论文部分内容阅读
最近几年,金融市场上的在线交易越来越多,这种在线交易既有优点也有弊端。一方面它使交易变得更加方便快捷,另一方面使得股票市场的波动率变得越来越激烈,从而增加了股票市场的风险。因此人们更加关心股票市场的波动如何变化,在掌握金融资产价格波动特征的基础上,降低风险从而使收益最大化。在实际应用中,通过波动率模型对金融数据进行建模分析,能够帮助投资者更加了解金融市场上资产价格波动的规律,从而最大化地降低损失,有效地度量和防范金融市场风险。如何选择合适的波动率模型和分布形式就成为提高金融资产价格的估计精度、有效规避风险的关键因素。在波动率模型选择方面,本文以高频波动率模型——Realized GARCH模型为研究对象,该模型将已实现波动率融入到GARCH模型中,从而充分利用了高频数据的信息,克服了低频波动率模型的缺陷。在分布形式选择方面,本文选取了四种常用的“尖峰厚尾偏态”分布:T分布、ST分布、GED分布、NIG分布,同时将正态分布考虑在内。首先,详细介绍了基本GARCH模型及其拓展模型,之后对文中所提到的模型进行了比较分析。其次,对已实现波动率的构造过程、统计特征进行了介绍。在已实现波动率和GARCH模型的基础上,对Realized GARCH模型的提出和发展进行了阐述,并详细介绍了误差项的分布选择。最后,介绍了模型比较准则的相关理论。在理论分析的基础上,本文对沪深300指数的波动率进行建模分析。从CSMAR数据库选取2016年1月5日到2018年12月28日共730个交易日的5min高频数据,并设定收益率误差项分别服从正态分布、T分布、ST分布、GED分布和NIG分布。通过R语言、Eviews软件进行相关分析,发现沪深300指数收益率序列具有尖峰厚尾、偏态分布等特征。然后对五种不同分布下的Realized GARCH模型进行参数估计,并从模型拟合能力、模型分布设定检验、模型波动率预测效果和风险度量这四个方面对不同分布下的Realized GARCH模型进行比较分析。实证分析结果表明,假定收益率误差项服从尖峰厚尾偏态分布(T分布、ST分布、GED分布和NIG分布)的Realized GARCH模型比正态分布表现效果要好,能够较好地拟合收益率的波动性,而NIG分布下的Realized GARCH模型表现最佳,ST分布下的Realized GARCH模型表现次之,因此在分布选择上,我们可以首先考虑NIG分布,其次考虑ST分布。通过对沪深300指数波动性的分析,股票市场上的投资者可以更好地了解中国股票市场的短期波动性特征,并具有实用的投资指导价值。