近幾年計量經(jīng)濟學領域最為重要的創(chuàng)新之一便是廣義自回歸得分(GAS)理論框架,其通過構建得分函數(shù)來實現(xiàn)時變參數(shù)的更新,為金融時間序列的研究提供了新的理論框架。其出色的適應性能夠被應用在金融領域多個問題的研究中,特別是風險研究領域。金融資產(chǎn)的風險測度問題一直是金融時間序列研究的重點問題,準確的風險測度和精準的風險預測對于了解金融資產(chǎn)風險情況并進行相關投資決策具有重要的理論和實踐意義。近些年來,中國金融市場發(fā)展迅速,A股上市公司數(shù)量持續(xù)增加,投資者可選擇標的也不斷增加,同時,期貨市場的發(fā)展也為投資者帶來了更多的金融工具,投資組合也由單一的股票投資組合延伸到了期現(xiàn)貨投資組合中。因此,如何選擇投資組合的風險測度方式也成為了我國學術實踐領域研究的重點問題。此外,隨著計算機技術的發(fā)展,計算能力的不斷提高也為高頻數(shù)據(jù)的建模提供了有力的支持,特別是近些年量化投資的快速興起,進而也帶動了高頻交易的發(fā)展。高頻數(shù)據(jù)可以帶來更多信息,但由于市場微觀結構的影響也伴隨著大量的噪聲,如何采取合適的降噪方法構建有效的高頻多元資產(chǎn)的波動率模型進行投資組合的風險測度伴隨著量化投資技術的發(fā)展開始逐漸受到重視。因此,本文在詳細...

【文章頁數(shù)】：216 頁

【學位級別】：博士

【文章目錄】：
摘要
abstract
第1章 導論
    1.1 研究背景
    1.2 研究意義
    1.3 研究的主要內(nèi)容與技術路線
        1.3.1 研究內(nèi)容
        1.3.2 技術路線
    1.4 研究的主要創(chuàng)新和不足
        1.4.1 理論方法的創(chuàng)新
        1.4.2 實證方法的創(chuàng)新
        1.4.3 可能存在的不足
第2章 GAS理論框架發(fā)展及投資組合理論基礎與文獻綜述
    2.1 GAS理論框架研究和應用
        2.1.1 觀察值驅動模型與參數(shù)驅動模型
        2.1.2 廣義回歸得分模型框架的提出與應用
    2.2 投資組合風險測度研究
        2.2.1 風險測度理論方法的選擇與組合測度研究
        2.2.2 基于高頻數(shù)據(jù)的投資組合的風險測度問題
    2.3 投資組合優(yōu)化研究
        2.3.1 投資組合理論的提出
        2.3.2 經(jīng)典投資組合理論下投資組合優(yōu)化的研究分支
        2.3.3 期現(xiàn)貨投資組合套期保值優(yōu)化問題
    2.4 研究述評
第3章 GAS理論框架及其在金融時間序列的風險測度的應用
    3.1 GAS理論框架
        3.1.1 GAS框架模型的基本設定
        3.1.2 GAS框架模型的估計
        3.1.3 GAS框架模型的再參數(shù)化
        3.1.4 模型的辨識問題
    3.2 基于GAS框架的GARCH模型改進
        3.2.1 GAS-GARCH-sst模型的構建
        3.2.2 基于GAS框架的GAS-GARCH-sst風險測度模型的構建
    3.3 基于GAS框架的金融資產(chǎn)風險測度與預測
        3.3.1 數(shù)據(jù)的選擇
        3.3.2 描述性統(tǒng)計
        3.3.3 數(shù)據(jù)的檢驗
        3.3.4 模型的估計結果與受極端觀察值影響對比
        3.3.5 金融時間序列的VaR預測
        3.3.6 金融時間序列的VaR預測效果對比
    3.4 附錄:GAS-GARCH-sst模型的估計結果
    3.5 本章小結
第4章 基于R-Vine-Copula-GAS的投資組合測度與優(yōu)化
    4.1 Vine Copula理論
        4.1.1 Copula函數(shù)的定義
        4.1.2 Pair Copula的構建與R Vine
        4.1.3 Vine-Copula的數(shù)組表示方式
        4.1.4 R-Vine Copula密度的估計
        4.1.5 R-Vine分布的選擇
    4.2 基于GAS框架的投資組合風險測度分析
        4.2.1 樣本數(shù)據(jù)的選擇與預處理
        4.2.2 MST-PRIM算法下的R-Vine結構
        4.2.3 R-Vine Copula的參數(shù)估計結果
        4.2.4 單一資產(chǎn)的邊緣分布估計
        4.2.5 GAS-R-Vine-Copula模型的仿真模擬與風險預測方法設定
        4.2.6 基于GAS框架下的投資組合VaR比較分析
    4.3 GAS框架下的R-Vine-Copula多維資產(chǎn)組合優(yōu)化模型
        4.3.1 Markowitz的投資組合理論
        4.3.2 Mean-VaR投資組合
        4.3.3 Mean-CVaR的投資組合
        4.3.4 最小VaR投資組合和最小CVaR投資組合的有效前沿
        4.3.5 GAS框架下的投資組合優(yōu)化效果比較
    4.4 本章小結
第5章 基于GAS框架的高頻多元資產(chǎn)波動率模型的設計與應用
    5.1 Wishart-GARCH模型
        5.1.1 模型的假設
        5.1.2 GAS框架下的模型優(yōu)化
        5.1.3 模型的估計
    5.2 基于GAS-Wishart-Realized-GARCH模型的高頻多元資產(chǎn)波動率的實證研究設計
        5.2.1 數(shù)據(jù)的選取與高頻數(shù)據(jù)清洗
        5.2.2 基于刷新時間抽樣的樣本調整
    5.3 基于GAS-Wishart-Realized-GARCH模型的高頻多元資產(chǎn)波動率的估計結果分析
        5.3.1 基于子抽樣的降噪方法
        5.3.2 GAS-Wishart-Realized-GARCH模型的估計結果分析
    5.4 基于GAS-Wishart-Realized-GARCH模型的高頻多元資產(chǎn)波動率預測能力比較分析
        5.4.1 基于樣本外數(shù)據(jù)的降噪技術的完善
        5.4.2 評價預測效果的損失函數(shù)
        5.4.3 樣本外GAS-Wishart-Realized-GARCH模型的估計結果
        5.4.4 GAS-Wishart-Realized-GARCH模型和EWMA模型預測效果比較
    5.5 本章小結
第6 章 基于GAS框架的期現(xiàn)貨投資組合的套期保值優(yōu)化
    6.1 期現(xiàn)貨套期保值的理論基礎和模型設計
        6.1.1 套期保值理論
        6.1.2 基于GAS框架的極值Copula函數(shù)模型
        6.1.3 最優(yōu)套期保值比率比較模型的選擇
    6.2 基于GAS框架下的期現(xiàn)貨投資組合套期保值優(yōu)化的實證研究
        6.2.1 數(shù)據(jù)的選取與預處理
        6.2.2 樣本數(shù)據(jù)的描述性統(tǒng)計
        6.2.3 樣本數(shù)據(jù)的基本檢驗結果
    6.3 基于GAS框架的期現(xiàn)貨投資組合套期保值比率的估計結果分析
        6.3.1 各模型的估計結果
        6.3.2 動態(tài)最優(yōu)套期保值比率估計結果比較
    6.4 GAS框架下的期現(xiàn)貨投資組合最優(yōu)套期保值比率的比較與選擇
        6.4.1 套期保值效果的評價方式
        6.4.2 各模型的套期保值效果結果比較
    6.5 本章小結
第7 章 結論、建議與研究展望
    7.1 主要結論
    7.2 研究和投資實踐建議
    7.3 研究展望
參考文獻
攻讀博士學位期間學術研究成果
致謝



本文編號：3738461