基于门限异方差模型的高频数据统计推断
发布时间：2021-07-27 11:46
金融市场中,金融数据的预测和资产组合的风险管理是金融机构与个人投资者研究的重中之重。随着时代的发展,高频数据相较于低频数据更能反映出市场的真实变化情况,且蕴含更多的市场交易信息。因此更多国内外学者选用高频金融数据作为研究对象对金融市场进行研究分析。由于金融资产收益率序列具有尖峰厚尾性和非对称的特点,而传统模型无法捕捉这些特征。本文通过改进双门限广义自回归条件异方差模型以便更好地预测数据以及度量金融市场风险。全文内容分为以下两个部分。第一部分构建了一种双门限广义自回归条件异方差模型,其扰动项服从标准Laplace分布。运用极大似然估计法计算出模型参数的估计值。在实证分析中对比扰动项服从不同分布的其他模型。实证分析结果表明所研究的模型更加符合实际情况。最后通过自助法与预测值的条件分布得到预测置信区间,且自助法构建的预测置信区间更加精确。第二部分采用双门限广义自回归条件异方差模型计算金融资产的VaR值和CVaR值。根据不同置信水平下的统计量,比较不同模型计算得到的风险值对市场风险估计的准确程度。实证分析结果表明所研究的模型度量风险更为准确。当置信水平发生变化,模型计算的风险值度量风险的性能也...
【文章来源】：长春工业大学吉林省
【文章页数】：52 页
【学位级别】：硕士
【部分图文】：
DTGARCH-Laplace模型的样本特征
第3章基于双门限GARCH模型的极大似然估计18率()1100ln()ln()tttyPP=是非中心化数据。对其进行描述性分析，其统计结果见表3.4。股票收益率的路径图如图3.2所示，QQ图如图3.3所示。表3.4股票对数收益率描述性统计量统计量样本量均值标准差偏度峰度最大值最小值ty239-0.02950.50210.22307.57042.1021-2.4716图3.2股票对数收益率路径图图3.3股票对数收益率QQ图由图3.2可看出，该收益率序列存在明显的波动聚集性与非对称性。图3.3中，所有的点并没有近似地在一条直线附近，两边的点外翘，说明该收益率序列更符合厚
第3章基于双门限GARCH模型的极大似然估计18率()1100ln()ln()tttyPP=是非中心化数据。对其进行描述性分析，其统计结果见表3.4。股票收益率的路径图如图3.2所示，QQ图如图3.3所示。表3.4股票对数收益率描述性统计量统计量样本量均值标准差偏度峰度最大值最小值ty239-0.02950.50210.22307.57042.1021-2.4716图3.2股票对数收益率路径图图3.3股票对数收益率QQ图由图3.2可看出，该收益率序列存在明显的波动聚集性与非对称性。图3.3中，所有的点并没有近似地在一条直线附近，两边的点外翘，说明该收益率序列更符合厚
【参考文献】：
期刊论文
[1]资产组合非等间隔日内在险价值研究[J]. 鲁万波,陈骋,王建业. 数理统计与管理. 2019(06)
[2]基于MCMC的SV模型分钟高频股指波动率研究[J]. 张艳慧,郑宇轩,曹显兵. 数学的实践与认识. 2019(06)
[3]基于GARCH-CVaR的股指期货套期保值模型的实证分析[J]. 张瑞稳,赵沁怡. 统计与决策. 2019(04)
[4]不同分布下Realized EGARCH模型的拟合效果研究[J]. 玄海燕,戴天骄,李鸿渐,郭长青. 统计与决策. 2018(22)
[5]基于神经网络分位数回归的多期CVaR风险测度[J]. 许启发,徐金菊,蒋翠侠. 数理统计与管理. 2017(04)
[6]基于中国股票高频交易数据的随机波动建模与应用[J]. 张波,蒋远营. 统计研究. 2017(03)
[7]基于MCMC算法的人民币汇率市场的分析——双门限非对称GARCH模型的应用[J]. 夏强,刘金山. 数理统计与管理. 2012(03)
[8]基于GARCH族模型的VaR与CVaR值的实证与应用[J]. 陶伟. 统计与决策. 2012(09)
[9]基于CVaR-GARCH-GED模型的单品种期货风险价值预测[J]. 周颖,仇晓光. 统计与决策. 2007(18)
博士论文
[1]基于目标区理论的三制度DTGARCH汇率模型构建及应用研究[D]. 刘潭秋.湖南大学 2006
硕士论文
[1]基于已实现GARCH类模型的股票市场VaR研究[D]. 徐志.安徽财经大学 2019
[2]门限ARMA模型的贝叶斯估计[D]. 王佩.中国矿业大学 2019
[3]金融危机背景下我国股票市场风险收益关系研究[D]. 王敏.首都经济贸易大学 2018
[4]基于VaR模型的我国商业银行利率风险度量及实证研究[D]. 喻晴.首都经济贸易大学 2018
[5]基于GARCH-CVaR模型的人民币汇率风险测度研究[D]. 关亚辉.成都理工大学 2017
[6]基于两种分布的GARCH模型的估计及性质[D]. 郭又铭.兰州理工大学 2013
[7]沪深股市的波动溢出效应[D]. 亓寿伟.华中科技大学 2007
本文编号：3305722
【文章来源】：长春工业大学吉林省
【文章页数】：52 页
【学位级别】：硕士
【部分图文】：
DTGARCH-Laplace模型的样本特征
第3章基于双门限GARCH模型的极大似然估计18率()1100ln()ln()tttyPP=是非中心化数据。对其进行描述性分析，其统计结果见表3.4。股票收益率的路径图如图3.2所示，QQ图如图3.3所示。表3.4股票对数收益率描述性统计量统计量样本量均值标准差偏度峰度最大值最小值ty239-0.02950.50210.22307.57042.1021-2.4716图3.2股票对数收益率路径图图3.3股票对数收益率QQ图由图3.2可看出，该收益率序列存在明显的波动聚集性与非对称性。图3.3中，所有的点并没有近似地在一条直线附近，两边的点外翘，说明该收益率序列更符合厚
第3章基于双门限GARCH模型的极大似然估计18率()1100ln()ln()tttyPP=是非中心化数据。对其进行描述性分析，其统计结果见表3.4。股票收益率的路径图如图3.2所示，QQ图如图3.3所示。表3.4股票对数收益率描述性统计量统计量样本量均值标准差偏度峰度最大值最小值ty239-0.02950.50210.22307.57042.1021-2.4716图3.2股票对数收益率路径图图3.3股票对数收益率QQ图由图3.2可看出，该收益率序列存在明显的波动聚集性与非对称性。图3.3中，所有的点并没有近似地在一条直线附近，两边的点外翘，说明该收益率序列更符合厚
【参考文献】：
期刊论文
[1]资产组合非等间隔日内在险价值研究[J]. 鲁万波,陈骋,王建业. 数理统计与管理. 2019(06)
[2]基于MCMC的SV模型分钟高频股指波动率研究[J]. 张艳慧,郑宇轩,曹显兵. 数学的实践与认识. 2019(06)
[3]基于GARCH-CVaR的股指期货套期保值模型的实证分析[J]. 张瑞稳,赵沁怡. 统计与决策. 2019(04)
[4]不同分布下Realized EGARCH模型的拟合效果研究[J]. 玄海燕,戴天骄,李鸿渐,郭长青. 统计与决策. 2018(22)
[5]基于神经网络分位数回归的多期CVaR风险测度[J]. 许启发,徐金菊,蒋翠侠. 数理统计与管理. 2017(04)
[6]基于中国股票高频交易数据的随机波动建模与应用[J]. 张波,蒋远营. 统计研究. 2017(03)
[7]基于MCMC算法的人民币汇率市场的分析——双门限非对称GARCH模型的应用[J]. 夏强,刘金山. 数理统计与管理. 2012(03)
[8]基于GARCH族模型的VaR与CVaR值的实证与应用[J]. 陶伟. 统计与决策. 2012(09)
[9]基于CVaR-GARCH-GED模型的单品种期货风险价值预测[J]. 周颖,仇晓光. 统计与决策. 2007(18)
博士论文
[1]基于目标区理论的三制度DTGARCH汇率模型构建及应用研究[D]. 刘潭秋.湖南大学 2006
硕士论文
[1]基于已实现GARCH类模型的股票市场VaR研究[D]. 徐志.安徽财经大学 2019
[2]门限ARMA模型的贝叶斯估计[D]. 王佩.中国矿业大学 2019
[3]金融危机背景下我国股票市场风险收益关系研究[D]. 王敏.首都经济贸易大学 2018
[4]基于VaR模型的我国商业银行利率风险度量及实证研究[D]. 喻晴.首都经济贸易大学 2018
[5]基于GARCH-CVaR模型的人民币汇率风险测度研究[D]. 关亚辉.成都理工大学 2017
[6]基于两种分布的GARCH模型的估计及性质[D]. 郭又铭.兰州理工大学 2013
[7]沪深股市的波动溢出效应[D]. 亓寿伟.华中科技大学 2007
本文编号：3305722
本文链接：https://www.wllwen.com/shoufeilunwen/benkebiyelunwen/3305722.html
