收藏本站
《成都理工大学》 2018年
收藏 | 手机打开
二维码
手机客户端打开本文

基于高频数据的投资组合VaR测度研究

袁洪  
【摘要】:金融风险一旦发生,具有影响深远、持续时间长的特点。所以,金融市场的风险测度被广泛关注。一方面,随着经济全球化及金融一体化的进程,地区与地区之间、市场与市场之间的相互依存度越来越强。另一方面,基于分散风险的目的,投资者通常把资产投资于两个或两个以上的项目。相对单一资产的风险测度,针对两个或两个以上资产的投资组合风险测度研究更具现实意义。传统的投资组合风险测度使用在险价值(Value-at-risk,VaR)测度方法,首先基于低频数据建立GARCH类波动率建模,然后使用Copula函数去捕捉资产间的相依性,最后做投资组合的VaR测度。但是,股市日内交易频繁,低频数据会损失大量的日内重要信息。高频数据的建模方法例如已实现GARCH(Realized GARCH)类模型和HAR族模型能够捕捉更多日内信息,已经在波动率研究方面得到广泛运用。但是,高频数据建模方法在投资组合中的应用还有待研究。本文以上证综指和恒生指数为研究对象,采用高频数据分别构建Realized GARCH和HAR-RV边缘分布模型,并将Realized GARCH、HAR-RV与Copula结合进行投资组合的VaR测度。本文对比了两种高频数据建模方法,并与低频数据VaR测度方法进行对比。实证结果证明,Realized GARCH模型具有更好的投资组合风险预测效果。本文的具体工作如下:首先,对上证综指和恒生指数进行波动性建模。高频数据使用的是两股指的5分钟收盘价,从而可以得到两股指基于高频数据的收益率和已实现波动率(Realized Volatility,RV),低频数据使用的是两股指的日收盘价,从而可以得到它们基于低频数据的收益率。观察两股指的收益率和已实现波动率可以发现在2015年末至2016年中旬这段时间,上证综指的波动异常明显,极好地反应出了当年的股灾情况。使用高频数据分别建立Realized GARCH和HAR-RV的边缘分布模型,使用低频数据构建GARCH模型作为对照组,得到独立同分布的新息序列,并对时间序列数据进行描述性统计分析。然后,选择几种常用的Copula函数用于捕捉两个市场的相依关系。研究结果表明SJC Copula函数是所选5种函数中拟合效果最好的,表明在本文研究的时间段里,上证综指和恒生指数具有不对称的尾部相依结构,接着使用时变SJC Copula模型去捕捉两股指相依关系的动态变化。最后,做投资组合的动态VaR风险测度,比较它们的预测效果。对上证综指和恒生指数做等权重的投资组合VaR测度,并采用滚动窗口的蒙特卡洛模拟法,可以得到两股指在1%、5%和10%显著性水平下的动态风险价值VaR。对VaR结果进行回溯检验,发现SJC Copula-Realized GARCH模型普遍要比SJC Copula-GARCH模型和SJC Copula-HAR模型的预测效果好,而SJC Copula-GARCH模型无论在何种显著性水平上,其预测效果都是最差的。金融市场越来越复杂,其不确定性逐渐增加。本文分别采用低频数据和高频数据对上证综指和恒生指数进行波动率研究和风险测算有重要意义:(1)在学术研究方面,本文通过对GARCH、Realized GARCH和HAR模型的实证及对比研究,进一步丰富和扩展了前人关于投资组合风险测度的研究,得出了适用于投资组合在险价值VaR的最优模型。(2)投资指导方面,本文以中国市场的上证综指和恒生指数为例,对其投资组合的风险做了预测。本文所用方法理论上也适用于其他市场,可以为投资者把控金融市场风险提供足够依据。(3)监管指导方面,本文工作可以为监管者提供市场风险指导,为其提前制定合适的监管措施提供依据,这对资本市场的良好发展具有重要作用。针对本文目前的研究,还可以从以下三个方面对其进行完善或扩展研究:第一,已实现测度选择方面,本文只采用RV的形式。此外,还有别的己实现测度的方法可以供选取,如赋权已实现波动(WRV)、己实现核波动(RK)等第二,高频数据的波动性建模方面,本文采用是基于正态分布的Realized GARCH和异质自回归HAR-RV模型。还可以对这两类模型进行扩展研究。比如波动率建模时,可以尝试基于各种分布的Realized GARCH模型和HAR族的扩展形式,包括HAR-RV-J、HAR-RV-CJ等。第三,相依性刻画方面,本文的研究对象是上证综指和恒生指数,因此使用的是二元Copula函数来捕捉资产间的相依关系。当对三个及以上的投资组合进行风险度量时,可以考虑使用藤Copula函数来刻画相依关系。
【学位授予单位】:成都理工大学
【学位级别】:硕士
【学位授予年份】:2018
【分类号】:F832.51

【参考文献】
中国期刊全文数据库 前10条
1 黄友珀;唐振鹏;周熙雯;;基于偏t分布realized GARCH模型的尾部风险估计[J];系统工程理论与实践;2015年09期
2 刘喜波;王增;谷艳华;;基于copula模型的沪深股市日收益率的相关性研究[J];数学的实践与认识;2015年11期
3 于文华;魏宇;康明惠;;不同时变Copula-EVT-ES模型精度比较研究[J];管理科学学报;2015年05期
4 瞿慧;李洁;程昕;;HAR族模型与GARCH族模型对不同期限波动率的预测精度比较——基于沪深300指数高频价格的实证分析[J];系统工程;2015年03期
5 吴恒煜;夏泽安;聂富强;;引入跳跃和结构转换的中国股市已实现波动率预测研究:基于拓展的HAR-RV模型[J];数理统计与管理;2015年06期
6 王天一;赵晓军;黄卓;;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];世界经济文汇;2014年05期
7 江红莉;何建敏;庄亚明;;基于时变Copula的房地产业与银行业尾部动态相关性研究[J];管理工程学报;2013年03期
8 于文华;;沪深股市极值相依关系测度研究——基于四类时变Copula-EVT模型[J];西南交通大学学报(社会科学版);2013年04期
9 于文华;魏宇;岳焱;;次贷危机对亚洲股市尾部极值风险传导的影响研究[J];预测;2013年03期
10 易文德;;基于ARMA-GARCH-COUPULA模型的交易量与股价波动相依关系[J];系统管理学报;2012年05期
中国硕士学位论文全文数据库 前6条
1 兰翔;基于VaR分析与Copula方法的互联网金融风险度量[D];山东大学;2017年
2 刘祥;上证50 ETF的波动率研究及VaR测算[D];华东理工大学;2017年
3 杜军;股灾期间行业板块间的相关结构研究[D];西南财经大学;2016年
4 赵欢;基于GARCH族模型我国金融期货市场波动率及相关性研究[D];西南交通大学;2015年
5 于晓蕾;基于HAR模型对中国股票市场已实现波动率的研究[D];吉林大学;2009年
6 吕涛;沪深股市波动率研究[D];北方工业大学;2006年
【共引文献】
中国期刊全文数据库 前10条
1 李聪;刘诗绮;张伟伟;;上证综指收益率波动的预测研究[J];东方论坛;2015年06期
2 高波;任若恩;;基于时变Copula模型的系统流动性风险研究[J];国际金融研究;2015年12期
3 施丹蓉;;我国波动率指数编制实证研究[J];金融经济;2015年16期
4 徐凯;潘攀;曹雅晴;;基于时变混合Copula的金融市场传染效应研究[J];软科学;2015年08期
5 谭英平;杜展斌;谢远涛;;寿险企业市场风险相关性实证研究[J];金融发展研究;2015年06期
6 王玲;;Realized GARCH模型在黄金期货市场的应用[J];财务与金融;2015年03期
7 林宇;陈王;王一鸣;黄迅;;典型事实、混合Copula函数与金融市场相依结构研究[J];中国管理科学;2015年04期
8 闫世军;李丛文;;中国和其它金砖国家股票市场动态相关性研究——基于动态时变Copula模型分析[J];上海经济研究;2015年03期
9 蔡庆丰;郭俊峰;陈耀辉;;沪深300期现货市场动态波动关系研究:基于VECM-GJR-DCC-MGARCH-t模型的视角[J];系统管理学报;2015年02期
10 赵玉荣;张艳华;;中外股市波动传染建模与实证研究——基于Contagion-DCC-MGARCH模型[J];时代金融;2015年03期
中国硕士学位论文全文数据库 前10条
1 朱潇琍;中国波动率指数与股票市场相关关系研究[D];浙江大学;2018年
2 袁洪;基于高频数据的投资组合VaR测度研究[D];成都理工大学;2018年
3 谢昌烨;基于贝叶斯模型平均(BMA)方法的蒙特卡洛期权定价研究[D];南京大学;2018年
4 林诚望;分级基金定价研究[D];山东大学;2018年
5 周思娟;基于跳跃行为的已实现GARCH-HAR-RV模型的中国股市波动性研究[D];西南交通大学;2018年
6 王倩;基于已实现EGARCH模型的股票市场风险度量方法研究[D];山东大学;2018年
7 苏新星;高频数据Realized GARCH Copula模型构建及相关性测度[D];浙江工商大学;2018年
8 李柳;分级基金与股市稳定性研究[D];长春工业大学;2017年
9 赵阳;上证50ETF波动率的实证研究[D];北方工业大学;2017年
10 文雨;基于高频数据的金融市场风险传染和动态对冲研究[D];浙江大学;2017年
【二级参考文献】
中国期刊全文数据库 前10条
1 李强;周孝华;;基于Copula的我国台湾和韩国股票市场相关性研究[J];管理工程学报;2014年02期
2 郑挺国;左浩苗;;基于极差的区制转移随机波动率模型及其应用[J];管理科学学报;2013年09期
3 王鹏;;基于时变高阶矩波动模型的VaR与ES度量[J];管理科学学报;2013年02期
4 陈浪南;杨科;;中国股市高频波动率的特征、预测模型以及预测精度比较[J];系统工程理论与实践;2013年02期
5 郑列;郑伦涛;徐斌;;基于Copula函数的沪深综指相关性分析[J];长江大学学报(自科版);2013年04期
6 杨科;陈浪南;;上证综指的已实现波动率预测模型[J];数理统计与管理;2013年01期
7 周孝华;张保帅;董耀武;;基于Copula-SV-GPD模型的投资组合风险度量[J];管理科学学报;2012年12期
8 唐勇;;金融资产跳跃检验方法实证比较[J];中国管理科学;2012年S1期
9 万云波;许自坚;;股指期货与现货指数收益率序列相关性研究——基于Copula函数的实证分析[J];西南交通大学学报(社会科学版);2012年05期
10 高江;;藤Copula模型与多资产投资组合VaR预测[J];数理统计与管理;2013年02期
中国硕士学位论文全文数据库 前10条
1 金琳;基于VaR-GARCH模型在极端行情下的我国股指期货风险度量比较研究[D];中国科学技术大学;2016年
2 田英良;基于广义双曲分布与Copula的行业联合市场风险研究[D];山东大学;2016年
3 许雯;互联网金融的风险及其防范研究[D];中共中央党校;2015年
4 王丹丹;我国互联网金融的发展研究[D];吉林大学;2015年
5 张恒晅;基于VaR与CVaR度量金融风险的实证研究[D];上海交通大学;2015年
6 齐肖阳;基于ARMA-GARCH模型创业板市场风险VaR和ES实证研究[D];南昌大学;2014年
7 王佳蕾;基于GARCH类模型的VaR计算在我国金融市场中的实证研究[D];暨南大学;2014年
8 程栋梁;基于Copula函数的我国创业板与主板市场风险关系研究[D];北京工商大学;2014年
9 金丹;基于沪深300指数的波动率预测模型的实证研究[D];华中科技大学;2013年
10 韩晓庆;Copula函数的理论及其应用[D];温州大学;2013年
【相似文献】
中国期刊全文数据库 前10条
1 朱建平;魏瑾;谢邦昌;;金融高频数据挖掘研究评述与展望[J];经济学动态;2011年06期
2 金登贵;我国股市高频数据分布特征实证研究[J];江西广播电视大学学报;2005年03期
3 常宁,徐国祥;金融高频数据分析的现状与问题研究[J];财经研究;2004年03期
4 苗晓宇;;(超)高频数据视角下金融风险度量研究进展[J];经济论坛;2010年08期
5 耿克红;张世英;;超高频数据下金融市场持续期序列模型述评[J];中国管理科学;2008年04期
6 朱宇涛;杨杰;;中国证券市场高频数据统计特征分析[J];吉林工商学院学报;2016年03期
7 魏瑾瑞;朱建平;谢邦昌;;金融高频数据仅仅是一个优质的时间序列吗:概念及统计特征的再考察[J];投资研究;2014年05期
8 补冯林,张卫国,何伟;基于超高频数据的股票流动性度量研究[J];统计与决策;2005年04期
9 武光磊;;大数据时代:向高频出发[J];科学中国人;2018年18期
10 刘建华;;基于高频数据的中国股市量价日内特征分析[J];经济师;2007年10期
中国重要会议论文全文数据库 前10条
1 郭名媛;;基于高频数据的已实现极差相关系数及实证研究[A];2012管理创新、智能科技与经济发展研讨会论文集[C];2012年
2 唐勇;;金融市场波动建模:基于高频数据视角[A];社会经济发展转型与系统工程——中国系统工程学会第17届学术年会论文集[C];2012年
3 郭名媛;;基于高频数据的赋权已实现极差相关系数及其实证研究[A];社会经济发展转型与系统工程——中国系统工程学会第17届学术年会论文集[C];2012年
4 ;学术名家思想精粹[A];2014年国际货币金融每日综述[C];2014年
5 张晨;李月环;;基于调整“已实现”波动率的沪深300指数高频数据波动性研究与预测[A];中国会计学会高等工科院校分会2008年学术年会(第十五届年会)暨中央在鄂集团企业财务管理研讨会论文集(上册)[C];2008年
6 侯云飞;高剑波;;中美股市对比分析:来自复杂性科学的启发[A];第十三届(2018)中国管理学年会论文集[C];2018年
7 张维;刘博;张小涛;;日内金融高频数据的异常点检测[A];全国自动化新技术学术交流会会议论文集(一)[C];2005年
8 仪垂林;王家琪;;基于高频数据的套利研究——对中国股市弱式有效的一个检验[A];21世纪数量经济学(第6卷)[C];2005年
9 王蘅;;高频数据传输电缆的设计与制造[A];中国通信学会2004年光缆电缆学术年会论文集[C];2004年
10 ;学术名家思想精粹[A];2014年国际货币金融每日综述[C];2014年
中国重要报纸全文数据库 前10条
1 本报记者 张智;高频数据向暖 中国经济正实现“软着陆”[N];华夏时报;2017年
2 记者 林远;今年前两月投资增速或为8%[N];经济参考报;2017年
3 上海证券 刘亦千 王博生 闻嘉琦;顺势而为 风格均衡[N];中国证券报;2017年
4 第一财经研究院研究员 许元荣;高频数据看宏观:整体挑战依然 局部有所改善[N];第一财经日报;2015年
5 记者 方烨;高频数据显示8月工业生产恢复[N];经济参考报;2015年
6 记者 林远;机构称下半年经济增速无持续回落风险[N];经济参考报;2018年
7 本报记者 辛继召;银联腾讯阿里鏖战交通支付 挖掘场景背后高频数据[N];21世纪经济报道;2018年
8 中信建投期货 王雪乔;利率下行明显 期债偏强运行[N];期货日报;2018年
9 本报记者 周文静;大成基金:市场仍将维持宽幅震荡格局[N];中国证券报;2016年
10 格林期货 石敏;CPI数据或将打压市场信心[N];期货日报;2013年
中国博士学位论文全文数据库 前10条
1 唐勇;基于高频数据的金融市场分析[D];天津大学;2007年
2 佘宏俊;基于超高频数据的计量建模方法及市场交易行为量化研究[D];东北财经大学;2015年
3 李胜歌;基于高频数据的金融波动率研究[D];天津大学;2008年
4 王芳;基于市场微观结构噪声和跳跃的金融高频数据波动研究[D];西南财经大学;2011年
5 王萌;两类金融时间序列模型的估计理论及应用[D];中国科学技术大学;2016年
6 来升强;高频数据交易策略与波动性分析[D];厦门大学;2009年
7 郭华;中国证券市场日内交易信息对流动性和波动性的影响研究[D];天津大学;2013年
8 王锋;我国燃料油期货市场久期及其应用研究[D];中国矿业大学;2011年
9 汪剑鲲;日内股市数据的小波分形特征研究[D];首都经济贸易大学;2012年
10 李翠霞;基于高频数据下一些特征的统计推断[D];兰州大学;2013年
中国硕士学位论文全文数据库 前10条
1 周晓丹;高频数据下商品期货统计套利策略研究[D];辽宁大学;2018年
2 袁洪;基于高频数据的投资组合VaR测度研究[D];成都理工大学;2018年
3 徐博文;基于中国金融市场高频数据波动率的分析与实证研究[D];电子科技大学;2018年
4 李博亚;基于金融高频数据下跳的检测[D];西北师范大学;2017年
5 胡飞虎;基于高频数据的股指期货信息溢出效应研究[D];上海师范大学;2018年
6 周河源;高频数据的统计套利策略应用[D];首都经济贸易大学;2018年
7 刘昂;2015年股市大跌前后的股指期现关系[D];上海社会科学院;2017年
8 叶梦栖;基于沪深300股指期货高频数据的VPIN与市场流动性研究[D];南京大学;2017年
9 刘力华;基于高频数据的证券市场实证研究[D];暨南大学;2011年
10 张国勇;金融市场(超)高频数据建模及其实证分析[D];天津大学;2004年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62791813
  • 010-62985026