基于波动率分解方法和马尔科夫机制转换的上证50ETF波动建模及其预测研究

作     者：何晓凤 

作者单位：西南交通大学 

学位级别：硕士

导师姓名：马锋

授予年度：2022年

学科分类：12[管理学] 02[经济学] 0202[经济学-应用经济学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 020204[经济学-金融学（含∶保险学）] 

主      题：波动率预测 HAR类模型 RV分解方法 马尔科夫状态转换 

摘      要：近年来各大金融风险事件频频发生,如2020年新冠肺炎疫情在各国突然爆发,给全球金融市场带来了严重的影响和冲击,使得市场波动不断、风险不断。波动率作为衡量不确定性与市场风险管理的关键指标,其重要性愈发凸显。目前国内外学者已针对波动预测方面做了大量研究,但如何通过改进模型来提高预测准确度和精度仍是一个重要的研究方向。鉴于此,本文在广受青睐的HAR模型基础上,采用新的波动率分解方法构建了全新的波动预测模型,以期提高波动预测效果。本文的研究对象为上证50 ETF,选取的数据样本为2015年2月9日—2020年10月30日的每5分钟高频数据。首先对其波动率特征进行分析,然后利用将波动率分解为跳跃和连续成分;将波动率分解为好、坏波动率;将波动率分解为极端与稳健波动率以及将波动率分解为分位数组波动率这四种分解方法,构建了HAR类模型:HARRV、HAR-CJ、HAR-GB、HAR-RE和PHAR;随后与马尔科夫机制转换的思想有机结合,提出MS-HAR类模型:MS-HAR-RV、MS-HAR-CJ、MS-HAR-GB、MS-HAR-RE和MS-PHAR。通过实证研究,对比了各模型的样本内拟合能力和样本外预测性能,还对不同模型的经济价值进行评估。具体实证结果如下:(1)从计量角度看,利用滚窗技术和模型信度集(MCS)方法对HAR类模型和MS-HAR类模型的样本外预测水平进行比较,预测效果最佳的是结合马尔科夫状态转换和新RV分解方法构建的MS-PHAR模型,各种稳健性检验也有效验证了这一结论。(2)从经济价值检验结果来看,计算得出各预测模型的等价确定收益(CER),将RV分解为分位数组波动率并考虑马尔科夫状态转换构建的MS-PHAR模型CER数值最大。这意味着相比其他波动率预测模型,投资者按新分解方法建模构建策略进行组合投资所带来的收益是最高的,表明MS-PHAR模型拥有最好的经济价值。(3)在进一步研究中分别引入杠杆效应、隔夜收益率作为新的解释变量,拓展原有HAR类和MS-HAR类模型来对波动率进行预测评价。实证显示将杠杆效应纳入考虑的模型中,利用将RV分解为分位数组波动率这一分解方法并嵌入马尔科夫转换的MS-PHAR-L模型展现了最优的预测能力;考虑了隔夜信息影响后建立的模型中,采用最新RV分解方法的MS-PHAR-O模型也表现最佳。