高频数据波动率建模及风险度量——基于Realized GARCH模型

摘要

2015年，我国A股市场大起大落，惊心动魄的股市令广大市场投资者刻骨铭心，这一年注定将载入中国金融的史册。市场的残酷再一次提醒了广大投资者风险管理的重要性，波动率度量在风险管理中占据了重要地位，随着金融高频数据越来越容易获取，基于高频数据非参数方法的“实现测度”在波动率研究中发挥着越来越大的作用，“实现测度”使金融波动率由隐变量转变为可以直接刻画的显变量，为市场波动率提供了一个可靠的度量，但是其缺陷是其并不具有预测能力。
　　鉴于传统GARCH类模型的优势，将实现测度和传统的GARCH类模型结合起来成为波动率建模中的一个热点问题。Hansen等(2012)提出的Realized GARCH模型将GARCH模型的条件波动率和实现测度联系起来，获得完备的GARCH分析框架，然而其也存在一定的不足。针对金融数据普遍存在的尖峰厚尾现象及非对称性，本文把Realized GARCH模型拓展到厚尾分布的情形，将杠杆函数的幂次放松为待估参数，且为进一步地应对杠杆效应，将杠杠函数设置为非对称放松幂次的形式，此外，考虑到不同实现测度的选择对模型的影响，除采用RV测度外，进一步纳入另三种高频数据波动率测度，构成尾部风险估计的对比模型。在比较尾部风险度量效果时，除了对比VaR估计的结果，还引入了两个在金融风险管理视角下的损失函数，以弥补VaR的不足，并利用基于bootstrap方法的SPA检验，进一步提高模型对比结果的稳健性;同时，采用蒙特卡罗模拟的方法，对比了各模型对实现测度的预测效果。
　　基于上证综指5分钟高频数据的实证结果表明，应用RealizedGARCH模型进行风险度量的效果良好，对杠杆函数幂次的处理显著提升了对尾部风险度量的精度，而正负信息下的非对称放松幂次处理在提升了尾部风险度量精度的同时，在实现测度的一步预测上也呈现较大优势;不同实现测度的选取对模型风险度量精度有较大影响，且在不同风险水平下，各实现测度的表现也不同，但是对杠杆函数的处理均对尾部风险的度量精度有一定的提升作用，且在幂次非对称放松的处理下提升效果更显著。

目录

摘要

第1章 绪论

1．1 研究的背景和意义

1．1．1 研究的背景

1．1．2 研究的意义

1．2 国内外研究现状

1．2．1 高频数据实现测度的研究现状

1．2．2 国内外Realized GARCH模型的研究现状

1．3 本文创新点

1．4 研究思路及框架

1．4．1 研究思路

1．4．2 基本框架

第2章 Realized GARCH模型及拓展

2．1 Realized GARCH模型简介

2．2 模型拓展

2．3 模型参数估计及波动率计算

第3章 实证分析

3．1 数据来源及基本统计信息

3．2 参数估计

3．3 VaR估计

3．4 利用蒙特卡罗模拟的实现测度预测比较

第4章 基于四种高频数据实现测度的实证比较

4．1 四种具有层次性的高频数据实现测度

4．2 建立实证模型

4．3 损失函数与SPA检验

4．3．1 引入两种损失函数

4．3．2 SPA检验

第5章 结论与不足

5．1 本文结论

5．2 本文不足之处

参考文献

致谢

声明