金融市场已实现波动率预测研究

《金融市场已实现波动率预测研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、浙江工商大学硕士论文金融市场已实现波动率预测研究摘要波动率是金融风险管理、衍生品定价、以及投资组合构建等领域的关键变量，对波动率的准确预测一直是现代金融学研究的热点问题。如何准确预测波动率，对投资者管理资产风险及监管者控制市场风险、保证市场稳定均具有重大的理论和现实意义。大量国内外研究文献表明，基于高频数据的已实现波动率理论模型在测度和预测市场波动率领域相较于传统波动率模型(如GARCH族模型)具有显著的优势。本文基于Andrew和Vitally(2011)的时变概率密度函数理论提出一个己实现波动率的非参数预测模型一一TvF模型，并与Corsi(2004)提出的HAR-RV

2、模型进行比较分析。再者，为综合吸收非参数的n腰模型和线性的HAR-RV模型的各自特征，本文考虑组合预测方法，首创性地构造了一种自适应时变组合权重，并以此构建自适应组合预测模型，以期获得比经典的算术平均组合预测模型更高的预测精度。本文以沪深300股指期货的5分钟高频价格数据作为实证研究样本，计算出样本内已实现波动率值，并以HAR-RV模型、TVF模型、算术平均组合预测模型和白适应组合预测模型对其建模，预测T浙江_[商大学硕士论文样本外已实现波动率，同时引入基于低频数据的GARCH模型和FIGARCH模型作为对比。为综合评价各波动率模型的预测能力，本文采用滚动时间窗口策略来进行

3、样本外预测，并基于损失函数法、SPA检验法和Mincer-Zarnowitz回归法构造模型预测能力的评价体系，从而使评价结论稳健可靠。实证结果表明：HAR-RV模型、T、，F模型、算术平均组合预测模型和自适应组合预测模型这四种已实现波动率模型对市场真实波动率的预测能力要显著高于GARCH模型和FIGARCH模型；非参数的TVF模型的预测能力显著高于HAR-RV模型：以HAR-RV模型和’rVF模型作为单一模型构造两种组合预测模型，其中，算术平均组合预测模型的预测能力只显著高于HAR-RV模型，但相较于，r、陌模型其预测能力并没有明显的提高，而自适应组合预测模型的预测能力要显

4、著高于任一单一模型。关键词：己实现波动率；时变概率密度函数；自适应时变权重；组合预测；浙江工商大学硕士论文FoRECASTINGREALIZEDVoLATILITYINFINANCIALMARKETABSTRACTAsthecriticalvariablesoffinancialriskmanagement，derivativespricing，portfolioconstructionandSOon，howtoforecastvolatilityaccuratelyhasbeenahotissuesinmodemfinanceresearchfield．Forecasti

5、ngthevolatilityaccuratelyhasagreattheoreticalandpracticalsignificanceonmanagingassetriskforinvestorsandmonitoringmarketriskforregulators．AsaconsiderableamountofresearchIKeraturedocumented，therealizedvolatilitymodelbasedonhigh—frequencydatahasasignificantadvantagethantraditionalvolatilitysu

6、chasGARCHfamilymodelinmeasuringandforecastingthetruemarketvolatility．Inthispaper,weproposedanewnonparametricrealizedvolatilityforecastingmodel，thatisTVFmodel，whichisbasedonapplyingandextendingthetime-varyingprobabilitydensityfunctiontheoryproposedbyAndrewandVitaliy(2011)，andcomparingitwith

7、theHAR-RVmodelproposedbyCorsi(2004)．FortheintegratedabsorbingofcharacteristicsofthenonparametricTVFmodelandthelinearHAR-RVIII浙江工商大学硕士论文model，thispaperoriginallyconstructanadaptivetime—varingweightmechanismforcombinationforecast，thuswecangetahigherpredictionacc