改進MGARCH模型的估計及其在投資組合中的應(yīng)用

目錄
前言
1 緒論 1
2 金融市場風險管理基本理論 4
2.1 金融資產(chǎn)收益率的定義 4
2.1.1 簡單的收益率 4
2.1.2 對數(shù)收益率 5
2.2 金融資產(chǎn)收益率常用的分布 5
2.2.1 正態(tài)分布 5
2.2.2 t分布 6
2.2.3 混合正態(tài)分布 7
2.2.4 極值分布 7
2.3 幾種典型的隨機過程 7
2.3.1 隨機過程的定義及其性質(zhì) 7
2.3.2 幾種典型隨機過程的定義 8
2.3.3 金融資產(chǎn)收益率的建模過程中較為常見的幾類隨機過程 9
2.4 常見的相關(guān)性估計模型及波動性模型 10
2.4.1 證券市場的波動性及相關(guān)性 10
2.4.2 移動平均法 11
2.4.3 ARCH類模型 12
3 MGARCH模型的分類及存在的問題 17
3.1 模型概述 18
3.2 條件協(xié)方差陣的模型 19
3.3 因子模型 21
3.4 條件方差及其相關(guān)性模型 24
3.5 非參數(shù)方法和半?yún)?shù)方法 29
3.6 傳統(tǒng)的協(xié)方差陣估計方法所面臨的問題 31
4 投資組合理論 34
4.1 證券投資基本要素的度量 34
4.1.1 證券收益的度量 34
4.1.2 證券風險的度量 37
4.2 Markowitz投資組合理論 40
4.3 投資組合發(fā)展的相關(guān)理論 43
4.3.1 投資組合發(fā)展的相關(guān)理論 44
4.3.2 國內(nèi)相關(guān)研究發(fā)展現(xiàn)狀 49
5 高維數(shù)據(jù)背景下常見的降維方法 51
5.1 因子分析法 51
5.2 主成分分析法 52
5.3 門限法 54
5.4 收縮法 55
5.5 懲罰函數(shù) 57
5.5.1 嶺回歸 57
5.5.2 LASSO回歸 58
5.5.3 交叉驗證 59
6 高維稀疏對角GARCH模型的估計及應(yīng)用 60
6.1 高維稀疏模型的發(fā)展 60
6.2 高維稀疏對角GARCH模型的提出 63
6.2.1 goGARCH模型 63
6.2.2 高維稀疏goGARCH模型的提出及估計 64
6.3 模擬研究 65
6.3.1 模擬數(shù)據(jù)的產(chǎn)生 65
6.3.2 goGARCH模型和HDS-goGARCH模型的比較 65
6.4 實證分析 66
6.4.1 樣本數(shù)據(jù)處理 66
6.4.2 預測的協(xié)方差陣在投資組合中的應(yīng)用研究 67
7 高維數(shù)據(jù)背景下條件相關(guān)MGARCH模型的估計及應(yīng)用 69
7.1 主成分正交補門限法 69
7.2 主成分正交補門限D(zhuǎn)CC模型 71
7.2.1 主成分正交補門限D(zhuǎn)CC模型的提出及估計 71
7.2.2 模擬研究 74
7.2.3 實證分析 80
7.3 改進CCC-GARCH模型 85
7.3.1 主成分正交補門限CCC-GARCH模型的提出 85
7.3.2 模擬研究 87
7.3.3 PTCCC-GARCH模型和CCC-GARCH模型的比較 88
7.4 實證研究 90
7.4.1 樣本數(shù)據(jù)處理 90
7.4.2 預測的協(xié)方差陣在投資組合中的應(yīng)用研究 90
8 高頻數(shù)據(jù)影響的改進BEKK模型的估計及應(yīng)用 93
8.1 金融高頻數(shù)據(jù)的研究現(xiàn)狀 93
8.1.1 高頻數(shù)據(jù)及其特征分析 93
8.1.2 金融高頻數(shù)據(jù)分析的主要動因 94
8.1.3 金融高頻數(shù)據(jù)的現(xiàn)狀研究 94
8.1.4 基于金融高頻數(shù)據(jù)已實現(xiàn)波動的研究 100
8.1.5 基于金融高頻數(shù)據(jù)協(xié)方差陣的研究 107
8.1.6 我國研究金融高頻數(shù)據(jù)的必要性 108
8.2 常見的高頻協(xié)方差陣估計方法及其應(yīng)用 109
8.2.1 RCOV估計方法 109
8.2.2 基于市場微觀結(jié)構(gòu)噪聲的RCOV估計方法 112
8.2.3 考慮跳躍影響的高頻協(xié)方差陣估計方法 119
8.2.4 金融高頻協(xié)方差陣在投資組合中的應(yīng)用情況 125
8.3 高頻數(shù)據(jù)影響的BEKK模型的提出 127
8.3.1 實證研究 129
8.3.2 穩(wěn)健性分析 133
參考文獻 134