首页> 中文学位 >基于已实现波动率的两种模型的预测能力的实证研究——长记忆随机波动模型和GARCH模型的比较研究
【6h】

基于已实现波动率的两种模型的预测能力的实证研究——长记忆随机波动模型和GARCH模型的比较研究

代理获取

目录

文摘

英文文摘

声明

第一章绪论

1.1研究目的和意义

1.2文献综述

1.3研究思路及本文结构

第二章已实现波动率介绍

2.1已实现波动率和已实现极差波动率定义

2.2最优抽样频率的确定

第三章波动模型介绍

3.1长记忆随机波动率(LMSV)模型

3.2 GARCH模型

3.3 LMSV和GARCH模型的比较

第四章估计和预测方法介绍

4.1 LMSV模型的估计和预测方法

4.1.1估计方法

4.1.2预测方法

4.2 GARCH模型的估计和预测方法

4.3预测能力的度量

4.4数据

第五章实证结果分析

5.1 LMSV模型的实证研究

5.2 GARCH模型的实证研究

第六章结论

附录

参考文献

致 谢

展开▼

摘要

波动率是金融资产最重要的特征之一,对其准确度量有着极其重要的意义。由于国外资本市场比较发达,这方面的研究已比较成熟,但国内由于种种限制,这方面的研究相对比较落后,但随着我国资本市场对外开放进程的加快,对波动率的研究已经迫在眉睫,这对构建我国金融机构的风险管理系统和准确度量资产价格有着极其重要的意义。 本文首先对“积分波动率”和“已实现波动率”进行了介绍并给出了国外文献中关于“已实现波动率”和“已实现极差波动率”的定义,并对其特性进行了介绍。然后应用积分波动率的方差最小来选定高频数据的最优抽样频率。 本文的模型和实证部分介绍了两类模型:SV模型和GARCH模型,进而根据高频数据的特征构建长记忆随机波动率模型(LMSV模型)和(经过季节性调整的)GARCH模型。参考Deo等人2006年的文献,本文基于中国上证指数的高频数据,首先对收益率序列进行了季节性调整,此后应用扩展的频域伪极大似然估计对LMSV模型进行了参数估计,最后进行波动率预测。本文在GARCH模型的均值方程中对季节性进行了调整,然后应用极大似然估计法对模型参数进行估计,最后进行波动率预测。预测能力的评价指标采用预测的波动率对(无模型的)已实现极差波动率进行回归,因为已实现极差波动率是积分波动率的一致估计量,所以将其作为真实波动率的代理。比较回归系数和拟合优度即可对模型预测能力进行判断。 本文实证结果表明,无论预测长度为多久,LMSV的预测精度都较高;两模型对中期的预测效果都比较好;从拟合优度角度看,短期LMSV的预测效果好于GARCH模型,中长期GARCH模型要好于LMSV模型。

著录项

相似文献

  • 中文文献
  • 外文文献
  • 专利
代理获取

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号