当研究的资产维度较高、数据量较大时,协方差阵的估计将面临维数诅咒、噪声影响等诸多挑战,如何有效地对其进行估计成为统计领域中越来越重要的亟待解决的问题。本书在前人研究的基础之上,对DCC、BEKK、CCC及goGARCH等MGARCH模型进行了改进,通过模拟和实证研究发现:改进的MGARCH模型明显提高了高维资产间协方差阵的估计效率,并且将其应用在投资组合时可以获得更高的收益。
样章试读
目录
- 目录
前言
1 绪论 1
2 金融市场风险管理基本理论 4
2.1 金融资产收益率的定义 4
2.1.1 简单的收益率 4
2.1.2 对数收益率 5
2.2 金融资产收益率常用的分布 5
2.2.1 正态分布 5
2.2.2 t分布 6
2.2.3 混合正态分布 7
2.2.4 极值分布 7
2.3 几种典型的随机过程 7
2.3.1 随机过程的定义及其性质 7
2.3.2 几种典型随机过程的定义 8
2.3.3 金融资产收益率的建模过程中较为常见的几类随机过程 9
2.4 常见的相关性估计模型及波动性模型 10
2.4.1 证券市场的波动性及相关性 10
2.4.2 移动平均法 11
2.4.3 ARCH类模型 12
3 MGARCH模型的分类及存在的问题 17
3.1 模型概述 18
3.2 条件协方差阵的模型 19
3.3 因子模型 21
3.4 条件方差及其相关性模型 24
3.5 非参数方法和半参数方法 29
3.6 传统的协方差阵估计方法所面临的问题 31
4 投资组合理论 34
4.1 证券投资基本要素的度量 34
4.1.1 证券收益的度量 34
4.1.2 证券风险的度量 37
4.2 Markowitz投资组合理论 40
4.3 投资组合发展的相关理论 43
4.3.1 投资组合发展的相关理论 44
4.3.2 国内相关研究发展现状 49
5 高维数据背景下常见的降维方法 51
5.1 因子分析法 51
5.2 主成分分析法 52
5.3 门限法 54
5.4 收缩法 55
5.5 惩罚函数 57
5.5.1 岭回归 57
5.5.2 LASSO回归 58
5.5.3 交叉验证 59
6 高维稀疏对角GARCH模型的估计及应用 60
6.1 高维稀疏模型的发展 60
6.2 高维稀疏对角GARCH模型的提出 63
6.2.1 goGARCH模型 63
6.2.2 高维稀疏goGARCH模型的提出及估计 64
6.3 模拟研究 65
6.3.1 模拟数据的产生 65
6.3.2 goGARCH模型和HDS-goGARCH模型的比较 65
6.4 实证分析 66
6.4.1 样本数据处理 66
6.4.2 预测的协方差阵在投资组合中的应用研究 67
7 高维数据背景下条件相关MGARCH模型的估计及应用 69
7.1 主成分正交补门限法 69
7.2 主成分正交补门限DCC模型 71
7.2.1 主成分正交补门限DCC模型的提出及估计 71
7.2.2 模拟研究 74
7.2.3 实证分析 80
7.3 改进CCC-GARCH模型 85
7.3.1 主成分正交补门限CCC-GARCH模型的提出 85
7.3.2 模拟研究 87
7.3.3 PTCCC-GARCH模型和CCC-GARCH模型的比较 88
7.4 实证研究 90
7.4.1 样本数据处理 90
7.4.2 预测的协方差阵在投资组合中的应用研究 90
8 高频数据影响的改进BEKK模型的估计及应用 93
8.1 金融高频数据的研究现状 93
8.1.1 高频数据及其特征分析 93
8.1.2 金融高频数据分析的主要动因 94
8.1.3 金融高频数据的现状研究 94
8.1.4 基于金融高频数据已实现波动的研究 100
8.1.5 基于金融高频数据协方差阵的研究 107
8.1.6 我国研究金融高频数据的必要性 108
8.2 常见的高频协方差阵估计方法及其应用 109
8.2.1 RCOV估计方法 109
8.2.2 基于市场微观结构噪声的RCOV估计方法 112
8.2.3 考虑跳跃影响的高频协方差阵估计方法 119
8.2.4 金融高频协方差阵在投资组合中的应用情况 125
8.3 高频数据影响的BEKK模型的提出 127
8.3.1 实证研究 129
8.3.2 稳健性分析 133
参考文献 134