市冷冷清清。后来，为了稳住市场，政府和监??管部门出台了相应的救市政策，股市才逐渐稳定下来。??２０１８年股市受多方面原因的影响，股市又一次开始大幅下跌，股市时而也??会出现单日大幅下跌，股价闪崩等现象。??研宂股票研宄波动率，通常是以股票市场的收益率为研究对象，指数的日??收益率是用相邻两交易日指数所对应的收盘价的一阶差分值。收盘价－收盘价，??计算出的收益率包含了前一天收盘后到第二天开盘时的波动因素，而这一部分??的影响是不可忽略的，因此收盘价－收盘价相比收盘价－开盘价更为合适。??对深证成指的对数收益率序列进行基本的统计分析，得到相应结果。??
?山东大学硕士学位论文???由收益率的时间序列图可以看出波动率在一定时间区间内，具有非常明显??的波动性和聚集性。通常在一个大的波动（小的波动）后更大概率紧接着会出??现另一个较大幅度的波动（较小幅度的波动）。??从收益率序列图中可以看出，在２０１５年前后波动率较大，在此期间是股市??的新一轮的牛市，重新燃起股市的火热行情，股市波动率不断增大。??
【参考文献】：
期刊论文
[1]利用已实现极差预测市场波动率——基于ARFIMA-Realized GARCH模型的实证研究[J]. 覃思程. 经济论坛. 2018(01)
[2]基于时间序列GARCH（1,1）模型的上证50ETF波动率预测[J]. 吕志鸿. 中国市场. 2015(49)
[3]我国创业板市场的波动性研究——基于GARCH模型的分析[J]. 吴俊. 时代金融. 2014(33)
[4]利用高频数据预测沪深300指数波动率——基于Realized GARCH模型的实证研究[J]. 王天一,赵晓军,黄卓. 世界经济文汇. 2014(05)
[5]沪深300指数期货已实现波动率的跳跃行为[J]. 田凤平,杨科,林洪. 系统工程. 2014(02)
[6]创业板指数波动率预测效果比较研究——基于GARCH族模型[J]. 林德钦. 金融教学与研究. 2014(01)
[7]创业板市场发展现状与对策研究[J]. 沐莉. 中外企业家. 2014(01)
[8]基于价格极差的GARCH模型[J]. 孙便霞,王明进. 数理统计与管理. 2013(02)
[9]交易量与股价波动性动态关系的研究[J]. 王艺霖,周渊. 复旦学报(自然科学版). 2012(04)
[10]利用高频数据管理沪深300指数的尾部风险——基于Realized GARCH模型的VaR[J]. 黄雯,王天一,黄卓. 中大管理研究. 2012(02)
硕士论文
[1]高频数据波动率的测度及应用[D]. 周慧.浙江大学 2017
[2]基于Skewed-T Realized GARCH模型的沪深300指数波动性研究[D]. 康凯.天津商业大学 2017
[3]上证50 ETF的波动率研究及VaR测算[D]. 刘祥.华东理工大学 2017
[4]基于改进的GARCH模型对股市波动率拟合预测能力的研究[D]. 李伶.西南财经大学 2016
[5]基于极值理论的VaR测度及实证研究[D]. 张振宇.浙江工业大学 2014
[6]基于拟蒙特卡罗方法的VaR计算及其在中国股市中的实证研究[D]. 李擎.复旦大学 2013
[7]基于EGARCH-M模型的日历效应研究[D]. 胡恩兰.西南财经大学 2013
[8]基于VaR历史模拟法的中国股市风险研究[D]. 徐中华.复旦大学 2008
[9]各类VaR方法的比较：基于中国股市的实证研究[D]. 史敬.湖南大学 2005
本文编号：3114999
【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
图３－１深证成指收盘价走势图??２０１５３，，
?山东大学硕士学位论文???市场，市场交易量严重萎缩，股市冷冷清清。后来，为了稳住市场，政府和监??管部门出台了相应的救市政策，股市才逐渐稳定下来。??２０１８年股市受多方面原因的影响，股市又一次开始大幅下跌，股市时而也??会出现单日大幅下跌，股价闪崩等现象。??研宂股票研宄波动率，通常是以股票市场的收益率为研究对象，指数的日??收益率是用相邻两交易日指数所对应的收盘价的一阶差分值。收盘价－收盘价，??计算出的收益率包含了前一天收盘后到第二天开盘时的波动因素，而这一部分??的影响是不可忽略的，因此收盘价－收盘价相比收盘价－开盘价更为合适。??对深证成指的对数收益率序列进行基本的统计分析，得到相应结果。??
?山东大学硕士学位论文???由收益率的时间序列图可以看出波动率在一定时间区间内，具有非常明显??的波动性和聚集性。通常在一个大的波动（小的波动）后更大概率紧接着会出??现另一个较大幅度的波动（较小幅度的波动）。??从收益率序列图中可以看出，在２０１５年前后波动率较大，在此期间是股市??的新一轮的牛市，重新燃起股市的火热行情，股市波动率不断增大。??
【参考文献】：
期刊论文
[1]利用已实现极差预测市场波动率——基于ARFIMA-Realized GARCH模型的实证研究[J]. 覃思程. 经济论坛. 2018(01)
[2]基于时间序列GARCH（1,1）模型的上证50ETF波动率预测[J]. 吕志鸿. 中国市场. 2015(49)
[3]我国创业板市场的波动性研究——基于GARCH模型的分析[J]. 吴俊. 时代金融. 2014(33)
[4]利用高频数据预测沪深300指数波动率——基于Realized GARCH模型的实证研究[J]. 王天一,赵晓军,黄卓. 世界经济文汇. 2014(05)
[5]沪深300指数期货已实现波动率的跳跃行为[J]. 田凤平,杨科,林洪. 系统工程. 2014(02)
[6]创业板指数波动率预测效果比较研究——基于GARCH族模型[J]. 林德钦. 金融教学与研究. 2014(01)
[7]创业板市场发展现状与对策研究[J]. 沐莉. 中外企业家. 2014(01)
[8]基于价格极差的GARCH模型[J]. 孙便霞,王明进. 数理统计与管理. 2013(02)
[9]交易量与股价波动性动态关系的研究[J]. 王艺霖,周渊. 复旦学报(自然科学版). 2012(04)
[10]利用高频数据管理沪深300指数的尾部风险——基于Realized GARCH模型的VaR[J]. 黄雯,王天一,黄卓. 中大管理研究. 2012(02)
硕士论文
[1]高频数据波动率的测度及应用[D]. 周慧.浙江大学 2017
[2]基于Skewed-T Realized GARCH模型的沪深300指数波动性研究[D]. 康凯.天津商业大学 2017
[3]上证50 ETF的波动率研究及VaR测算[D]. 刘祥.华东理工大学 2017
[4]基于改进的GARCH模型对股市波动率拟合预测能力的研究[D]. 李伶.西南财经大学 2016
[5]基于极值理论的VaR测度及实证研究[D]. 张振宇.浙江工业大学 2014
[6]基于拟蒙特卡罗方法的VaR计算及其在中国股市中的实证研究[D]. 李擎.复旦大学 2013
[7]基于EGARCH-M模型的日历效应研究[D]. 胡恩兰.西南财经大学 2013
[8]基于VaR历史模拟法的中国股市风险研究[D]. 徐中华.复旦大学 2008
[9]各类VaR方法的比较：基于中国股市的实证研究[D]. 史敬.湖南大学 2005
本文编号：3114999
本文链接：https://www.wllwen.com/jingjilunwen/jinrongzhengquanlunwen/3114999.html
