论文部分内容阅读
金融资产波动率的预测在资产定价和风险管理等领域有着十分重要的应用，是学术界和业界研究的重要热点问题。早期对该问题的研究多基于低频数据，出现了GARCH和SV等模型，但低频模型需要复杂的参数估计，且模型对波动率的预测能力较差。近年来，随着计算机技术的发展和高频数据的普及，已实现波动率(RV)作为一种新的波动率估计量逐渐走入学者的视野。Andersen等人基于已实现波动率提出了ARFIMA模型等，提升了传统模型的预测能力。但该类模型缺乏明确的经济学含义，且复杂的参数估计造成了大量的信息丢失。为了解决上述问题，Corsi等人提出了已实现波动率异质自回归模型(HAR-RV)。该模型有明确的经济学意义，且无需复杂的参数估计，逐渐成为了学界研究的热点。
本文基于HAR-RV模型，引入Barndorff-Nielsen等提出的已实现半变差和符号跳跃变差等新的波动率估计量，对已实现波动率进行分解，构建了HAR-RV-J、SHAR-RV、HAR-RV-SJV、HAR-RV-SJVD模型，以探究不同分解方式对波动率预测的影响。同时，为了探究误差项对模型预测能力的影响，文章在模型中加入了时变的误差项，构建了HARQ、HARQ-J、SHARQ和HARQ-SJV模型。文章以2014年6月16日至2017年6月14日的沪深300指数为研究对象，使用MSE和QLIKE对模型的预测能力进行比较。实证结果显示:1、已实现半变差能有效提高模型波动率的预测能力。2、无符号的跳跃变差对未来波动率的预测无明显作用，有符号的跳跃变差对未来波动率的预测有重要作用。3、误差项的加入能够有效的提升模型的预测能力。4、在各模型中，SHARQ模型有最好的波动率预测能力。
根据研究内容需要，本文共分为六个章节:第一部分为引言部分，首先介绍选题的背景和意义，指出文章的创新与不足。第二部分为文献综述部分，对波动率建模、已实现波动率和HAR模型三个部分国内外学者的相关研究进行回顾;第三部分将介绍实证所需要的相关模型和理论基础;第四部分将对对数据进行处理，简要介绍各估计量与收益率分布之间的关系。第五部分是实证研究，对不同模型的拟合效果和对波动率的预测效果进行了对比;最后一部分是研究结论与展望、致谢和参考文献。
本文基于HAR-RV模型，引入Barndorff-Nielsen等提出的已实现半变差和符号跳跃变差等新的波动率估计量，对已实现波动率进行分解，构建了HAR-RV-J、SHAR-RV、HAR-RV-SJV、HAR-RV-SJVD模型，以探究不同分解方式对波动率预测的影响。同时，为了探究误差项对模型预测能力的影响，文章在模型中加入了时变的误差项，构建了HARQ、HARQ-J、SHARQ和HARQ-SJV模型。文章以2014年6月16日至2017年6月14日的沪深300指数为研究对象，使用MSE和QLIKE对模型的预测能力进行比较。实证结果显示:1、已实现半变差能有效提高模型波动率的预测能力。2、无符号的跳跃变差对未来波动率的预测无明显作用，有符号的跳跃变差对未来波动率的预测有重要作用。3、误差项的加入能够有效的提升模型的预测能力。4、在各模型中，SHARQ模型有最好的波动率预测能力。
根据研究内容需要，本文共分为六个章节:第一部分为引言部分，首先介绍选题的背景和意义，指出文章的创新与不足。第二部分为文献综述部分，对波动率建模、已实现波动率和HAR模型三个部分国内外学者的相关研究进行回顾;第三部分将介绍实证所需要的相关模型和理论基础;第四部分将对对数据进行处理，简要介绍各估计量与收益率分布之间的关系。第五部分是实证研究，对不同模型的拟合效果和对波动率的预测效果进行了对比;最后一部分是研究结论与展望、致谢和参考文献。