面向结构突变、区制转换和混频数据复杂波动特征的金融市场风险分位数测量模型与实证研究

At present, it is a great challenge that financial market risk measurement models need to describe the structural breaks and regime switching behaviors hidden in financial assets earnings volatility stimulated by the external shocks and cyclical risk factor activities. Meanwhile, mixed frequency sampling data from financial market risk factors are beneficial to improve the quality of market risk measure. We embrace the structural breaks, regime switching behaviors and mixed frequency data into a unified quantile-based framework of risk measure. First, we.apply the multiple lagged order weighted function to transform the high-frequency earning volatility variables into low frequency volatility ones, and then put forth the mixed data sampling quantile regression GARCH model to measure risk. Also, we can also combine the mixed frequency information and the other two volatility behaviors to form the multiple change-points quantile regression model, Markov regime switching quantile regression model with mixed frequency data and a comprehensive integrated model. A good advantage of these models is to approximate the real data generation process without error distribution assumptions. Besides, we use much flexible skew error distribution instead of asymmetric Laplace distribution to perform Bayesian inference and parameter estimation. We also give a new method of obtaining volatility forecasts and multi-period value-at-risk forecasting. Finally, we investigate the effectiveness of our models in exchange rate, energy and future markets, in order to progress the level of risk measure in China.

当前金融市场风险测度建模，面临外部政策冲击和周期性风险因子驱动下资产收益波动发生结构突变、区制转换行为的挑战，同时市场风险因子蕴含混频数据信息也利于提高市场风险预测质量。因此课题将结构突变、区制转换波动行为和混频数据特征纳入市场风险测量的分位数框架中。利用多阶滞后加权函数将高频收益波动变量转换为低频波动变量，提出混频数据分位数GARCH模型、多结构变点分位数回归、区制转换分位数回归模型，且允许将混频数据融入结构变点和区制转换模型构建综合集成模型。这些模型具有不须要假设资产收益分布、能够较好地还原资产收益波动的“真实数据产生过程”的优势；在参数估计中采用比不对称Laplace分布更灵活的一般有偏误差分布形式进行贝叶斯统计推断，使用蒙特卡洛马尔可夫链模拟估计参数；提出基于单期VaR预测进行波动率和多期VaR预测的新途径。最后通过对汇率、能源和期货市场的实证研究验证理论的有效性，

金融市场风险建模中常忽视对混频金融数据的充分利用。本课题科学地辨识和利用混频数据特征信息，创新地提出市场风险测量的若干混频数据分位数回归模型，并进行了实证研究。具体如下：.①提出一个灵活的混频数据模型(Flexible GARCH-MIDAS)，采用Skewed T分布作为误差分布描述多头和空头交易头寸的不对称性，允许每月有不同的交易日数，并能确定风险因素的最佳组合。 .② 提出一个可以同时描述短期波动长记忆性和宏观基本面长期冲击的FIGARCH-MIDAS模型，并对世界主要货币汇率进行了实证研究。.③ 提出MRS-GARCH-MIDAS模型，即将区制转换(Marcov Regime Switching)机制嵌入到GARCH-MIDAS模型中。相比较于文献，我们首次在低频波动方程中引入这个机制，我们把样本按照低频数据进行分块，构造极大似然函数，采用Hamilton滤波方法进行统计推理，得到参数以及状态的平滑概率估计。 .④ 提出分位数混频数据QR-GARCH-MIDAS模型，该模型把经典的GARCH-MIDAS直接拓展到分位数框架下，也可以看作是Engle at al. (2004)提出CAviaR模型在混频数据领域的扩展。.⑤ 在QR-GARCH-MIDAS模型的基础上，提出MRS-QR-GARCH-MIDAS模型，研究美国和中国周期性的宏观经济指标对黄金期货市场风险的异质性冲击效应。 .⑥ 在单变量QR-GARCH-MIDA模型的基础上，提出了针对多变量联合建模的MV-QR-GARCH-MIDAS多变量混合频率分位数回归模型，用它分析在经济政策不确定冲击下包含15个石油和股票市场的构成的网络的系统性风险。.课题采用极大似然估计、贝叶斯推理和蒙特卡洛马尔可夫链模拟(MCMC)等方法估计模型参数。 对原油市场、期货市场和汇率市场等重要问题展开实证研究，包括波动率预测、市场风险预测以及后验测试评估，表明模型具有更好的预测性能，取得了有价值的实证结论和政策建议。.截止到目前在Finance Research Letters、Research in International Business and Finance、Economic Modelling、Energy Economics、Journal of Forecasting等国际期刊发表论文10篇。

内容获取失败，请点击重试