GARCH类模型波动率预测评价

中国管理科学 ›› 2007, Vol. 15 ›› Issue (6): 13-19.

GARCH类模型波动率预测评价

黄海南, 钟伟

北京师范大学金融研究中心, 北京100875

收稿日期:2007-06-10 修回日期:2007-11-05 出版日期:2007-12-31 发布日期:2007-12-31
作者简介:黄海南(1979- ),男(汉族),湖南人,北京师范大学金融研究中心,博士,研究方向:金融工程.

Evaluation on Volatility Forecasting Performance of GARCH-Type Models

HUANG Hai-nan, ZHONG Wei

Financial Research Centre, Beijing Normal University, Beijing 100875, China

Received:2007-06-10 Revised:2007-11-05 Online:2007-12-31 Published:2007-12-31

摘要/Abstract

摘要： GARCH类模型已经广泛运用于波动率的预测,但对模型的预测表现进行评价却受到了忽视,其主要原因是缺乏合适的衡量标准。本文首先运用GARCH类模型对上证指数收益率进行了全面的估计及样本外预测,然后以已实现波动率作为波动率预测的评价标准,通过M-Z回归和损失函数来评价GARCH类模型的波动率预测表现。结果表明,无论是样本内还是样本外,GARCH类模型都能够较好的预测上证指数的收益波动率。其中,偏斜t-分布假设下的GJR(1,1)模型的预测能力最强。

关键词: GARCH, 已实现波动率, M-Z回归, 损失函数

Abstract: GARCH-type models have been broadly used to forecast volatility.But it's ignored to evaluate the performance of volatility forecasting. The reason is mainly lack of appropriate benchmark to evaluate. We estimate and forecast the return of SZZS using GARCH-type models. Realized volatiliky is computed as benchmark using 5-minuets high frequency data. Volatility forecasting performance is measured using M-Z regression and loss function. The conclusion is that GARCH type models have a very goodforecasting performance both in sample and out of sample, and GJR(1,1) under skewed t-distribution assumption is the most powerful to forecast.

Key words: GARCH:realized volatility, M-Z regression, loss function

中图分类号:

F830

黄海南, 钟伟. GARCH类模型波动率预测评价[J]. 中国管理科学, 2007, 15(6): 13-19.

HUANG Hai-nan, ZHONG Wei. Evaluation on Volatility Forecasting Performance of GARCH-Type Models[J]. Chinese Journal of Management Science, 2007, 15(6): 13-19.

[1]	赵华, 肖佳文. 考虑微观结构噪声与测量误差的波动率预测[J]. 中国管理科学, 2020, 28(4): 48-60.
[2]	王超, 陈乐一, 李玉双. 中国金融周期特征及其宏观经济效应[J]. 中国管理科学, 2020, 28(12): 12-22.
[3]	王佳, 金秀, 王旭, 李刚. 基于时变Markov的DCC-GARCH模型最小风险套期保值研究[J]. 中国管理科学, 2020, 28(10): 13-23.
[4]	王正新, 姚培毅. 中国经济政策不确定性的跨国动态溢出效应[J]. 中国管理科学, 2019, 27(5): 78-85.
[5]	郑尊信, 王华然, 朱福敏. 基于Levy-GARCH模型的上证50ETF市场跳跃行为与波动特征研究[J]. 中国管理科学, 2019, 27(2): 41-52.
[6]	凌爱凡, 陈骁阳. 嵌入GARCH波动率估计的B1ack-Litterman投资组合模型[J]. 中国管理科学, 2018, 26(6): 17-25.
[7]	王安兴, 谭鲜明. 基于混合分布的中国股票波动风险因素的识别与分析[J]. 中国管理科学, 2018, 26(2): 86-95.
[8]	夏婷, 闻岳春. 经济不确定性是股市波动的因子吗？——基于GARCH-MIDAS模型的分析[J]. 中国管理科学, 2018, 26(12): 1-11.
[9]	陈声利, 李一军, 关涛. 基于四次幂差修正HAR模型的股指期货波动率预测[J]. 中国管理科学, 2018, 26(1): 57-71.
[10]	宋亚琼, 王新军. 基于动态估计误差的中国股市波动率建模与预测[J]. 中国管理科学, 2017, 25(9): 19-27.
[11]	刘晓倩, 王健, 吴广. 基于高频数据HAR-CVX模型的沪深300指数的预测研究[J]. 中国管理科学, 2017, 25(6): 1-10.
[12]	吴鑫育, 李心丹, 马超群. 门限已实现随机波动率模型及其实证研究[J]. 中国管理科学, 2017, 25(3): 10-19.
[13]	韩超, 严太华. 基于高维动态藤Copula的汇率组合风险分析[J]. 中国管理科学, 2017, 25(2): 10-20.
[14]	曹栋, 张佳. 基于GARCH-M模型的股指期货对股市波动影响的研究[J]. 中国管理科学, 2017, 25(1): 27-34.
[15]	张贵生, 张信东. 基于近邻互信息的SVM-GARCH股票价格预测模型研究[J]. 中国管理科学, 2016, 24(9): 11-20.