基于SV模型的我国股市波动性实证分析
发布时间：2022-12-23 00:35
经过二十多年的发展,我国金融市场在得到迅猛发展的同时,也呈现出了前所未有的波动性,致使金融市场风险日趋严重,金融风险的度量得到了日益关注。在我国股市起伏剧烈,使得股市存在着巨大的风险,但同时也存在着巨大的机会。广大中小投资者投资空前狂热,然而由于投资者对股市风险无知,盲目的进入股市,损失惨重。而投资者的行为也加剧了股市的剧烈波动性,增大了股市风险。因此系统深入研究中国股市波动特征和风险价值具有重要的现实意义。 随机波动率（SV）模型是一类能很好刻画金融数据波动特征的模型,目前在金融领域中有着广泛的用途。因此本文选用随机波动模型描述我国股票市场的波动性特征,通过模型的实证研究力求揭示我国股市的总体特征,并为其规范和完善我国股票市场提供参考价值。 本文首先介绍了股市波动性研究的背景和意义,在此基础上回顾了国内外关于波动性的主要研究成果,并指出波动性研究可能提升的之处。实证方面,利用2009-1-6到2010-6-30沪深300指数收益率数据分析了我国股市收益率特征,然后采用标准SV（SV-N）和厚尾SV（SV-T）模型对沪深300指数收益率波动进行建模分析。模型的参数估计是通过...
【文章页数】：51 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
1. 绪论
1.1 选题背景和意义
1.2 国内外研究现状及评价
1.2.1 金融数据波动研究
1.2.2 金融数据的VaR研究
1.3 研究思路、关键点和论文框架
2. 我国股市收益率波动描述性分析
2.1 数据来源与符号说明
2.2 我国股市收益率特征分析结果
2.2.1 尖峰厚尾性
2.2.2 平稳性
2.2.3 波动聚集性
2.2.4 平方收益记忆性
3. 股市收益波动模型及估计
3.1 ARCH族模型
3.1.1 ARCH模型提出背景
3.1.2 ARCH模型及扩展
3.1.3 ARCH族模型的不足
3.2 随机波动(SV)模型
3.2.1 随机波动模型(SV)的提出
3.2.2 标准SV(SV-N)模型
3.2.3 厚尾SV(SV-T)模型
3.3 随机波动(SV)模型的估计
3.3.1 贝叶斯原理
3.3.2 马尔可夫蒙特卡罗模拟(MCMC)
3.3.3 Gibbs抽样
3.3.4 模型估计的软件实现
4. 我国股市收益率SV模型建模分析
4.1 标准SV(SV-N)模型建模
4.2 厚尾SV(SV-T)模型建模
4.3 SV-N和厚尾SV模型结果对比分析
5. 基于SV模型我国股市风险价值(VaR)分析
5.1 股市风险与VaR
5.1.1 股市风险的含义与类型
5.1.2 VaR的含义与优缺点
5.2 VaR测度股市风险
5.2.1 SV模型VaR的方法
5.2.2 VaR的回顾测试(Back-Testing)
5.3 实证分析
6. 结束语
6.1 本文的工作
6.2 结论与建议
参考文献
附录
致谢
【参考文献】：
期刊论文
[1]VaR方法及其在中国股票市场的风险度量研究[J]. 史天雄,钱锦晔. 中国地质大学学报(社会科学版). 2010(04)
[2]基于SV模型的沪深300指数日收益率波动性实证研究[J]. 郭卫超,谢琦. 大众商务. 2010(06)
[3]基于SV模型的沪深股市风险分析[J]. 田秋荣,栾长福. 科学技术与工程. 2009(10)
[4]基于Gibbs抽样的厚尾SV模型贝叶斯分析及其应用[J]. 朱慧明,李峰,杨锦明,虞克明. 系统仿真学报. 2008(09)
[5]上海股市的VaR风险研究[J]. 方杰兴. 经济师. 2007(04)
[6]随机波动性模型的比较分析[J]. 王春峰,蒋祥林,吴晓霖. 系统工程学报. 2005(02)
[7]基于GARCH模型和SV模型的VaR比较[J]. 余素红,张世英,宋军. 管理科学学报. 2004(05)
[8]上证综指收益波动性及VaR度量研究[J]. 胡援成,姜光明. 当代财经. 2004(06)
[9]ARCH族波动模型及其在金融市场研究中的应用[J]. 欧阳资生. 湖南商学院学报. 2004(02)
[10]股票收益随机波动模型研究[J]. 沈根祥. 中国管理科学. 2003(02)
硕士论文
[1]VaR风险度量方法在我国股票市场的应用研究[D]. 宋海礁.上海师范大学 2010
[2]不同分布下收益率波动模型的比较[D]. 王以明.华东师范大学 2009
[3]高频金融时间序列波动性研究[D]. 张娇.电子科技大学 2009
[4]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
[5]基于随机波动模型的中国股市波动性实证研究[D]. 徐永坤.复旦大学 2008
[6]VaR方法在中国股票市场风险度量中的应用[D]. 曹建美.东北财经大学 2007
[7]NOMMLE分布的参数估计与MCMC模拟研究[D]. 韩艳敏.武汉理工大学 2007
[8]金融数据波动性的建模研究[D]. 方杰兴.中南大学 2007
本文编号：3724358
【文章页数】：51 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
1. 绪论
1.1 选题背景和意义
1.2 国内外研究现状及评价
1.2.1 金融数据波动研究
1.2.2 金融数据的VaR研究
1.3 研究思路、关键点和论文框架
2. 我国股市收益率波动描述性分析
2.1 数据来源与符号说明
2.2 我国股市收益率特征分析结果
2.2.1 尖峰厚尾性
2.2.2 平稳性
2.2.3 波动聚集性
2.2.4 平方收益记忆性
3. 股市收益波动模型及估计
3.1 ARCH族模型
3.1.1 ARCH模型提出背景
3.1.2 ARCH模型及扩展
3.1.3 ARCH族模型的不足
3.2 随机波动(SV)模型
3.2.1 随机波动模型(SV)的提出
3.2.2 标准SV(SV-N)模型
3.2.3 厚尾SV(SV-T)模型
3.3 随机波动(SV)模型的估计
3.3.1 贝叶斯原理
3.3.2 马尔可夫蒙特卡罗模拟(MCMC)
3.3.3 Gibbs抽样
3.3.4 模型估计的软件实现
4. 我国股市收益率SV模型建模分析
4.1 标准SV(SV-N)模型建模
4.2 厚尾SV(SV-T)模型建模
4.3 SV-N和厚尾SV模型结果对比分析
5. 基于SV模型我国股市风险价值(VaR)分析
5.1 股市风险与VaR
5.1.1 股市风险的含义与类型
5.1.2 VaR的含义与优缺点
5.2 VaR测度股市风险
5.2.1 SV模型VaR的方法
5.2.2 VaR的回顾测试(Back-Testing)
5.3 实证分析
6. 结束语
6.1 本文的工作
6.2 结论与建议
参考文献
附录
致谢
【参考文献】：
期刊论文
[1]VaR方法及其在中国股票市场的风险度量研究[J]. 史天雄,钱锦晔. 中国地质大学学报(社会科学版). 2010(04)
[2]基于SV模型的沪深300指数日收益率波动性实证研究[J]. 郭卫超,谢琦. 大众商务. 2010(06)
[3]基于SV模型的沪深股市风险分析[J]. 田秋荣,栾长福. 科学技术与工程. 2009(10)
[4]基于Gibbs抽样的厚尾SV模型贝叶斯分析及其应用[J]. 朱慧明,李峰,杨锦明,虞克明. 系统仿真学报. 2008(09)
[5]上海股市的VaR风险研究[J]. 方杰兴. 经济师. 2007(04)
[6]随机波动性模型的比较分析[J]. 王春峰,蒋祥林,吴晓霖. 系统工程学报. 2005(02)
[7]基于GARCH模型和SV模型的VaR比较[J]. 余素红,张世英,宋军. 管理科学学报. 2004(05)
[8]上证综指收益波动性及VaR度量研究[J]. 胡援成,姜光明. 当代财经. 2004(06)
[9]ARCH族波动模型及其在金融市场研究中的应用[J]. 欧阳资生. 湖南商学院学报. 2004(02)
[10]股票收益随机波动模型研究[J]. 沈根祥. 中国管理科学. 2003(02)
硕士论文
[1]VaR风险度量方法在我国股票市场的应用研究[D]. 宋海礁.上海师范大学 2010
[2]不同分布下收益率波动模型的比较[D]. 王以明.华东师范大学 2009
[3]高频金融时间序列波动性研究[D]. 张娇.电子科技大学 2009
[4]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
[5]基于随机波动模型的中国股市波动性实证研究[D]. 徐永坤.复旦大学 2008
[6]VaR方法在中国股票市场风险度量中的应用[D]. 曹建美.东北财经大学 2007
[7]NOMMLE分布的参数估计与MCMC模拟研究[D]. 韩艳敏.武汉理工大学 2007
[8]金融数据波动性的建模研究[D]. 方杰兴.中南大学 2007
本文编号：3724358
本文链接：https://www.wllwen.com/jingjilunwen/jinrongzhengquanlunwen/3724358.html
