金融市場瞬息萬變,隨機(jī)影響因素眾多,當(dāng)前對其復(fù)雜波動(dòng)性的研究大多從單一時(shí)間尺度出發(fā)建立各種金融市場波動(dòng)溢出模型并估計(jì)金融市場的波動(dòng)溢出效應(yīng),但是單一時(shí)間尺度的波動(dòng)相關(guān)關(guān)系并不代表所有時(shí)間尺度上都存在這種關(guān)系。因此,現(xiàn)有的絕大部分波動(dòng)溢出模型難以全面準(zhǔn)確把握金融市場間的波動(dòng)溢出效應(yīng),形成有效的決策尺度。本文則引入小波分析與多尺度理論與方法,選擇極大重疊離散小波變換,與MSV模型相結(jié)合,將單一尺度MSV模型族拓展到多尺度MSV模型族,測定中國股市和美國股市各尺度之間的波動(dòng)溢出效應(yīng),并根據(jù)DIC法則,對多尺度MSV模型族進(jìn)行了比較研究,得出結(jié)論如下。首先,本文選取上證綜指和標(biāo)普指數(shù)的周收盤價(jià)格數(shù)據(jù),選擇最優(yōu)小波基,使用極大重疊離散小波對各指數(shù)的收益率時(shí)間數(shù)列進(jìn)行變換分解,并對小波方差及小波相關(guān)系數(shù)進(jìn)行了分析,結(jié)論如下:（1）上證綜指和標(biāo)普指數(shù)最優(yōu)小波基的選擇分別為db2和db4;（2）中國股市和美國股市收益率在尺度1下的方差最大,在尺度5下的方差最小,隨著尺度的增大,方差逐漸減小。說明對于投資者來說,持有期越長,股價(jià)的波動(dòng)性越小,短期投資比長期投資面臨的風(fēng)險(xiǎn)更大;中國股市和美國股市各尺度波動(dòng)... 

【文章來源】：江西財(cái)經(jīng)大學(xué)江西省

【文章頁數(shù)】：88 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

研究思路框架圖

第二章小波與多尺度理論15圖2.1三層多分辨分析結(jié)構(gòu)圖從式（2-9）及圖2.1可以看出，原始信號(hào)數(shù)據(jù)在濾波器的作用下可以被分解為很多層，每分解一層就能夠得到一個(gè)低頻小波系數(shù)與一個(gè)高頻小波系數(shù)。S是原始信號(hào)數(shù)據(jù)，1、2、3分別為原始信號(hào)經(jīng)過濾波器濾波分解后的第一、二、三層的低頻小波系數(shù)；同理1、2、3分別為原始信號(hào)經(jīng)過濾波器濾波分解后的第一、二、三層的高頻小波系數(shù)。2.2.2Mallat分解重構(gòu)算法快速離散小波算法，也稱為Mallat算法或馬拉特算法，這種算法的基于是多分辨率分析，建立的一種多分辨率分析與重構(gòu)算法。Mallat算法的思想如下：若一個(gè)函數(shù)空間序列{}，其是由尺度函數(shù)()∈2()生成。在∈的情況下，對于任意函數(shù)()∈2()就可以用一個(gè)∈逼近，即如下公式：()=1()+1()（2-10）式（2-10）中，1()為第一次分解的低頻信號(hào)且1∈1，1()為第一次分解的高頻信號(hào)且1∈1。因?yàn)槭且粋�(gè)多分辨率分析，所以存在兩個(gè)序列{}和{}，使得如下等式成立：()=∑(2)∈（2-11）()=∑(2)∈（2-12）其中，式（2-11）和式（2-12）表示為()和()的雙尺度關(guān)系，若()∈1且(21)∈1，則存在四個(gè)序列{2},{2},{12},{12}使得下面公式成立：(2)=∑{2()+2()}∈（2-13）

多尺度MSV模型族的應(yīng)用及比較研究16(21)=∑{12()+12()}∈（2-14）將式（2-13）和式（2-14）整合推廣，得到()和()的分解公式，在∈時(shí)，有如下等式成立：(21)=∑{2()+2()}∈（2-15）其中式（2-15）中的({},{})為分解序列。若{(2)},{(2)}分別是空間和的Riesz基，因此()，()可以定義如下：()=∑()(2)∈（2-16）()=∑()(2)∈（2-17）將式（2-16）和式（2-17）代入式（2-10）中，可以得到小波分解公式如下：{()=∑2(+1)()=∑2(+1)}（2-18）其分解圖如圖2.2所示。圖2.2小波分解示意圖根據(jù)式（2-15）、式（2-16）、式（2-17）、式（2-18）可得重構(gòu)算法，有如下等式成立：(+1)=∑2()+∑2()（2-19）式（2-19）中的({},{})為重構(gòu)序列，其重構(gòu)算法如圖2.3所示。

【參考文獻(xiàn)】：
期刊論文
[1]兩因素馬爾可夫調(diào)制的隨機(jī)波動(dòng)模型下的期權(quán)定價(jià)[J]. 劉雪汝,李美紅,田凡,劉國祥.  南京師大學(xué)報(bào)(自然科學(xué)版). 2019(04)
[2]基于隨機(jī)波動(dòng)模型（SV）的人民幣匯率風(fēng)險(xiǎn)預(yù)測[J]. 孟慶斌,宋烜,宋祉健.  財(cái)會(huì)月刊. 2019(24)
[3]基于MSV與CoVaR模型的公司債市場與股票市場間風(fēng)險(xiǎn)溢出效應(yīng)研究[J]. 曾志堅(jiān),張欣怡,左楠.  財(cái)經(jīng)理論與實(shí)踐. 2019(02)
[4]美元指數(shù)預(yù)測的DB小波神經(jīng)網(wǎng)絡(luò)模型及實(shí)證[J]. 馬瑜,潘和平.  鄭州大學(xué)學(xué)報(bào)(哲學(xué)社會(huì)科學(xué)版). 2018(05)
[5]中美豆類期貨市場的溢出效應(yīng)研究——基于DGC-T-MSV模型[J]. 潘文榮,程旭.  南方金融. 2018(08)
[6]紐約黃金期貨與A股黃金板塊波動(dòng)溢出效應(yīng)研究[J]. 潘文榮,程旭,李憶.  金融發(fā)展研究. 2018(05)
[7]基于DGC-MSV-t模型的歐盟碳市場信息流動(dòng)研究[J]. 張晨,劉宇佳.  軟科學(xué). 2017(02)
[8]基于單因子MSV-CoVaR模型的金融市場風(fēng)險(xiǎn)溢出度量研究[J]. 陳九生,周孝華.  中國管理科學(xué). 2017(01)
[9]基于兩種分布下的SV模型與GARCH模型的VaR比較[J]. 周炳均,王沁,鄭興.  重慶文理學(xué)院學(xué)報(bào)(社會(huì)科學(xué)版). 2016(05)
[10]我國股市行業(yè)指數(shù)波動(dòng)溢出的產(chǎn)業(yè)鏈邏輯——基于小波降噪和BEKK-GARCH模型的實(shí)證分析[J]. 楊揚(yáng),林惜斌.  學(xué)術(shù)研究. 2013(11)

博士論文
[1]隨機(jī)波動(dòng)模型及其建模方法研究[D]. 孟利鋒.天津大學(xué) 2004
[2]金融波動(dòng)模型及其在中國股市的應(yīng)用[D]. 蘇衛(wèi)東.天津大學(xué) 2002

碩士論文
[1]SV族模型參數(shù)估計(jì)的MCMC算法改進(jìn)及應(yīng)用[D]. 李憶.江西財(cái)經(jīng)大學(xué) 2019
[2]貿(mào)易爭端背景下中美豆類期貨市場溢出效應(yīng)研究[D]. 程旭.江西財(cái)經(jīng)大學(xué) 2019
[3]基于GC-MSV模型的人民幣外匯市場與黃金市場波動(dòng)溢出效應(yīng)研究[D]. 王檢.華中科技大學(xué) 2016
[4]基于貝葉斯VAR-MSV模型的油價(jià)對中美股市溢出效應(yīng)研究[D]. 李小依.湖南大學(xué) 2015
[5]多元GARCH模型與多元SV模型的比較研究[D]. 馬鵬輝.蘭州商學(xué)院 2013
[6]基于波動(dòng)模型的中國利率動(dòng)態(tài)過程實(shí)證研究[D]. 黃捷.廈門大學(xué) 2008



本文編號(hào)：3357936