如何充分挖掘交易數(shù)據(jù)中有價值的信息對金融風險管理極其重要,現(xiàn)有研究中基于低頻波動模型的風險測度方法幾乎已經(jīng)做到了極致,而能達到的預測效果卻并不穩(wěn)健,對高頻波動模型的研究相對比較匱乏。那么高頻模型能否從高頻數(shù)據(jù)中挖掘出更有價值的信息以便用于風險管理之中呢?本研究通過建立12個低頻和9個高頻波動模型對上證綜指進行樣本外動態(tài)VaR的滾動預測發(fā)現(xiàn),高頻模型相對于低頻模型具有更好的穩(wěn)定性,并且在多數(shù)情況下高頻模型優(yōu)于低頻模型;多頭與空頭的風險預測效果具有顯著差異,多頭風險在高風險情況下高頻模型表現(xiàn)出色,低風險情況下并不理想,空頭風險則在所有情況下都表現(xiàn)較好。 

【文章來源】：運籌與管理. 2020,29(02)北大核心CSSCI

【文章頁數(shù)】：11 頁

【部分圖文】：

樣本外第1～500天HAR-RV模型的VaR預測值(q=0.95)

【參考文獻】：
期刊論文
[1]基于跳躍和符號跳躍變差的HAR-RV預測模型及其MCS檢驗[J]. 馬鋒,魏宇,黃登仕,張鵬云.  系統(tǒng)管理學報. 2015(05)
[2]中國股市高頻波動率的特征、預測模型以及預測精度比較[J]. 陳浪南,楊科.  系統(tǒng)工程理論與實踐. 2013(02)
[3]基于LHAR-RV-V模型的中國股市波動性研究[J]. 文鳳華,劉曉群,唐海如,楊曉光.  管理科學學報. 2012(06)
[4]滬深300股指期貨的波動率預測模型研究[J]. 魏宇.  管理科學學報. 2010(02)
[5]基于Skew-t-FIAPARCH的金融市場動態(tài)風險VaR測度研究[J]. 林宇,衛(wèi)貴武,魏宇,譚斌.  中國管理科學. 2009(06)
[6]GARCH模型與VaR的度量研究[J]. 徐煒,黃炎龍.  數(shù)量經(jīng)濟技術經(jīng)濟研究. 2008(01)
[7]GARCH模型在計算我國股市風險價值中的應用研究[J]. 鄒建軍,張宗益,秦拯.  系統(tǒng)工程理論與實踐. 2003(05)



本文編號：2989044