股指期貨作為重要的金融衍生工具,在完善市場(chǎng)調(diào)節(jié)、實(shí)現(xiàn)套期保值以及提供風(fēng)險(xiǎn)規(guī)避手段等方面發(fā)揮著積極作用。然而與其他金融衍生品不同,股指期貨交易具有高杠桿、價(jià)格敏感性等特征,同時(shí)由于缺乏有效的市場(chǎng)監(jiān)管手段,使得股指期貨市場(chǎng)蘊(yùn)含著巨大風(fēng)險(xiǎn),特別是當(dāng)金融市場(chǎng)出現(xiàn)整體性下跌時(shí),期貨市場(chǎng)跌幅往往更大。在此背景下,如何科學(xué)準(zhǔn)確地量化及預(yù)測(cè)股指期貨市場(chǎng)風(fēng)險(xiǎn)是整個(gè)市場(chǎng)運(yùn)營(yíng)過(guò)程中的核心問(wèn)題。論文以滬深300股指期貨合約為研究對(duì)象,選取更能反映市場(chǎng)波動(dòng)信息的極差價(jià)格收益率數(shù)據(jù),運(yùn)用有效的實(shí)證模型—貝葉斯條件自回歸Expectile模型分析滬深300股指期貨市場(chǎng)波動(dòng)的動(dòng)力學(xué)特征。通過(guò)與其他風(fēng)險(xiǎn)模型的預(yù)測(cè)行為做對(duì)比,旨在探索符合我國(guó)股指期貨市場(chǎng)風(fēng)險(xiǎn)度量的最優(yōu)模型。根據(jù)上述研究思路,本文首先明確界定了股指期貨市場(chǎng)極差風(fēng)險(xiǎn)的定義、風(fēng)險(xiǎn)指標(biāo)的選取以及市場(chǎng)風(fēng)險(xiǎn)度量的一般方法,同時(shí)介紹了基于Expectile的風(fēng)險(xiǎn)建模過(guò)程,提出引入尺度參數(shù)因子的非對(duì)稱逆高斯（AIG）分布作為貝葉斯Expectile模型的連接函數(shù)。其次,發(fā)展了貝葉斯條件自回歸Expectile模型用于量化和預(yù)測(cè)滬深300股指期貨市場(chǎng)風(fēng)險(xiǎn)。針對(duì)貝葉斯模型參... 

【文章來(lái)源】：湖南大學(xué)湖南省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：57 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

本文技術(shù)路線圖

2( | , ) 2 + exp[ ( ) | ( ) |]| -1|f x u x u I x u （其中u為位置參數(shù)， 為形狀參數(shù)，反映分布的傾斜程度。但本文采用貝xpectile 方法度量滬深 300 股指期貨極差風(fēng)險(xiǎn)，可能存在極端風(fēng)險(xiǎn)情形。因此以上布形式的方差范圍有限，本文考慮引入規(guī)模參數(shù) ，可以更靈活地構(gòu)建 Expectile分析框架，改進(jìn)后的形式如下：-1222 ( )( | , , ) + exp | ( ) || -1|x uf x u I x u （3不難發(fā)現(xiàn)，AIG 分布的核函數(shù)本質(zhì)上是正態(tài)分布的有偏類型，是 ALS 損失函負(fù)指數(shù)分布形式。圖 3.1 展示了 AIG 分布部分參數(shù)下的密度函數(shù)，不難發(fā)現(xiàn)， 是分布函數(shù)的有偏程度，其值越小，函數(shù)越表現(xiàn)出明顯的右偏特征，當(dāng) =0.5時(shí)，布退化成正態(tài)分布； 代表了函數(shù)的峰度系數(shù)，當(dāng) 越小，AIG 分布就表現(xiàn)出越高峰特征。我們將含有三個(gè)參數(shù)的函數(shù)形式記為 AIG( , u, )。在本文第四章實(shí)證分，我們證明引入規(guī)模參數(shù)后 Expectile 先驗(yàn)分布的方差規(guī)模更靈活。

3.4.2 自適應(yīng) MCMC 抽樣算法由于模型參數(shù) 的后驗(yàn)分布（3.23）為非標(biāo)準(zhǔn)形式，不存在共軛分布。針對(duì)形，需要采用 MH 抽樣算法抽取 MCMC 樣本（Metropolis 等（1953）、Hastings（19為了提高參數(shù)抽樣的收斂速度[56-57]，本文考慮采用 Chen 和 So（2006）提出的MCMC 算法進(jìn)行抽樣[58]。該抽樣框架是將隨機(jī)游走 Metropolis 抽樣（RandomMetropolis，RWM）和獨(dú)立核 MH 抽樣（IndependentKernelMetropolis-Hasting，IK相結(jié)合進(jìn)行混合抽樣。具體而言，在 Burn-in 階段，采用 RWM 算法進(jìn)行抽樣，本均值和方差協(xié)方差矩陣。將其作為 IKMH 抽樣的參數(shù)。為了使馬爾科夫鏈能夠代到最優(yōu)范圍，同時(shí)為了提高抽樣結(jié)果的穩(wěn)健性，本文采用混合高斯分布作為 RWIKMH 算法的提議函數(shù)，其定義為：1 1x N (0, diag{ c }) + (1 ) N (0, diag (c ))（其中 的最優(yōu)選擇在(0.8,1)之間， 為某一很大的值，常常設(shè)定為 100，1c 是根據(jù)的要求自定義的。圖 3.2 展示了正態(tài)分布 N(0,1)和 N(0,10)的混合分布，其中權(quán)重值為 0.95，與標(biāo)準(zhǔn)正態(tài)分布和自由度為 5 的 t 分布的函數(shù)密度圖像。其中，后RWM 抽樣本比較常用的提議函數(shù)。

【參考文獻(xiàn)】：
期刊論文
[1]基于SV-POT-TDRM的滬深300股指期貨尾部風(fēng)險(xiǎn)研究[J]. 秦學(xué)志,郭明,宋宇.  系統(tǒng)管理學(xué)報(bào). 2017(05)
[2]基于CAViaR模型的滬深300股指期貨隔夜風(fēng)險(xiǎn)研究[J]. 簡(jiǎn)志宏,曾裕峰,劉曦騰.  中國(guó)管理科學(xué). 2016(09)
[3]國(guó)際碳市場(chǎng)風(fēng)險(xiǎn)價(jià)值度量的新方法——基于EVT-CAViaR模型[J]. 張晨,丁洋,汪文雋.  中國(guó)管理科學(xué). 2015(11)
[4]基于ARCH-Expectile方法的VaR和ES尾部風(fēng)險(xiǎn)測(cè)量[J]. 謝尚宇,姚宏偉,周勇.  中國(guó)管理科學(xué). 2014(09)
[5]滬深300股指期貨的風(fēng)險(xiǎn)測(cè)度模型研究[J]. 王鵬,魏宇,王鴻.  數(shù)理統(tǒng)計(jì)與管理. 2014(04)
[6]基于ARFIMA-FIGARCH模型的利率市場(chǎng)風(fēng)險(xiǎn)度量[J]. 王宣承,陳艷.  統(tǒng)計(jì)與信息論壇. 2014(06)
[7]條件自回歸expectile模型及其在基金業(yè)績(jī)?cè)u(píng)價(jià)中的應(yīng)用[J]. 蘇辛,周勇.  中國(guó)管理科學(xué). 2013(06)
[8]基于貝葉斯CAViaR模型的油價(jià)風(fēng)險(xiǎn)研究[J]. 陳磊,杜化宇,曾勇.  系統(tǒng)工程理論與實(shí)踐. 2013(11)
[9]我國(guó)A股市場(chǎng)與美股、港股的互動(dòng)關(guān)系研究:基于信息溢出視角[J]. 李紅權(quán),洪永淼,汪壽陽(yáng).  經(jīng)濟(jì)研究. 2011(08)
[10]基于GARCH-VaR模型的股指期貨風(fēng)險(xiǎn)度量實(shí)證研究[J]. 楊翔,劉志偉.  中國(guó)證券期貨. 2011(05)

碩士論文
[1]我國(guó)創(chuàng)業(yè)板市場(chǎng)風(fēng)險(xiǎn)的度量[D]. 李楊.西南財(cái)經(jīng)大學(xué) 2016
[2]基于SWARCH-POT的滬深300股指期貨市場(chǎng)風(fēng)險(xiǎn)研究[D]. 姚起.華南理工大學(xué) 2012



本文編號(hào)：3292560