基于Copula函数的高频数据的时间序列模型及杠杆效应研究

发布时间：2021-12-02 18:06

　　目前,金融高频数据分析在研究交易过程和市场微观结构中都占据着重要地位。经济的全球化、衍生产品的大量出现以及因此导致的金融市场的动荡使得金融机构越来越需要更有效的风险管理方法。而如何精确度量风险是风险管理的关键问题。第一部分针对金融时间序列数据,对非平稳的股票数据进行二元经验模态分解（Bivariate Empirical Mode Decomposition,BEMD）,针对分解得到的残差序列通过构造混合Copula-GARCH模型,拟采用广义双曲线分布拟合边际残差项,得到M-Copula-GARCH-GH模型应用于股票数据的分析中。利用极大似然两步估计法给出估计过程,并应用到所提出的模型估计中。深入分析其在股票市场中的应用,进而改善风险度量的精度。以便更好的描述具有复杂相关结构的金融市场或变量之间的相关关系。第二部分主要针对高频数据的非平稳、非线性的时序特点,采用希尔伯特黄变换（HHT）中的EMD分解方法基于高频数据本身进行了自适应分解。在每个分层的数据结果下,分别应用Copula函数建立负收益和波动率的相关性,即为高频数据分层下的杠杆效应研究。本文也试图基于Copula理论研究杠杆... 

【文章来源】：长春工业大学吉林省

【文章页数】：66 页

【学位级别】：硕士

【部分图文】：

工商银行、中国平安、中国石油收盘价的时序图

。经过预处理的观测样本有3180个。首先，我们给出了三只股票收盘价的时序图见图3-1和收益率的时序图3.2，并分别针对三只股票收盘价原始序列及经过对数差分的序列进行了平稳性检验，平稳性检验常见的有几种方法，我们这里应用了ADF检验，得到中国石油收盘价和收益率的ADF检验对应的P值分别为0.6282和0.7049；中国平安收盘价和收益率的ADF检验对应的P值分别为0.841和0.9036；工商银行收盘价和收益率的ADF检验对应的P值分别为0.6175和0.7087。六个P值都说明其各自金融时间序列具有很严重的非平稳性，因此直接应用时间序列的一般性模型很难很好的拟合三支股票数据。图3.1 工商银行、中国平安、中国石油收盘价的时序图

图 4.1 股指期货主力合约收盘价时序图(依次为 5 分钟、15 分钟、30 分钟)图 4.2 沪深 300 收盘价时序图(依次为 5 分钟、15 分钟、30 分钟)

【参考文献】：
期刊论文
[1]中国股票市场的时变杠杆效应研究——基于随机Copula模型的实证分析[J]. 吴鑫育,任森春,马超群,汪寿阳.  管理科学学报. 2017(09)
[2]基于混合Copula-GARCH模型的黄金与股票的相关性分析[J]. 杜方欣,张德生.  现代经济信息. 2013(24)
[3]基于BEMD图像特征点的图像压缩方法[J]. 高凤娇,何艳,田晓英,费磊.  自动化技术与应用. 2012(08)
[4]高频数据波动率建模——基于厚尾分布的Realized GARCH模型[J]. 王天一,黄卓.  数量经济技术经济研究. 2012(05)
[5]股指期货推出对中国股票市场波动性的影响研究——基于沪深300股指期货高频数据的实证分析[J]. 张孝岩,沈中华.  投资研究. 2011(10)
[6]基于极值理论和Copula函数的条件VaR计算[J]. 傅强,邢琳琳.  系统工程学报. 2009(05)
[7]基于高频数据的沪深股票市场的相关性研究[J]. 郭名媛,张世英.  系统工程学报. 2009(03)
[8]长记忆随机波动模型的估计与波动率预测——基于中国股市高频数据的研究[J]. 王春峰,庄泓刚,房振明,卢涛.  系统工程. 2008(07)
[9]多元Copula-GARCH模型及其在金融风险分析上的应用[J]. 韦艳华,张世英.  数理统计与管理. 2007(03)
[10]高频数据的加权已实现极差波动及其实证分析[J]. 唐勇,张世英.  系统工程. 2006(08)



本文编号：3528918