上证综指的股指波动:基于模糊FEGARCH模型及不同分布假设的预测研究

doi:10.16381/j.cnki.issn1003-207x.201.06.005

中国管理科学 ›› 2015, Vol. 23 ›› Issue (6): 32-40.doi: 10.16381/j.cnki.issn1003-207x.201.06.005

上证综指的股指波动:基于模糊FEGARCH模型及不同分布假设的预测研究

侯利强, 杨善林, 王晓佳, 陈志强

合肥工业大学管理学院, 安徽合肥 230009

收稿日期:2013-07-15 修回日期:2014-02-21 出版日期:2015-06-20 发布日期:2015-07-22
作者简介:侯利强(1984-),男(汉族),北京人,合肥工业大学管理学院,博士研究生,研究方向:金融工程、数学建模.
基金资助:
国家自然科学基金资助项目(71101041)

The Shanghai Stock Index Volatility:Forecasting Research Based on Fuzzy FEGARCH Model and Different Distribution Hypothesis

HOU Li-qiang, YANG Shan-lin, WANG Xiao-jia, CHEN Zhi-qiang

School of Management of Hefei University of Technology, Hefei 230009, Ching

Received:2013-07-15 Revised:2014-02-21 Online:2015-06-20 Published:2015-07-22

摘要/Abstract

摘要： 本文主要对2006年至2011年上证综指收益率序列的高频波动性进行预测研究。首先,针对金融数据的非线性和不确定等特性,借助模糊逻辑系统,提出一种新的金融市场波动率的预测方法-模糊FEGARCH模型,用来更好的针对具有非线性特性的收益率数据进行预测。其次,为了判断分布型模型和不对称型模型对预测精度的影响程度,分别采用分布型(GARCH-N,GARCH-t,GARCH-HT和GARCH-SGT)和不对称型(GJR-GARCH、EGARCH和模糊FEGARCH)的波动模型进行高级能力预测法(SPA)检测。实证结果表明,不对称模型对波动率预测的影响程度比分布假设的确定更为重要,而且模糊FEGARCH模型对于具有尖峰厚尾、高偏度和杠杆效应的非线性波动数据的预测能力更佳,说明了该模型的有效性与实用性。

关键词: 波动性, 模糊FEGARCH模型, 预测, SPA检验

Abstract: In general, the transmission of volatility in the stock market is time-varying, nonlinear, and asymmetric with respect to both positive and negative results. Given this fact, the method of fuzzy logic systems is adopted to modify the threshold values for an EGARCH model.The volatility forecasting for the SSEC stock index series from 2006 to 2011 is provided and the essential source of performance improvements is identified between distributional assumption and volatility specification suing distribution-type (GARCH-N,GARCH-t,GARCH-HT and GARCH-SGT)and asymmetry-type(GJR-GARCH and EGARCH) volatility models through the superior predictive ability test. Such evidence strongly demonstrates that modeling asymmetric components which is the fuzzy EGARCH model is more important than specifying error distribution for improving volatility forecasts of financial returns in the presence of fat-tails,leptokurtosis, skewness, leverage effects and nonlinear effects in china stock market.

Key words: volatility, fuzzy EGARCH test model, forecasting, superior predictive ability

中图分类号:

N945.24

侯利强, 杨善林, 王晓佳, 陈志强. 上证综指的股指波动:基于模糊FEGARCH模型及不同分布假设的预测研究[J]. 中国管理科学, 2015, 23(6): 32-40.

HOU Li-qiang, YANG Shan-lin, WANG Xiao-jia, CHEN Zhi-qiang. The Shanghai Stock Index Volatility:Forecasting Research Based on Fuzzy FEGARCH Model and Different Distribution Hypothesis[J]. Chinese Journal of Management Science, 2015, 23(6): 32-40.

参考文献

[1] Bollerslev T. Generalized autoregressive conditional heteroskedasticity [J]. Journal of Econometrics,1986,31(3):307-327.

[2] Bollerslev T. A conditional heteroskedastic time series model for speculative prices and rates of return [J]. Review of Economics and Statistics, 1987,69(3):542-547.

[3] Hung J C, Lee M C, Liu H C. Estimation of Value-at-Risk for energy commodities via fat-tailed GARCH models [J]. Energy Economics,2008,30(3):1173-1191.

[4] Theodossiou P. Financial data and the skewed generalized t distribution [J]. Management Science, 1998,(44):1650-1661.

[5] Wilhelmsson A. GARCH forecasting performance under different distribution assumptions [J]. Journal of Forecasting,2006,(25):561-578.

[6] Chuang I Y, Lu J R, Lee P H. Forecasting volatility in the financial markets: A comparison of alternative distributional assumptions [J]. Applied Financial Economics,2007, 17(3):1051-1060.

[7] Nelson D B. Conditional heterskedasticity in asset returns: A new approach [J]. Econometrica,1991,59(12):347-370.

[8] Glosten L, Jagannathan R, Runkle D. On the relation between the expected value and the volatility nominal excess return on stocks [J]. Journal of Finance,1993,48(5):1779-1801.

[9] Engle R F, Ng V K. Measuring and testing the impact of news on volatility [J]. Journal of Finance, 1993,48(5): 1749-1778.

[10] Taylor J W. Volatility forecasting with smooth transition exponential smoothing [J]. International Journal of Forecasting, 2004, 20(2): 273-286.

[11] Loudon G F, Watt W H, Yadav P K. An empirical analysis of alternative parametric ARCH models [J]. Journal of Applied Econometrics,2000,15(2):117-136.

[12] Evans T, McMillan D G. Volatility forecasts: The role of asymmetric and long-memory dynamics and regional evidence [J]. Applied Financial Economics, 2007,17(17):1421-1430.

[13] Awartani B M A, Corradi V. Predicting the volatility of the S&P-500 stock index via GARCH models: The role of asymmetries [J]. International Journal of Forecasting,2005,21(1): 167-183.

[14] Brooks C, Persand G. Model choice and Value-at-Risk performance [J].Financial Analysts Journal, 2002,58(5): 87-97.

[15] Sadorsky P. Modeling and forecasting petroleum futures volatility[J]. Energy Economics,2006,28(4):467-488.

[16] 于亦文. 实际波动率与GARCH模型的特征比较分析 [J]. 管理工程学报,2006,20(2):65-69

[17] 杨科,陈浪南. 中国股市高频波动率跳跃的特征分析 [J]. 系统工程学报,2012,27(4):492-497.

[18] 张小斐,田金方.异质金融市场驱动的已实现波动率计量模型 [J]. 数量经济技术经济研究,2011,(9):140-153

[19] 王良,冯涛. 中国ETF基金价格"已实现"波动率、跟踪误差之间的Granger关系研究 [J]. 中国管理科学,2012,20(1):59-70.

[20] 刘伟,陈敏,梁斌.基于金融高频数据的ETF套利分析 [J].中国管理科学,2009,17(2):1-7.

[21] Andersen T G, Bollerslev T, Meddahi N. Correcting the errors: Volatility forecast evaluation using high frequency data and realizedvolatilities [J], Econometrica, 2005, 73( 1) : 279-296.

上证综指的股指波动:基于模糊FEGARCH模型及不同分布假设的预测研究

The Shanghai Stock Index Volatility:Forecasting Research Based on Fuzzy FEGARCH Model and Different Distribution Hypothesis

PDF (PC)

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

Metrics

本文评价

推荐阅读 10

[1]	陈其安, 张慧. 系统风险冲击、企业创新能力与股票价格波动性:理论与实证[J]. 中国管理科学, 2021, 29(3): 1-13.
[2]	张鼎华, 李卫俊, 李丞, 申世飞. 基于深度学习的多维情景空间下群体性事件分析与预测研究[J]. 中国管理科学, 2020, 28(8): 172-180.
[3]	吕康娟, 胡颖. 灰色量子粒子群优化通用向量机的中国行业间碳排放转移网络预测研究[J]. 中国管理科学, 2020, 28(8): 196-208.
[4]	唐振鹏, 吴俊传, 冉梦, 张婷婷. 考虑投资者情绪的中国股市自激发效应研究[J]. 中国管理科学, 2020, 28(7): 1-12.
[5]	吴婧, 蒋志强, 周炜星. 基于重现时间间隔分析的极端收益预测及交易策略研究[J]. 中国管理科学, 2020, 28(5): 39-51.
[6]	瞿慧, 张壹. 基于波动择时绩效的高维波动率估计量与预测模型研究[J]. 中国管理科学, 2020, 28(5): 62-70.
[7]	熊涛, 鲍玉昆. 基于动态模型平均的大豆期货价格预测研究[J]. 中国管理科学, 2020, 28(5): 79-88.
[8]	张玉华, 戴更新, 孙浩, 韩广华, 王磊. 基于信任的供应预测信息共享策略[J]. 中国管理科学, 2020, 28(5): 112-121.
[9]	陈其安, 张慧, 陈抒妤. 股指期货交易加剧了中国股票市场波动性吗？——基于投资者结构的理论和实证研究[J]. 中国管理科学, 2020, 28(4): 1-13.
[10]	欧阳红兵, 黄亢, 闫洪举. 基于LSTM神经网络的金融时间序列预测[J]. 中国管理科学, 2020, 28(4): 27-35.
[11]	梁小珍, 邬志坤, 杨明歌, 汪寿阳. 基于二次分解策略和模糊时间序列模型的航空客运需求预测研究[J]. 中国管理科学, 2020, 28(12): 108-117.
[12]	周茂森, 张庆宇. 双向部分透明供应链的大数据投资决策与激励[J]. 中国管理科学, 2020, 28(11): 130-144.
[13]	张同辉, 苑莹, 曾文. 投资者关注能提高市场波动率预测精度吗？——基于中国股票市场高频数据的实证研究[J]. 中国管理科学, 2020, 28(11): 192-205.
[14]	曾波, 刘思峰, 白云, 周猛. 基于灰色系统建模技术的人体疾病早期预测预警研究[J]. 中国管理科学, 2020, 28(1): 144-152.
[15]	丁松, 李若瑾, 党耀国. 基于初始条件优化的GM(1,1)幂模型及其应用[J]. 中国管理科学, 2020, 28(1): 153-161.