导读:本文包含了波动率分析论文开题报告文献综述及选题提纲参考文献，主要关键词:蒙特卡洛方法,VaR,GARCH模型,SV模型
波动率分析论文文献综述
范益男[1]（2019）在《基于MC-SV-VaR的上证指数的波动率分析》一文中研究指出随着国家与国家之间的关系越来越紧密,全球经济迅速地发展,同时也让金融市场的波动性不断加剧。在证券市场中,股价的波动也颇为频繁,这与证券市场的风险息息相关,因此对风险进行度量成为了投资者们在投资时关注的焦点。VaR是在概率意义下反应证券组合在一定持有期内的最大损失量,是风险管理中重要的一部分,并且广泛应用于科学研究和实证分析。由于金融时间序列一般不服从标准正态分布,所以用参数法来计算VaR值有很大的局限性。而传统的Monte Carlo模拟法对VaR值的计算有时会出现一定的偏差,因此对传统Monte Carlo模拟法的改进尤为必要。本文基于蒙特卡洛模拟法,通过对几何布朗运动的标准差进行改进,构造了MC-SV-VaR模型。分别对MC-VaR、MC-GARCH-VaR和MC-SV-VaR叁种度量风险的计算方法进行检验,检验结果发现,改进后的MC-SV-VaR模型在度量风险方面有非常好的表现,在叁种置信水平下的失败天数都小于另外两种模拟方法。这充分证明MC-SV-VaR对股市的风险度量更为有效。本文主要章节包括数据选取与数据处理和基于MC方法的VaR估计。在数据选取与数据处理这部分,我们主要以2017年1月16日到2018年9月13日上证指数为研究对象,证明了上证指数对数收益率没有正态性,但是有尖峰厚尾性。进一步对数据进行平稳性检验、相关性分析和异方差检验,检验结果显示该时间序列具有ARCH效应,再考虑到金融收益序列出现异常观测值时会使得条件异方差的估计突然变动的这个特性,于是将SV模型引入到VaR的计算中。在基于MC方法的VaR估计这部分,首先介绍了模拟计算VaR值的算法流程,其次分别对MC-VaR、MC-GARCH-VaR和MC-SV-VaR这叁种模拟方法对VaR值进行估计并对结果进行Kupiec检验,最后将检验结果的失败天数进行横向对比得出结论。结果表明,MC-GARCH-VaR和MC-SV-VaR这两种改进后计算方法都优于传统的Monte Carlo模拟法,其中MC-SV-VaR模拟法是最优的计算方法且可行性强。(本文来源于《广西师范大学》期刊2019-06-01）
赵腾[2]（2019）在《深证成指波动率分析及其风险预测》一文中研究指出在现代金融市场中,波动率在金融产品定价和风险管理中具有较为重要的作用。本文以深证成指5分钟高频交易数据为研究对象,建立Realized GARCH模型对深证成指的波动率和VaR进行估计和预测。波动率模型的拟合数据使用2011年12月31日至2018年11月23日每个交易日的5分钟高频交易数据。根据深证成指每日收益率的波动变化情况,构建改进的Realized GARCH模型,通过各模型波动率的拟合效果对比,选择能够更好拟合深证成指波动率的模型并对波动率进行预测。同时还将使用风险价值模型(VaR)对深证成指进行风险分析并预测未来股市的下行风险。在波动率估计方面,主要叁种因素对波动率估计的影响,其中包括RV、RRV、RBV叁种已实现测度,基于正态分布、t分布、Skewed-t分布的叁种残差分布以及是否考虑波动率的长记忆性引入ARFIMA模型,通过对比选择拟合效果最优的模型进行分析,并基于向前一步预测对波动率500个样本外数据进行预测。对于VaR的计算,进行滚动窗口一步预测对未来VaR并绘制曲线,同时将使用Kupice检验法对各模型的结果进行检验并通过比较结果,从中选择预测效果最好的模型。首先是对股市波动率进行建模分析,实证结果表明,深证成指收益率序列具有尖峰厚尾、偏态分布等特征。分别分析不同的已实现测度、不同的残差分布以及是否加入ARFIMA模型,通过拟合效果的对比发现:(1)均值方程采用考虑了长记忆性的ARFIMA模型对拟合效果略有提高;(2)已实现测度中输入变量为RRV时模型拟合效果最好,RBV次之;(3)服从Skewed-t分布模型的模型与t分布模型相比,对数似然函数有较大的提高而且t分布模型相比正态分布模型对数似然函数值也略有提高,Skewed-t分布是相对来说拟合模型最好的残差分布。其次是VaR预测,通过之前的分析构建对应的Realized GARCH模型并对VaR进行滚动窗口预测。实证结果表明:已实现测度中RBV和RRV相比RV对VaR的预测效果都有较为明显的提升,而RRV和RBV在Realized GARCH模型中表现相差不大,RBV相比效果可能略好于RRV;对于模型残差的分布选择中,Skewed-t分布模型的预测效果相比t分布模型有不小的提升。由于波动率的分布具有尖峰后尾性,所以具有偏态和尖峰厚尾的Skewed-t分布的模型能够更好的预测极端风险值,而基于正态分布的Realized GARCH模型预测效果最低。(本文来源于《山东大学》期刊2019-05-30）
张维[3]（2018）在《供应商模型观点下之隐含波动率分析》一文中研究指出波动率微笑一直是期权市场上一个奇特的现象,随着执行价不同而有不同的波动率水平,此现象并不符合BS模型的假设,究竟BS模型有什么存在着什么样的问题?或者此现象隐含了什么样的信息?国内外都已经有许多文献对此现象进行模型的改进做探讨,但是仅有少数文献使用回归方程来说明风险厌恶系数与微笑倾斜度之间的关系。本文使用了均衡模型去弥补目前文献上仅有实证并无特定模型来刻画波动率微笑以及风险厌恶系数之间关系。本文章主要引用了 Hsieh and Jarrow(2017)里的均衡模型,此模型说明在不完全市场中,做市商无法完美对冲存货风险,会把这个风险移转到报价里,因此期权的买价和卖价会有一定程度的减少和增加,并且也会跟做市商的风险态度有关。另外也拓展了 Basak and Chabakauri(2012)的非完全市场下的动态对冲模型,把漂移率和波动率设定为非常数,拓展后的模型可以很好的刻画波动率偏斜,符合市场上的真实情形,并且此模型是从供应商的角度进行分析,相对于从投资者的角度,本模型提供了另一个视角。数据方面运用台湾长天期和短天期的股指期权数据去校准出风险厌恶系数和其它相关的参数,实证得出短期期权的风险厌恶系数比长期的较低,说明在短期期权中市场参与者能够接受比较高的风险,用短天期的价格数据所得到的微笑曲线也比长天期期权陡峭,解释了风险厌恶程度与波动率微笑之间的关系,补足了目前文献中没有从模型方面说明此现象。而数据方面本文使用了台湾市场的周期权数据,提高了对于短期期权实证结果的精确程度,而台湾方面对于这方面的研究也是相对缺乏,透过此研究不论是对大陆的期权市场或是台湾的期权市场都有相当程度的帮助。(本文来源于《厦门大学》期刊2018-07-01）
黄轩,张青龙[4]（2018）在《基于ARMA-GARCH模型的沪深300指数波动率分析与预测》一文中研究指出本文考虑到沪深300指数的序列不是单一线性或非线性的,而是既有线性部分也有非线性部分,而ARMA模型适用于平稳的时间序列,GARCH模型适用于分析易变性的数据,因此本文将ARMA和GARCH模型结合,线性部分使用ARMA模型,非线性部分使用GARCH模型,对沪深300指数建立ARMA-GARCH模型,并对沪深300指数的波动率进行了分析研究与预测。证明了ARMA-GARCH综合模型对沪深300指数的波动率短期预测存在着很大优势,在短期预测中能够较好地判断沪深300指数的未来趋势,但在长期预测中,由于多因素的干扰会出现较大误差。本文还证明了ARMA-GARCH模型的预测结果优于单独模型(ARMA或GARCH)对沪深300指数的预测。ARMA-GARCH模型对沪深300指数的波动率的预测结果能为投资者对沪深300指数的短期趋势判断和投资决策提供一定参考。(本文来源于《中国物价》期刊2018年06期）
刘阳[5]（2018）在《期权定价模型中的波动率分析》一文中研究指出期权定价模型是布莱克的一种典型的相对经济理论,它在金融实践过程中产生巨大的经济影响,这种期权的模型需要输入参数中在市场中无法直接观察取得的重要变量,即波动率数值,也就是说,基于历史数据来计量历史波动。人们通常在期权经济定价中,结合期权的价格,采用定量模型倒推出隐含的波动率,这种隐含的波动率对于投资者未来市场的预期有很重要的作用,对于期权市场和经济市场的避险和套期保值业务来说,为了能够进行更好的风险规避和管理,就必须要了解隐含波动率的波动规律。(本文来源于《时代金融》期刊2018年03期）
李小倩[6]（2017）在《期权定价中的波动率分析》一文中研究指出在对期权定价中的波动率进行预测时,是基于历史数据的历史波动率的预测效果更好,还是基于期权价格的隐含波动率的预测效果更好,一直是很多学者探究的问题.理论上,根据期权价格反演得到的隐含波动率可以看成是对未来波动率的市场预期,所以隐含波动率的预测效果应该是优于历史波动率的.本文选用2016年6月份合约,对上证50ETF期权的波动率进行实证分析.研究发现,隐含波动率的估计能力明显优于历史波动率,这与理论是相符的.并且在计算隐含波动率时还发现,牛顿一拉弗森迭代法下计算出的隐含波动率的预测效果好于近似线性解析解法.(本文来源于《南京师范大学》期刊2017-03-07）
吴敏[7]（2016）在《我国玉米期货的波动率分析及应用》一文中研究指出2015年无论是股市、楼市还是期货市场,都经历着巨大波动和震荡。在不断的波动中,有的投资者攫取了超额的利润,也有的投资者遭受了巨大的损失。鉴于玉米自身所具有的粮食作物、饲料作物、能源作物叁大属性以及玉米期货市场作为我国交易最活跃的农产品期货之一,其价格波动不仅影响着期货市场上投资者的利润与损失,更影响着我国广大的玉米种植者、玉米生产加工企业、玉米饲料行业和以玉米为原材料的清洁能源产业的生产计划与企业发展。因此在金融、农业、工业与环保这四大背景之下,对我国玉米期货的波动率进行深入的研究不仅具有理论意义,更具有深远的现实意义。论文以大连商品交易所从2011年到2015年期间共1205个交易日的玉米期货为研究对象,从我国玉米期货市场的有效性、玉米期货波动率特征和玉米期货的应用这叁大方面循序渐进地对我国玉米期货进行了实证分析与研究,得出的主要结论有:(一)根据尤金·法玛提出的有效市场假说,本文采用了方差比检验、单位根检验和协整理论检验法对我国玉米期货市场的有效性程度进行了检验,检验结果表明我国玉米期货市场已经基本达到弱式有效市场的标准,但玉米期货市场的有效性仍有提高的空间,从而可以利用玉米期货的历史交易信息来研究与预测未来期间玉米期货的交易价格。(二)对玉米期货的波动率特征进行实证分析后发现,玉米期货的近月合约和主力合约的波动率都具有波动集聚现象和非独立同分布的特征,即大的波动后面跟随波动性也较大,这说明我国玉米期货的波动率是具有时变效应的,即波动率的变化与时间有关系,并且变化之间是有相互影响的。但近月合约和主力合约的ARCH效应和杠杆效应检验的结果显示出很大不同。在ARCH效应检验中,主力合约的收益率的异方差性效应表现的比较明显,说明主力合约的波动率变化与时间有关系,但是近月合约收益率的检验结论却表明近月合约并没有表现出明显的ARCH效应。在杠杆效应的检验中,近月合约和主力合约的结果表现出更大的差异。TARCH模型的检验结果表明我国玉米期货主力合约具有明显的杠杆效应,这种杠杆效应表现为对主力合约而言,引起价格下跌的消息的冲击比引起价格上涨的消息引发的冲击要大。但近月合约的波动率在5%的水平上不能支持其具有杠杆效应。在EGARCH模型中,玉米期货近月合约的杠杆效应非常明显,具体表现为引起价格下跌的消息对波动率的冲击大于引起价格上涨消息的冲击。但是在EGARCH模型检验中,主力合约的波动率却不具有任何的杠杆效应,主力合约的波动率不受消息性质的影响。(叁)在以ARIMA和GARCH族模型为代表的对玉米期货价格的预测研究中,考虑了波动率因素的GARCH族模型具有很好的预测效果。对近月合约的期货价格而言,GARCH-σ和GARCH-GED模型的样本内拟合效果和EGARCH模型的样本外预测效果要优于其他模型;对主力合约而言,ARIMA模型和t分布GARCH模型的样本内拟合效果和均值GARCH模型的样本外预测效果要优于其他模型。相对于近月合约来说,各个模型对主力合约的价格预测无论是样本内拟合效果还是样本外预测效果来评价都更准确,精度更高。从样本内拟合效果来看,主力合约的拟合效果基本在96%左右,而近月合约价格的拟合程度基本在94%左右;此外主力合约价格预测模型的AIC和SC准则的值都比相应的近月合约要小。从样本外预测效果考察,主力合约的各个损失函数的值都比相应的近月合约的价格预测模型的损失函数值要小,说明各模型对主力合约价格的预测能力要大于对近月合约价格的预测能力。(本文来源于《华东交通大学》期刊2016-06-30）
文竹[8]（2015）在《GARCH模型在股市收益波动率分析中的应用》一文中研究指出关于波动率的研究一直都是经济和金融领域的热点,在早期我们用恒定的标准差或者方差来度量波动率,但是在金融市场中,波动率会随着时间发生变化,传统的统计方法已经无法反映这些特征了,很多的学者开始尝试着使用其它的方法来分析金融中的波动率问题。1982年Robert F.Engle提出了ARCH模型(Auto Regressive Conditional Heteroskedasticity Model,自回归条件异方差模型)。用以分析具有异方差性质的时间序列,并且取得了很好的效果,此后,ARCH模型得到了快速的发展,学者们在ARCH模型的基础上做了很多的改进,如1986年Bollerslev提出的GARCH模型(推广的自回归条件异方差模型)。GARCH模型是ARCH模型的推广和拓展。GARCH模型除了具有ARCH模型的基本特点之外,它更能反应数据之间的长期自相关性,ARCH模型实际上只适合于异方差函数短期自相关过程,而GARCH模型可以有效的地模拟具有长期记忆性的异方差函数。GARCH模型也是本文主要使用的时间序列拟合模型。本文以2013年至2015年上证指数、深圳成指和创业板指数为分析对象,以ARMA模型和GARCH模型为分析方法,对上海主板、深圳主板、创业板叁大股票市场的波动率进行了分析,分析结果说明上证指数和深圳成指的分布几乎一致,扰动项方差都呈现逐渐增加的趋势,对外部信息的反应灵敏程度创业板最强烈,上海主板和深圳主板较弱。(本文来源于《华中科技大学》期刊2015-04-01）
郦解放,费金叶[9]（2014）在《我国石油上市公司股价波动率分析——基于随机波动模型》一文中研究指出笔者尝试将物理学与会计学结合在一起,采用随机波动模型,研究了我国石油行业上市公司股价的波动率。经过数据的分析,发现随机波动模型能够较好地捕捉到波动聚集的特征。同时,通过使用R软件,能够很好地进行模拟并得到一系列模拟数据,将复杂的经济动态直观地展现在我们面前。(本文来源于《经营与管理》期刊2014年11期）
尹智超[10]（2013）在《基于GARCH模型的沪深300指数收益波动率分析》一文中研究指出本文选取2011年6月28日至2013年6月28日沪深300收盘价为研究对象,运用GARCH模型对收益波动率进行了分析。结果表明,收益率具有杠杆性,GARCH(1,2)模型能够较好拟合沪深300股指收益率波动,这对资产收益率的管理及风险控制具有指导意义。最后,结合我国实际,论述了笔者对我国经济现状的思考和政策建议。(本文来源于《知识经济》期刊2013年18期）
波动率分析论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
在现代金融市场中,波动率在金融产品定价和风险管理中具有较为重要的作用。本文以深证成指5分钟高频交易数据为研究对象,建立Realized GARCH模型对深证成指的波动率和VaR进行估计和预测。波动率模型的拟合数据使用2011年12月31日至2018年11月23日每个交易日的5分钟高频交易数据。根据深证成指每日收益率的波动变化情况,构建改进的Realized GARCH模型,通过各模型波动率的拟合效果对比,选择能够更好拟合深证成指波动率的模型并对波动率进行预测。同时还将使用风险价值模型(VaR)对深证成指进行风险分析并预测未来股市的下行风险。在波动率估计方面,主要叁种因素对波动率估计的影响,其中包括RV、RRV、RBV叁种已实现测度,基于正态分布、t分布、Skewed-t分布的叁种残差分布以及是否考虑波动率的长记忆性引入ARFIMA模型,通过对比选择拟合效果最优的模型进行分析,并基于向前一步预测对波动率500个样本外数据进行预测。对于VaR的计算,进行滚动窗口一步预测对未来VaR并绘制曲线,同时将使用Kupice检验法对各模型的结果进行检验并通过比较结果,从中选择预测效果最好的模型。首先是对股市波动率进行建模分析,实证结果表明,深证成指收益率序列具有尖峰厚尾、偏态分布等特征。分别分析不同的已实现测度、不同的残差分布以及是否加入ARFIMA模型,通过拟合效果的对比发现:(1)均值方程采用考虑了长记忆性的ARFIMA模型对拟合效果略有提高;(2)已实现测度中输入变量为RRV时模型拟合效果最好,RBV次之;(3)服从Skewed-t分布模型的模型与t分布模型相比,对数似然函数有较大的提高而且t分布模型相比正态分布模型对数似然函数值也略有提高,Skewed-t分布是相对来说拟合模型最好的残差分布。其次是VaR预测,通过之前的分析构建对应的Realized GARCH模型并对VaR进行滚动窗口预测。实证结果表明:已实现测度中RBV和RRV相比RV对VaR的预测效果都有较为明显的提升,而RRV和RBV在Realized GARCH模型中表现相差不大,RBV相比效果可能略好于RRV;对于模型残差的分布选择中,Skewed-t分布模型的预测效果相比t分布模型有不小的提升。由于波动率的分布具有尖峰后尾性,所以具有偏态和尖峰厚尾的Skewed-t分布的模型能够更好的预测极端风险值,而基于正态分布的Realized GARCH模型预测效果最低。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
波动率分析论文参考文献
[1].范益男.基于MC-SV-VaR的上证指数的波动率分析[D].广西师范大学.2019
[2].赵腾.深证成指波动率分析及其风险预测[D].山东大学.2019
[3].张维.供应商模型观点下之隐含波动率分析[D].厦门大学.2018
[4].黄轩,张青龙.基于ARMA-GARCH模型的沪深300指数波动率分析与预测[J].中国物价.2018
[5].刘阳.期权定价模型中的波动率分析[J].时代金融.2018
[6].李小倩.期权定价中的波动率分析[D].南京师范大学.2017
[7].吴敏.我国玉米期货的波动率分析及应用[D].华东交通大学.2016
[8].文竹.GARCH模型在股市收益波动率分析中的应用[D].华中科技大学.2015
[9].郦解放,费金叶.我国石油上市公司股价波动率分析——基于随机波动模型[J].经营与管理.2014
[10].尹智超.基于GARCH模型的沪深300指数收益波动率分析[J].知识经济.2013