一、股票指数期货套期保值原理建模及其应用（论文文献综述）
刘毅男[1]（2021）在《GAS框架下的投资组合风险测度与优化研究》文中研究说明近几年计量经济学领域最为重要的创新之一便是广义自回归得分（GAS）理论框架,其通过构建得分函数来实现时变参数的更新,为金融时间序列的研究提供了新的理论框架。其出色的适应性能够被应用在金融领域多个问题的研究中,特别是风险研究领域。金融资产的风险测度问题一直是金融时间序列研究的重点问题,准确的风险测度和精准的风险预测对于了解金融资产风险情况并进行相关投资决策具有重要的理论和实践意义。近些年来,中国金融市场发展迅速,A股上市公司数量持续增加,投资者可选择标的也不断增加,同时,期货市场的发展也为投资者带来了更多的金融工具,投资组合也由单一的股票投资组合延伸到了期现货投资组合中。因此,如何选择投资组合的风险测度方式也成为了我国学术实践领域研究的重点问题。此外,随着计算机技术的发展,计算能力的不断提高也为高频数据的建模提供了有力的支持,特别是近些年量化投资的快速兴起,进而也带动了高频交易的发展。高频数据可以带来更多信息,但由于市场微观结构的影响也伴随着大量的噪声,如何采取合适的降噪方法构建有效的高频多元资产的波动率模型进行投资组合的风险测度伴随着量化投资技术的发展开始逐渐受到重视。因此,本文在详细梳理GAS理论框架、投资组合的风险测度、投资组合优化、高频资产组合的波动率研究以及期现货投资组合优化等方面的已有研究成果的基础上,基于GAS框架构建了多个一元和多元资产投资组合的风险测度及优化模型,在数据频率上包含了高频数据下的投资组合已实现协方差的预测问题研究,在组合资产种类方面也加入了期现货投资组合的套期保值优化问题的研究。具体而言,本文首先将GAS框架引入到金融资产的风险研究问题中,给出GAS框架模型的基本表达式,基于基本的表达式进行改进,并将其与传统的GARCH模型结合,构建了GAS-GARCH-sst模型,通过实证研究分析GAS框架在风险测度和VaR预测方面的优势;随后,本文将单一金融资产风险的测度延伸到多元资产组合的研究中,为了刻画投资组合中资产之间的相依性,构建了R-Vine结构,并引入GAS框架提出了R-Vine-GAS-sst模型,并将其应用到基于中国股票市场的投资组合的研究中;研究完成基于日数据的低频投资组合风险测度的问题后,本文进一步将研究扩展到高频数据的研究中,应用GAS框架构建了GASWishart-Realized-GARCH模型,提供全新的高频多元资产波动率模型;最后,本文进一步将投资组合由单一的多头组合扩展至具有多空双边的期现货投资组合,以风险最小化为原则,将GAS框架与极值理论和Copula函数相结合,构建了多种套期保值估计模型,实现套期保值效果的优化。本文的主要结论有:第一,将GAS理论框架引入到金融资产的风险研究中,构建改进的模型能够有效解决异常值影响的问题,因此可以看出通过引入得分函数作为更新驱动的GAS框架所创新的GAS-GARCH-sst模型能够降低模型受异常值的影响,对金融资产的风险测度更加准确;第二,相比于传统的GASGARCH-sst模型,基于GAS框架的创新完善的GAS-GARCH-sst模型预测单一资产的VaR能力更强,GAS框架的应用可以有效提升风险的预测能力;第三,在投资组合的风险测度方面,GAS理论框架在应用于中国股票市场投资组合的风险预测方面能够显着提升预测能力,R-Vine-GAS-sst模型可以显着提升投资组合VaR的预测效果;第四,在投资组合的优化方面,基于GAS框架构建的新的投资组合优化模型能够在风险降低程度更高的同时实现更高的收益水平,优化能力较强;第五,引入GAS框架后再一次确定了过往研究中所认为的在风险最小投资组合模型的构建中,以CVaR作为风险测度方式相比于VaR具有更好的效果的结论;第六,在金融高频数据的研究中,基于5分钟子抽样降噪技术构建的波动率模型效果较好,是在中国市场估计已实现协方差矩阵的较好的降噪方法;第七,基于GAS框架的GAS-Wishart-Realized-GARCH模型可以对高频多元资产的波动率实现较好的预测效果,同时通过与实践领域中投资者和监管机构常用的EWMA模型对比发现,GAS-Wishart-Realized-GARCH模型对于已实现协方差的变化能够快速反应,更能够适应风险的变化,预测也更为精准;第八,将GAS框架应用到期现货投资组合的套期保值优化上,具有较为明显的优势,在样本外区间,极值Normal-Copula-GAS和极值Frank-Copula-GAS模型所估计的最优套期保值比率能够有效降低沪深300ETF和期货投资组合的风险;第九,期现货同比例持有的天真套期保值策略所实现的风险降低程度明显低于本章构建的OLS、DCC-GARCH、极值Normal-Copula-GJR、极值Frank-Copula-GJR、极值NormalCopula-GAS和极值Frank-Copula-GAS模型,并且成本更高,在投资实践中不宜使用。综上所述,本文将具有较高灵活性的GAS理论框架应用到金融时间序列的风险测度和投资组合的优化等方面的研究中,结合理论框架构建新的理论模型,针对于中国的金融市场提出了新的风险测度方法、投资组合的优化方法、高频多元资产波动率模型以及期现货投资组合的套期保值优化方法。本文的研究进一步丰富了金融资产风险测度研究的理论方法,将GAS理论框架引入到多个金融研究领域,将其与现有理论模型进行了融合和创新。同时,本文的研究也为投资者提供了多种具有较强适用性的投资组合风险测度和优化方式,帮助投资者有效识别并控制投资风险。
刘昱[2]（2020）在《基于相对价格的沪深300股票投资组合研究》文中指出中国股票市场是我国居民进行金融投资的重要渠道,已经成为社会主义市场经济的重要组成部分。但是追涨杀跌等非理性投资行为依旧普遍存在。而股市中正确的投资理念和科学的投资方式是保障投资者根本利益的基础,所以本文就此展开了既能分散非系统风险又可规避系统性风险的投资策略的研究。本文在股票相对价格的基础上建立股票投资的风险控制体系,确定股票投资风险是大盘指数风险和各股相对价格的风险之和,所以分别从现货和期货市场的角度出发,在现货市场中,构建最优的投资组合模型,在期货市场中实施合理的投资方式与策略。最后分别在现货市场和期货市场投入资金,对风险控制在一定范围内获取最大收益进行了实证模拟研究。本文在对现货市场的投资组合研究时,首先探讨时间序列建模法,对沪深300样本股票的相对价格收益率进行时间序列建模,通过建模结果得知AR模型、ARMA模型、GARCH（1,1）模型能对相对价格收益率序列进行良好的拟合。其次,在假设相对价格对数服从正态分布平稳过程条件下,得到相对价格条件下的Va RS和伽马选股指标,依据股票配置的制度约束条件,构建了—(1(6投资组合模型,半月调仓一次的实际模拟表明:该模型的投资组合收益率能显着跑赢大盘。本文在对期货市场进行研究时,先对大盘指数的牛市熊市转换点进行了研究,在姚芳学者构建的大盘牛熊判别模型的基础上,通过更换模型指标及参数进行改进,得到新的大盘牛熊判别模型,并将其运用到投资组合之中,即:在熊市期间全程套期保值,在非熊市期间对沪深300股指期货IF1803和IF1801每五分钟的高频数据通过差价序列建立GARCH模型,并根据价格条件Va R方法对该套利模型的风险测算,引入失败率的指标判断套利模型构建的有效性,最终显示模型风险控制较为合理。根据实际股市情况可知,2018年全年几乎处于熊市时期,所以对2018年全年进行投资策略的实证模拟研究。根据大盘牛熊判别研究结果,在现货市场中从第一个交易日起构建投资组合模型,牛市时不频繁调仓,牛市结束后以半月为周期频繁调仓;在期货市场中,牛市阶段根据最佳套利点模型进行套利操作,熊市时沽空沪深300期货合约对现货投资组合进行套期保值。将大类资产配置制度化作为风险管理的约束机制,严格控制现货市场与期货市场资产配置比例在1:0.15～1:0.25之间,投资策略可获得最佳累计收益率,不仅可有效的控制风险,避免机构进行非理性投资,还能获得更为可观的收益。
刘凌云[3]（2020）在《燃煤发电项目双因素风险分析及期货对冲模型研究》文中研究表明燃煤发电项目是指以煤炭为燃料,正在规划、建设或已经投产运营的火力发电单元。由于煤炭燃料约占到火力发电生产运营成本的70%,我国煤炭产量70%以上用于发电,燃煤火力发电量又占到我国各类发电总量的70%以上,这“三个70%”的根本问题是煤炭。所以,从宏观层面上讲,国家以什么方式有效配置煤炭资源,如何高效利用煤炭资源,怎样调整能源结构,是摆在政府决策者们面前的重要问题;从微观层面上讲,我国煤炭价格购销市场化所引起的价格波动频次增加和波动幅度不断加大,给我国燃煤火力发电厂的正常生产经营带来了一定的影响,构成不容忽视的经营风险。认真研究煤炭市场供求关系变化规律及如何规避煤炭价格波动带来的经营风险是燃煤火力发电项目的规划、建设与运营必须考虑的重大问题。在国家供给侧结构性改革的政策纲领指导下,火电项目建设面临着硬约束。相反,新能源发电装机呈高速发展态势,水力发电对火力发电影响显着。但水力发电出功不稳定性,给燃煤火力发电项目功率稳定输出产生不可忽视的风险。本论文将煤炭价格波动、新能源发电替代及不稳定性对燃煤火力发电造成的冲击定义为双因素风险。本研究主要从如何利用动力煤期货工具视角深入研究化解双因素风险的对策与方法,从理论和实证两方面,深度探究煤炭价格波动、新能源发电变化与燃煤火力发电出功之间的经济理论关系和数量关系。在理论方面,采用价格波动理论较先进的状态空间模型理论,分析煤炭价格与燃煤火力发电之间、新能源发电与燃煤火力发电、煤炭价格与煤炭社会库存之间的关系特征,选择合适的状态空间模型类型,构建了完善分析模型:实证方面,通过收集了十年以上的煤炭价格指数、煤炭社会库存、新能源发电及燃煤火力发电量的历史数据基础上,经过严谨的经济计量分析,构建了四大计量经济理论模型,检验了双因素风险分析及期货对冲策略诸经济模型的正确性。本论文根据状态空间模型理论和金融期货理论,构建了燃煤火力发电项目煤炭现货和期货库存最优比例模型、双因素风险期货对冲模型。这些模型,为燃煤发电项目运营有效利用煤炭期货对冲策略提供了理论基础。根据状态空间模型理论,量化分析我国煤炭价格、新能源发电与煤炭社会库存及火力发电量之间的数量关系,以此研判煤炭价格走势、煤炭社会库存变化、煤炭火力发电变化情况,合理安排煤炭库存,以及煤炭实际库存与虚拟库存比例关系,并在煤炭期货市场上开展套期保值交易,达到规避煤炭价格波动风险和降低生产经营成本的目的。基于上述思想及思路,研究内容具体包括以下五个主要部分:（1）燃煤发电项目双因素风险的成因。本研究查阅了大量的文献资料并结合生产实际,深入分析了燃煤发电项目建设与运营中面临的经营管理问题,认为我国煤炭购销市场化而加剧了煤炭价格的波动,给煤炭消费和生产者带来了很大的经营风险,随后分析了引起煤炭价格波动的诸多因素及深层次的原因;同时研究了新能源发电替代及出功不稳定性对燃煤火力发电产生的冲击及原因分析,准确定义为“双因素”及“双因素风险”,为论文展开研究奠定了逻辑基础。（2）对本研究起到支撑作用的相关基础理论综述。把经济波动理论及价格波动理论引入到煤炭现货市场、期货市场价格波动分析中;根据经济滤波理论,对经济变量进行滤波整理,为得到构建模型所需要的数据提供了处理分析方法;运用协整理论实证分析了模型的正确性;期货套期保值理论,为本论文研究的核心问题——期货对冲策略模型提供理论支持;状态空间模型理论是本论文主要模型构建的理论依据和技术手段。（3）双因素风险识别及影响要素研究。应对风险必须准确分析风险源问题,本论文从供给和需求两个方面进行风险分析,在供给方面,煤炭价格波动是主要因素,影响很大;在需求方面,对煤炭火力发电量影响较大的因素中,就波动性而言,新能源发电的不稳定性,是主要因素。本论文将煤炭价格波动和新能源发电不稳定性这两个变量风险定义为煤炭火力发电项目运营中的“双因素风险”。（4）构建燃煤发电项目双因素风险期货对冲模型。依据模型构建的总体思路,运用状况空间模型理论,针对煤炭价格与燃煤火力发电之间的关系特征、新能源发电与燃煤火力发电之间关系特征,构建了煤炭价格对火力发电量影响的理论模型及煤炭价格对库存影响模型,新能源发电量变化对燃煤发电量影响的理论模型,建立了煤炭现货实际库存与虚拟库存理论模型,得到了双因素风险期货对冲模策略模型。（5）模型实证研究和燃煤火力发电项目案例应用分析。建立“煤炭价格波动与火力发电量变动”、“新能源发电不稳定与火力发电量变动”、“煤炭价格波动和新能源发电不稳定与火力发电量”、“煤炭价格波动与煤炭社会库存量”的实证模型。最后选取了江苏某火电项目案例,验证了本论文分析方法及模型应用的合理性及有效性。为我国燃煤火力发电项目运营中开展类似业务提供了理论依据和实操指导。
段青玲[4]（2020）在《高频数据在风险最小化套期保值比例估计的应用 ——基于TVM-Copula Realized-GARCH类模型》文中研究说明本文将已实现波动方法中的Realized GARCH模型以及用于多维时变相关性建模的时变Copula模型相结合,构建了TVM-Copula RG类模型。并使用该模型来进行风险最小化现货期货套期保值比例的预测,基于沪深300股票指数现货和期货高频数据对不同模型得到的套期保值比的有效性进行横向对比分析。在构造Realized-GARCH结构时,本文不仅考虑了九种不同的高频已实现估计量及五种对尾部敏感度不同的Copula函数。进一步地,讨论分析了高频信息在Copula函数中引入的效果。在实证部分,本文对所选沪深300股指及其股指期货全样本区间进行了样本内外预测,采用方差减小比率HE、已实现方差减小比HERV及跟踪误差波动TEV作为模型套期保值比预测效率评价指标。并使用DM检验和MCS检验将其与其他常用模型得到的评价指标得分进行比较。为了检验模型的鲁棒性,本文通过NPCPM方法将样本划分为高波动子样本及低波动子样本,进一步讨论了模型在不同市场波动条件下模型的表现。同时对美国市场的标普500指数及其对应期货数据的实证结果进行分析,讨论了模型在不同市场结构中的表现。通过对中国市场及美国市场数据实证研究表明:1)高频信息模型相比传统的Copula-GJR模型能显着提高套期保值的有效性;2)通过RG结构结合已实现估计量比简单地将其作为外生变量纳入边际分布（TVM-Copula-GJRX模型）能提高降低风险的效果;3)进一步在动态Copula函数中加入已实现的相关测度,提高了大多数TVM-Copula-RG模型的套期保值性能。在高波动区间时,Copula函数选择尾部敏感的TVM-Copula-RG类模型能显着提升套期保值性能;4)在已实现估计量选择上,对噪声稳健的五分钟采样的RK明显优于其他已实现估计量;5)在Copula模型的设置及选择上。对左尾敏感的Clayton-Copula显着提高了中国市场套期保值的有效性,降低了跟踪误差的波动性;对上下尾都敏感的SJC-Copula在美国市场表现更为突出;6)TVM-Clayton（RC）-RG（RK）模型通过RG结构加入已实现核,并在时变Clayton-Copula中包含已实现相关性,证明是中国市场较优的套期保值方法,特别是在市场波动期间。
丁逸俊[5]（2018）在《中国证券市场交易机制与市场质量研究》文中进行了进一步梳理近年来,我国证券市场不断地对原有交易制度进行完善、拓展和创新。然而在与国际成熟市场接轨的同时,我国股票市场异动现象依然频繁发生。本文指出,股市与实体经济的严重背离暗含了资本市场交易机制和监管机制的缺陷。金融产品创新和交易机制创新的不断涌现是改善我国证券市场质量的重要因素,但是监管机构在证券市场交易机制的实施和调整过程中的不恰当的制度安排却加剧了证券市场的不稳定。交易机制的研究对象上,本文以融资融券不对称、股指期货交易限制为切入点,探讨了融资融券不对称对股票定价效率的影响,以及异常波动时期股指期货交易限制对跨市场流动性正反馈效应的影响。本文的研究从微观结构理论和行为金融学的视角,阐述了交易机制在实施和调整中影响投资者交易行为,进而对股票定价效率、流动性等市场质量产生影响的微观机理。首先,本文在异质投资者静态均衡模型的基础上引入了股票真实内在价值作为评判价格发现效率的基准。在考虑融券卖空限制与否的同时引入融资买入机制,以此考察融资融券的多空不对称程度对定价效率的影响。随后,本文以我国融资融券交易长期以来的多空不对称问题为背景,实证检验了融资融券交易机制的不对称与股票定价效率的关系,进一步验证了数理模型得到的结论。本文认为,融券卖空限制并不会必然导致股票定价效率的下降。然而,随着异质投资者之间预期信念的差异的增大,且融资融券信用交易使用规模逐渐扩大后,融资融券交易不对称的负面影响也随之放大,显着损害了股票定价效率。其次,本文把交易机制的影响从单一现货股票市场拓展到了现货和期货的跨市场状态上。在现有研究流动性黑洞问题的“理性恐慌“模型基础上,构建了具有路径依赖特征的投资者风险厌恶系数可变的静态均衡模型,并且在此模型中引入了一类跨市场的套期保值交易者。理论模型指出,在股指期货市场存在交易限制的情况下,投资者出于理性恐慌心理倾向于在指数下跌期间抛售持有的现货头寸,而这一抛售行为反过来又造成了指数流动性的进一步枯竭,形成极端下跌事件的自我实现。随后,本文通过实证检验了异常波动时期股指期货与股票现货市场的流动性正反馈效应,验证了监管限制可能引发的股指期货对股票现货市场的风险传导和溢出效应。另一方面,“数理模型+实证检验”的研究方法存在的局限性使得以往研究学者很难在事前评估特定市场环境下交易机制的有效性。与此同时,本文注意到,现有文献对金融市场质量的研究较少关注金融市场正常功能的发挥。然而,金融创新所带来的保证金交易制度、跨市场交易机制等都会使得期货和现货交易具有路径依赖特征,甚至使得证券的资产定价、风险对冲等功能失效。本文在传统的“数理模型+实证计量”的基础上,运用计算仿真实验的方法探讨了不同市场结构和状况下交易机制的有效性问题。一定程度上弥补了数理模型和实证计量在研究此类问题上的不足。另外,仿真实验使本文得以从“股票定价效率、市场风险对冲等基本功能是否正常发挥”的角度作为评估市场质量和交易机制有效性的主要标准,拓展了现有市场质量研究的范畴。运用计算仿真实验的研究方法,本文构建了存在单一风险资产的股票仿真交易平台,在个体投资者建模时加入了仿照融资融券交易模式的融资融券信用账户,使得投资者可以模拟融资融券的保证金账户进行交易,以此探讨融资融券交易机制对股票定价效率的影响。本文认为,一个制度设计合理的、规模不断发展的融资融券交易制度能够有效提升我国股票市场的定价效率。随后,本文在单一风险资产的基础上进行了拓展,构建了一个存在期货和现货的跨市场股票仿真交易平台,探讨了市场异常波动时期股指期货交易限制的有效性问题。研究发现,对于股指期货的交易限制措施在短期内有效。然而,中长期内限制措施割裂了现货和期货之间的联系,无法发挥期货市场价格发现和风险规避的基本功能。本文为监管机构探究交易机制对证券市场的影响、评估目前市场交易机制的有效性、完善市场交易机制设计的合理性提供了重要的参考依据。监管机构在推进A股市场交易机制改革时,应充分考虑市场运行的内在逻辑和存在的问题,灵活设计交易制度,逐步推进相关改革举措。
龙瑞[6]（2018）在《高频环境下基于资产结构的股指期货市场风险度量及防范》文中研究说明在金融创新的持续推动下,以股指期货为代表的金融衍生品打开了发展的重要时间窗口。尽管被公认为金融市场最有效的风险管理工具,但股指期货自身却并非是绝对安全的。在以投机者和套期保值者为主的投资者结构冲击下,股指期货的市场风险甚至可能远超现货市场。自美国次贷危机引发全球性金融动荡以来,包括股指期货在内的金融衍生品的市场风险一直是学界和业界关注的焦点。2010年4月,沪深300指数期货作为中国第一只股指期货正式上市,开创了多层次金融市场的历史新跨越。合理界定股指期货的市场风险、科学度量和防范中国股指期货的市场风险,维护市场安全平稳运行,打好防范化解金融系统性风险攻坚战,最终实现金融体系乃至整个国民经济“稳中有进”,是当前金融工程与风险管理领域亟待解决的一项重要课题。随着信息技术和数字存储技术的发展,高频时间序列分析为股指期货的市场风险研究提供了更加精确的技术手段。本文以高频已实现波动（Realized Volatility,RV）方法为切入点,实证度量和刻画股指期货的市场风险,并为防范股指期货的市场风险提供对策及政策建议。根据投资者在其资产结构中持有期货单一资产和持有期现货资产组合两种不同情况,本文界定股指期货市场风险的内涵、识别股指期货市场风险的来源与成因,将股指期货市场风险表达为“股指期货未来价格或股指期现货资产组合未来价格收益波动对期望值的偏离给相关投资者资产带来潜在损失的可能性”,并在此基础上度量期货单一资产条件下和期现货资产组合条件下股指期货市场风险。在期货单一资产条件下,首先分别构造高频RV方法中的经典RV模型、已实现极差波动（Realized Range-based Volatility,RRV）模型和已实现双幂波动（Realized Bipower Volatility,RBV）模型,测度沪深300指数期货5分钟高频价格波动,结果发现RBV模型对沪深300指数期货价格波动的测度效果最好,赋权的已实现极差波动（WRRV）模型次之,高频RV方法能较好地刻画沪深300指数期货价格波动的非连续性和跳跃性;然后构建WRRV-VaR和RBV-VaR模型分别度量期货单一资产条件下股指期货的市场风险,并对它们的度量效果进行比较。相对于正态分布和位置尺度t分布,对数正态分布可以更好地拟合WRRV和RBV序列的尖峰特性和单侧特性。采用Monte Carlo模拟的估计结果表明,WRRV-VaR和RBV-VaR模型都可以在一定程度上刻画股指期货的市场风险特征,RBV-VaR模型能更好地识别极端情况下难以预测的风险。在期现货资产组合条件下,为了捕捉股指期现货高频价格间相依结构的非线性、非对称以及动态变化特征,首先采用高频RV方法拟合价格边缘分布分别构造时变Gumbel Copula函数、时变Clayton Copula函数以及两者结合构造的时变混合Copula函数,测度沪深300指数期现货价格相依结构,证实市场价格暴跌阶段沪深300指数期现货价格相依关系强于市场价格暴涨阶段。模型拟合优度检验结果表明,高频RV-时变混合Copula函数在沪深300指数期现货价格相依结构测度方面具有更好的测度能力;然后将具有更好测度能力的高频RV-时变混合Copula函数与VaR方法结合建模,度量在不同期现货资产投资比重动态变化条件下股指期货的市场风险。采用Monte Carlo模拟的估计结果表明,在同一置信水平上,股指期货投资比重的提高使得市场风险不断加大;在同一投资比重下,随着置信水平不断提高,市场风险加速上升,极端情况下股指期现货市场表现出较强的联动效应。高频RV-时变Copula-VaR模型的度量结果在90%、95%和99%三种置信水平上的有效性都较高。在市场风险度量的基础上,分别探讨期货单一资产和期现货资产组合条件下投资者和交易所的股指期货市场风险防范对策,以市场风险最小化为目标约束,实证测算股指期货的最优套期保值比率和交易保证金水平。最后,作为理论与实证研究结果的应用,在剖析股指期货的市场风险防范理论依据、国际经验和基本现状的基础上,提出宏观监管层面股指期货的市场风险防范政策建议。
宫晓莉[7]（2017）在《基于Lévy跳跃过程、随机波动模型的期权定价与风险管理研究》文中研究说明自B-S期权定价模型提出以来,如何提高期权定价的精确性成为了日益关注的问题。该模型假设资产收益率服从正态分布,并通过连续交易对冲期权风险。而大量的金融市场实证研究均发现,金融时间序列数据表现出强烈的非正态性,金融资产收益并不服从正态分布,相较于正态分布,存在尖峰厚尾性。金融市场存在着多项B-S期权定价模型无法解释的金融异象,如期权波动率微笑之谜,收益率和波动率之间具有非对称的相关性,即杠杆效应,以及波动率集聚性等。如何合理的刻画基础资产动态特征,构建模型从而为期权准确地定价,即具有实际背景又具有理论意义。因而,近年来期权定价的研究均致力于构建克服B-S期权定价模型缺陷的替代模型。学者们尝试构造具有独立同分布增量的Lévy过程来替换布朗运动。使用Lévy族分布函数能捕获金融收益分布的尖峰、厚尾特征,尤其是股指的跳跃特征和收益率分布的非对称特征。为刻画资产收益率的随机波动特征,将均值回复的平方根过程嵌入到模型中,同时引入一类调和稳定Lévy分布模型,构建起调和稳定Lévy分布下的随机波动模型。调和稳定Lévy分布下的随机波动模型拓展了原有的随机波动模型框架,可以为衍生品定价和风险管理提供广泛的建模思路。同时,金融自由化背景下的股票市场风险成为实务界、学术界和监管机构的关注对象。金融衍生品市场环境的变化、波动等因素,会导致衍生品价值的波动,进而引起股市发生剧烈波动。因此,使用所构建的新模型对金融市场进行风险评估具有现实意义。将所重构的调和稳定Lévy分布下的随机波动模型进一步应用到风险管理领域。针对股指收益率时间序列的尖峰厚尾特征和异方差现象,在风险价值VaR与条件风险价值CVaR的实证研究中,先后引入了调和稳定Lévy分布与随机波动模型进行风险测度,进而引入copula连接函数讨论Lévy-copula模型下的多目标投资组合优化问题。随着信息技术的快速发展和经济全球化的不断深入,以互联网通讯技术为基础的电子化交易市场已成为金融市场的主要组织形式,分析高频数据中包含的证券价格短期行为和动态特征对投资者改进期权交易策略、提高风险管理能力至关重要。本文将结合低频数据与高频数据,研究标的资产价格过程服从调和稳定Lévy分布下随机波动过程的期权定价和风险管理问题。考虑到股指收益时间序列的跳跃、波动特征分析对股指期权定价、风险测度研究至关重要,先采用非参数检验对资产价格过程的路径特征展开分析。然后分别基于离散时间框架和连续时间框架下的Lévy随机波动模型进行欧式期权和美式期权定价的实证研究,接着利用调和稳定Lévy随机波动模型进行风险测度和多目标投资组合优化研究。具体内容如下:（1）基于非参数统计方法,利用考虑金融资产价格跳跃和杠杆效应的时点波动估计方法修正已实现阈值幂变差,构造甄别跳跃的检验统计量,对金融资产价格中的随机波动、有限活跃跳跃和无限活跃跳跃等跳跃活动率问题进行综合研究。为同时吸收波动率的异方差集聚效应和收益率的非对称效应,对原有的已实现波动率异质自回归预测模型（HAR-RV）进行拓展,将非对称的异质性自回归模型的误差项设定为GARCH模型,以考察跳跃波动序列与连续波动序列之间的复杂关系。利用沪深股指高频数据进行实证研究,包括进行跳跃识别,跳跃活动程度检验和波动率预测效果对比。研究发现:股指同时存在跳跃,随机波动和布朗运动成分,连续性波动在股指波动中占据主体,突发性跳跃成分占比较小。其中,跳跃构成成分中无限活跃的小型跳跃居多,有限活跃的大型跳跃较少。（2）假设新息随机因子服从非高斯Lévy分布,将反映金融资产高阶矩偏度和峰度特征的NGARCHSK模型与刻画金融资产价格变化纯跳跃现象的Lévy过程相结合,描述了资产收益率无限跳跃情形下的时变性,以有效捕获金融资产收益率尖峰有偏和杠杆效应。收益率时间序列分析验证了 Lévy分布刻画尖峰厚尾能力的优越性。结合波动率的高阶矩特征进行等价鞅测度变化,对我国内地首只股票期权进行定价,对比了数值积分的cosine定价方法与采用从属过程蒙特卡洛模拟定价方法的效率。研究发现:非高斯Lévy分布恰当地刻画了金融数据尖峰有偏的统计特性。其中,调和稳定模型拟合的效果最佳,准确地捕捉了金融数据尖峰和肥尾程度。（3）为同时捕获金融收益率分布的尖峰、厚尾、有偏特性及波动率扩散中的异方差效应、集聚效应,联合刻画股价动态演变中的无限跳跃变化,将无限活跃纯跳跃Lévy分布中的经典调和稳定分布（CTS）引入平方根CIR模型为基础的随机波动率（SV）过程,建立了经典调和稳定分布下的随机波动（CTSSV）模型,重构了纯跳跃Lévy分布驱动的随机波动（LVSV）模型框架。利用LVSV模型特征函数表达式,采用分数阶快速傅里叶变换（FRFT）方法推导了欧式期权定价公式。由于模型参数众多和目标函数高维积分困难,提出了多区域自适应粒子群优化算法（MAPSO）估计LVSV模型参数。利用FRFT技术和MAPSO参数估计结果,使用CTSSV模型和方差伽马随机波动（VGSV）模型对恒生指数期权数据进行欧式期权定价和方差-最优期权套期保值。研究发现,相比于VGSV模型,CTSSV模型期权定价和套期保值误差更小,用于衍生品建模和套期保值效果更稳健。MAPSO算法增加了粒子多样性,用于参数估计估计精度提高。（4）假设股票价格过程服从时变调和稳定Lévy过程,提出了美式期权定价的新方法。将随机时间变化嵌入到正态调和稳定分布中,构建了调和稳定随机波动模型。新模型在允许基础资产无限活跃跳跃的同时能捕获随机波动率的随机时变性,因此适合于反映金融收益率的实证现象,如尖峰厚尾、有偏性和波动率集聚效应等。利用傅里叶-cosine技术计算美式期权,使用改进的粒子群优化算法进行参数校正。为论证所构建模型的有效性,使用金融市场美式期权实际数据进行了实证研究。实证研究表明时变调和稳定过程在美式期权定价拟合中具有灵活的结构,既包含跳跃成分又允许波动率动态的存在。将平方根时间变化引入到调和稳定分布中能有效地提高美式期权定价的效果。（5）金融市场基础资产收益率时间序列呈现出尖峰厚尾、非对称、集聚效应和异方差属性,应用调和稳定Lévy过程驱动的随机波动模型构建起时变调和稳定Lévy过程（TSSV）进行金融风险测度和投资组合调整。利用解析的特征函数和快速傅里叶变换（FFT）技术,得到了收益率概率密度函数的解析形式,进而推导出了 TSSV模型下的风险价值VaR条件风险价值CVaR的计算公式。最后,为预测极值事件和市场波动性,对恒生指数进行实证研究,利用TSSV模型测度风险,并基于风险调整的收益风险股票选择准则构建投资组合。对恒生指数VaR和CVaR风险预测进行后验分析发现,TSSV模型在风险度量中具有良好的预测能力,适合于进行金融风险测算。（6）考虑到证券投资组合优化中金融资产收益率分布的尖峰厚尾特性和多项基础资产变量之间非线性的相依结构,以调和稳定分布为边际分布,以copula函数描述变量间相关性,在投资组合优化的背景下提出了调和稳定分布下带copula相依结构的多目标投资组合优化模型,研究TS分布与不同copula函数耦合下的建模能力。所提出的多目标投资组合优化旨在最大化收益的同时最小化风险,寻找非占优Pareto前沿。进而使用三种多目标优化算法NSGA-Ⅱ、SPEA-Ⅱ和MOPSO算法求解带约束的TS copula多目标投资优化问题,并对我国沪市股指成分股和沪深股指收益率进行了实证应用分析。实证研究发现,金融资产收益率不符合正态分布,风险相依性呈现非对称结构,基于粒子群的多目标智能优化算法适合于求解TS-copula类型的多目标投资组合问题。最后,总结了全文的结论,指出了研究的局限和未来的研究方向。
杨文昱[8]（2016）在《基于不同频率数据的套期保值与投资组合理论与实证研究》文中提出随着现代信息与计算科学技术的快速进步与经济全球化进程的不断深入,金融市场在近几十年发展迅猛,以互联网等通讯技术为基础的电子化交易市场成为最主要的金融市场组织形式。金融市场数据的存储与处理的成本不断降低,海量数据被妥善地采集、存储和处理,数据的频率、精度和可靠性也越来越高。传统市场统计数据主要以日、周、月、年等典型频率记录,称之为低频数据；高频数据指以秒、分钟或小时为频率收集的日内数据,即在交易所开盘时间与收盘时间之间的交易数据。高频数据较完整地记录了证券的交易过程,能够提供低频数据忽略掉的重要细节,是探索证券价格的短期行为和动态特征的利器。高频数据在增进投资者理解证券或资产类别的特征与市场的整体运作特点、减少交易成本和增加交易的灵活性、发现和改进投资与交易策略、提高风险管理能力和投资决策质量等方面的作用越来越大。高频数据在欧美等成熟金融市场中被广泛使用,各种基于高频数据的日内交易策略层出不穷。目前高频数据在中国金融市场的应用主要集中在期货市场,而股票市场现有的交易制度不允许当日回转交易,无法直接运用日内交易策略。尽管如此,高频数据能够提供大量关于证券价格波动的信息,在进行投资决策时整合这些信息可能会提高以日或者更低频率的投资决策质量,从而创造额外的经济价值。在此背景下,本文将结合低频数据与高频数据分析有代表性股票指数以及股指期货等资产价格过程的波动与跳跃特征,分析资产收益与波动的互动关系。此外,本文还将探讨动态期货套期保值策略的设计与实施、动态投资组合的构建与评价等重要金融决策问题。本文结合金融理论建模与实证分析,遵循从简单到复杂的研究策略,获得的主要研究成果包括：（1）在伊藤半鞅框架下采用非参数模型设定检验对资产价格过程的路径特征展开实证分析。为减少市场微观结构噪声以及观测等价性问题对实证结果的干扰,本文选择流动性强、影响范围广、高频数据的时间跨度大的证券作为实证研究对象,系统地分析实证结果对检验自由参数的稳定性。以沪深300股指期货为研究对象的实证结果表明,沪深300股指期货价格过程包含扩散项、有限活动跳跃项以及无限活动跳跃项。（2）构建了带随机杠杆的随机波动模型（SV-SL模型）来考察资产收益与波动之间复杂的互动关系。SV-SL模型是非线性状态空间模型,能够刻画资产收益与波动关系的随机时变性。为有效地估计SV-SL模型,结合全天已实现波动率替代真实波动率和有效重要性抽样方法设计了模拟极大似然估计方法。基于上证综合指数和深证成份指数数据的实证结果表明：中国股票市场收益与波动关系具有显着的随机时变性,杠杆效应并不显着；收益与波动关系的方向性与股票市场行情存在密切联系,熊市阶段存在显着的杠杆效应,牛市阶段存在显着的反向杠杆效应。这些研究结论解释了基于标准带杠杆随机波动模型的实证结果和基于GARCH族模型的实证结果的冲突性。（3）系统分析了单期期货套期保值策略及其绩效评价方法,推导了三类建模变量（期货与现货的价格改变量、简单收益率和对数收益率）下最小方差套期保值比率的等价公式,设计了基于高频数据的最小方差套期保值比率估计方法和套期保值绩效评价指标。为克服传统套期保值绩效评价指标的局限性,借助多模型评价理论与统计决策理论建立了比较多种套期保值策略的统计推断框架。（4）在均值-方差分析框架下建立了考虑逐日盯市制度的多期期货套期保值模型。为克服均值-方差分析在多期问题中存在的时间不一致性,探讨了时间一致性最优套期保值策略和带承诺最优套期保值策略的求解方法,得到了确定多期最优策略的递推公式。此外,在期望效应最大化框架下,通过对期货和现货价格过程施加限制,得到了多期最优策略不依赖于效用函数的充分条件,对比分析了近视动态策略、静态策略与最优策略,说明了整个套期保值期间统筹规划的重要性。（5）研究了考虑资产收益时序相关性的多期均值-方差投资组合优化问题,分别推导出了只投资于风险资产与可投资于无风险资产两种情形下时间一致性最优投资策略；在资产收益线性可预测性条件下,开展多期投资组合策略的实证研究。选择有代表性的投资期数、风险厌恶系数、无风险利率等参数,结合理论结果与数值仿真方法得到了多期投资策略终止时刻财富的经验分布函数,进一步计算了终止时刻财富的确定性等价值和夏普比率等绩效评价指标。实证结果表明,与不考虑资产收益可预测性的投资策略相比,考虑资产收益可预测性的投资策略能为投资者创造显着的经济价值。
李丹[9]（2015）在《中国股指期货与股票指数的动态相关性及动态套期保值比率研究》文中提出为了适应和推进我国的金融体制改革、发展各种金融市场,并给投资者提供一种在股票市场中可以对冲风险的工具,中国金融期货交易所于2010年4月16日对以沪深300股票指数作为标的物的期货合约正式开始挂牌交易。沪深300股指期货合约是我国正式推出的首个金融期货,股指期货的产生开启了我国股票市场的一个新时代。对我国的股票指数和股指期货进行全面的、动态的研究具有很强的现实意义和一定的理论价值。本文从时变的角度、以我国股指期货和股票指数的动态相关性和动态套期保值比率为主题,对股指期货和现货的动态相关结构的构建、相关程度的度量、期货和现货收益波动率的度量和预测,以及对期货和现货的波动率与基差、波动率与时变相关性之间的动态影响关系,动态套期保值比率进行了深入的探讨和实证分析,力求动态的刻画我国股指期货和现货之间的相关性、探寻动态相关性的影响因素、度量股指期货和现货收益波动率以及探寻最优套期保值比率,为市场管理者和投资者提供参考,并为我国已上市的国债期货和还未上市的利率期货等《金融业发展和改革“十二五”规划》中提及的金融衍生品的有关研究提供参考和借鉴,以此为十二五规划的实现、十三五金融改革方向的确立贡献绵薄之力。第一部分对沪深300股票指数和股指期货两个时间序列的样本数据进行了基本的统计描述,包括这两个金融资产的价格序列和收益序列的正态性、平稳性,两个价格序列之间的协整性,两个收益序列的ARMA均值模型的识别以及残差的ARCH效应检验。结果表明,股指期货和股票指数的价格序列都是非平稳序列,两者之间存在着协整关系;两个收益序列都满足弱平稳的条件,并且呈现出尖峰厚尾、非正态性的特征;股指期货和股票指数的收益均服从ARMA（0,0）的均值模型,其残差具有ARCH效应。这些基本的统计分析刻画了股指期货和股票指数两个金融资产的价格和收益时间序列的数据特点,同时表明传统的度量相关性的方法将不太适用当今的许多金融变量,这部分为后续章节中统计模型的建立提供必要的参考和依据。第二部分介绍了能够刻画非正态性、非线性相关结构的copula模型,并基于九种常参数copula模型对股指期货和股票指数收益的联合分布建模,发现t-copula,SJC-copula,Rotated Gumbel copula以及Normal copula四种模型要优于其它的五种常参数模型;把这四种copula模型的常参数扩展为随着时间变化的时变参数,进而建立了四种时变copula模型,其中拟合效果相对最好的是时变t-copula模型,基于该模型度量了股指期货和股票指数的动态相关性,得到了股指期货和现货两市场收益之间时变相关系数的动态演变方程,并分析了相关性与价格基差之间的关系。结果表明,时变copula模型均比常参数copula模型的拟合效果要更佳,我国股指期货市场与现货市场之间确存在着一种动态的、具有一定持续性的相关关系,两市场之间的协整关系使得在市场的波动下两市场之间的相关性不会持续的增强,或者持续的减弱,而是围绕在其均值附近变化;股指期货和现货的动态相关性除了受到金融资产价格的影响之外,还与两个资产价格基差的波动有很大关系,在股指期货和现货的价格暴跌、暴涨时期或者价格基差发生较强的波动时,期货和现货两市场的收益的相关性将会明显减弱。那么,对于投资者而言,当期货和现货相关性程度发生改变时,套期保值策略也应做出相应的调整。这部分的相关性动态模型的确立也将为后续的动态套期保值模型的选择和建立提供依据。第三部分为了更准确的刻画股指期货和股票指数的收益波动率的特点,挖掘预测波动率的信息。文中对比了GARCH,GARCH-M,EGARCH三种代表不同特点的模型分别在三种残差分布假设下的波动率模型的拟合效果,并确立了股指期货和现货各自的波动率模型,度量出了历史数据上各时点处的波动率。基于选取的2014年6月至2014年12月这段预测时间区间的日交易数据,对股票指数和股指期货收益的波动率进行了样本内的预测、样本外向前多步预测、样本外向前一步滚动预测,得到了波动率的三种预测值;基于预测时段的高频数据,计算得到了已实现波动率,通过建立已实现波动率与三种预测波动率之间的单变量、双变量和三变量的回归模型来探讨三种预测波动率中预测信息的含量。确立的股票指数收益波动率模型表明,残差服从有偏学生t分布的波动率模型拟合效果要优于文中的其它模型;股票指数收益序列中难以实证支持“杠杆效应”,即股票指数收益波动率对“利好”和“利空”消息的反应是对称的;股票指数收益波动率与预期收益率之间的关系是不显着的,并且其收益序列对于外部的冲击的效应反应较慢。确立的股票期货收益波动率模型表明,股指期货波动率对收益具有一定的反馈效应,波动率越大,股指期货收益率的期望值越大,并且收益波动的影响效应具有较强的持续性,市场上出现大的波动将很难在短期内马上消除。已实现波动率与三种预测波动率之间的多个回归模型表明,不论股票指数还是股指期货,收益波动率的样本外向前一步滚动预测相比另外两种预测波动率,含有的预测信息最多。这一章通过确立波动率模型得到的波动率也将为下文的波动率的动态影响因素分析和动态最优套期保值比率的计算做好了准备工作。第四部分基于第二部分度量的时变相关系数和第三部分度量的股指期货和现货的收益波动率,创新性的将时变参数向量自回归模型（TVP-VAR）引入到金融市场指标的动态影响因素的研究中,得到了股指期、现货收益波动率与基差三者之间的脉冲响应动态演化过程,以及股指期、现货收益波动率与时变相关系数三者之间的脉冲响应动态演化过程,分析了期、现货波动率与基差,期、现货波动率与时变相关系数的动态相互影响关系。实证表明,在2011年之后,股指期货和现货的两个收益波动率之间存在着正的相互影响作用,而且股指期货收益波动率的冲击的影响作用要远小于现货波动率的冲击;基差的冲击对股票指数和股指期货的波动率的影响与外部的经济环境关系密切,在市场不太乐观时期,基差的波动会导致波动的增加,而在市场比较乐观时期,基差的波动反而会使得股票指数收益的波动率减少;当期货和现货两市场的相关性增强的时候,股票指数和股指期货的收益波动率会减弱,市场会更加稳定。第五部分基于传统的线性回归模型、经典的双变量GARCH以及时变copula-GARCH三类模型计算最优套期保值比率,对每种模型计算的套期保值比率,分别构造了当期、下期和隔期三种套期保值组合,综合评价了不同套期保值模型在不同套期保值组合下的套期保值效果。结果表明,文中动态的套期保值模型比传统的静态模型在套期保值的效果方面表现的更佳;从套期保值组合收益方差最小的角度,ECM-DCC-GARCH模型在动态的套期保值效果方面表现的最好;从套期保值组合的平均收益最大的角度,时变copula-ECM-GARCH模型在动态的套期保值效果方面表现的最好;在当期、下期和隔期的套保组合中,普遍的当期的套期保值组合要优于其余两种滞后的套期保值组合。本文的主要贡献和创新在于从时变的角度动态的研究了股票指数与股指期货的动态相关性,得到了动态相关性的演变方程和特点,并分析了影响动态相关性的因素;创新性的应用了TVP-VAR模型分析了波动率与基差、波动率与时变相关性的动态相互影响关系,从基差和相关性两个角度分析波动率变化的规律;基于动态相关关系构建了时变copula-ECM-GARCH模型,得到了使得平均收益相对最大的动态套期保值比率。
段丹丹[10]（2014）在《基于高频数据的沪深300股指期货套期保值模型研究》文中研究说明股票市场上主要有系统风险和非系统风险两类，非系统风险可以通过资产组合进行规避，而系统风险无法通过资产多元化规避。2010年4月16日沪深300股指期货合约在中金所正式上市，股指期货具有期货的套期保值功能，能够对股票市场的系统风险进行规避。采用沪深300股指期货进行套期保值的核心问题就是套期保值比的确定。在股指期货套期保值比模型中，现有研究主要分为静态套期保值模型和动态套期保值模型，根据国内外学者对套期保值比模型的研究，发现动态套期保值比模型优于静态套期保值比模型。目前，动态套期保值比模型主要利用均值-GARCH类模型进行估计，这些模型大都基于低频收益率数据。随着计算机技术的发达，国内高频数据的获取越来越容易，与低频数据相比较，高频数据包含了更多的市场信息，且随抽样频率的增加，高频数据所包含的信息越多。因此，本文将以沪深300股指期货为例，基于高频数据估计的已实现波动率矩阵对沪深300股指期货套期保值模型群进行实证研究，以期构建一个适合于新兴市场股指期货套期保值模型群。本文首先对沪深300指数和沪深300股指期货价格波动的非对称性和跳跃性进行研究，并对沪深300指数和股指期货的价格序列、基差序列进行统计分析；然后在采用MRK对已实现波动矩阵进行修正的基础上，构建均值-CAW模型和均值-CAW-HAR模型，并分析模型的随机性质；接着从基于方差最优、组合VaR最优和组合CVaR最优三个目标函数中得到股指期货套期保值比向量解析式，在向量解析式中需要知道沪深300指数和股指期货的条件均值和条件协方差矩阵，这些变量将采用均值-CAW模型和均值-CAW-HAR模型进行估计；最后采用沪深300指数和沪深300股指期货5分钟高频数据从风险最小化、效用最大化和资产组合收益率的VaR值三个评价指标对均值-CAW模型、均值-CAW-HAR模型和均值-BEKK模型的套期保值效果进行比较，得出以下结论：第一，沪深300指数和沪深300股指期货的价格走势基本相同，存在着协整关系，有利于进行股指期货的套期保值研究。第二，沪深300指数和沪深300股指期货的收益波动率具有非对称性和跳跃性，沪深300指数的非对称性大于沪深300股指期货的，沪深300股指期货的波动跳跃频率高于沪深300指数的，股指期货市场的波动性大于现货市场。第三，对利用已实现波动率矩阵建模的均值-CAW模型和均值-CAW-HAR模型与利用收益率序列进行建模的均值-BEKK模型的套期保值效果进行比较，发现考虑异质市场假说的均值-CAW模型的套期保值效果最优，其次是均值-CAW模型，最后是均值-BEKK模型。第四，从方差最优、组合VaR最优和组合CvaR最优三个目标函数的套期保值效果进行比较，发现基于组合CvaR最优的套期保值比和其套期保值效果比较稳定，且随着置信水平的增加而逐渐趋近于方差最优的套期保值比的套期保值效果；当考虑效用最大化和资产组合收益率VaR值时，基于组合VaR最优的套期保值比的套期保值效果好；当考虑风险最小化时，基于方差最优和组合CVaR最优的套期保值效果好。
二、股票指数期货套期保值原理建模及其应用（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、股票指数期货套期保值原理建模及其应用（论文提纲范文）
（1）GAS框架下的投资组合风险测度与优化研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 导论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 研究的主要内容与技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.4 研究的主要创新和不足 |
| 1.4.1 理论方法的创新 |
| 1.4.2 实证方法的创新 |
| 1.4.3 可能存在的不足 |
| 第2章 GAS理论框架发展及投资组合理论基础与文献综述 |
| 2.1 GAS理论框架研究和应用 |
| 2.1.1 观察值驱动模型与参数驱动模型 |
| 2.1.2 广义回归得分模型框架的提出与应用 |
| 2.2 投资组合风险测度研究 |
| 2.2.1 风险测度理论方法的选择与组合测度研究 |
| 2.2.2 基于高频数据的投资组合的风险测度问题 |
| 2.3 投资组合优化研究 |
| 2.3.1 投资组合理论的提出 |
| 2.3.2 经典投资组合理论下投资组合优化的研究分支 |
| 2.3.3 期现货投资组合套期保值优化问题 |
| 2.4 研究述评 |
| 第3章 GAS理论框架及其在金融时间序列的风险测度的应用 |
| 3.1 GAS理论框架 |
| 3.1.1 GAS框架模型的基本设定 |
| 3.1.2 GAS框架模型的估计 |
| 3.1.3 GAS框架模型的再参数化 |
| 3.1.4 模型的辨识问题 |
| 3.2 基于GAS框架的GARCH模型改进 |
| 3.2.1 GAS-GARCH-sst模型的构建 |
| 3.2.2 基于GAS框架的GAS-GARCH-sst风险测度模型的构建 |
| 3.3 基于GAS框架的金融资产风险测度与预测 |
| 3.3.1 数据的选择 |
| 3.3.2 描述性统计 |
| 3.3.3 数据的检验 |
| 3.3.4 模型的估计结果与受极端观察值影响对比 |
| 3.3.5 金融时间序列的VaR预测 |
| 3.3.6 金融时间序列的VaR预测效果对比 |
| 3.4 附录:GAS-GARCH-sst模型的估计结果 |
| 3.5 本章小结 |
| 第4章 基于R-Vine-Copula-GAS的投资组合测度与优化 |
| 4.1 Vine Copula理论 |
| 4.1.1 Copula函数的定义 |
| 4.1.2 Pair Copula的构建与R Vine |
| 4.1.3 Vine-Copula的数组表示方式 |
| 4.1.4 R-Vine Copula密度的估计 |
| 4.1.5 R-Vine分布的选择 |
| 4.2 基于GAS框架的投资组合风险测度分析 |
| 4.2.1 样本数据的选择与预处理 |
| 4.2.2 MST-PRIM算法下的R-Vine结构 |
| 4.2.3 R-Vine Copula的参数估计结果 |
| 4.2.4 单一资产的边缘分布估计 |
| 4.2.5 GAS-R-Vine-Copula模型的仿真模拟与风险预测方法设定 |
| 4.2.6 基于GAS框架下的投资组合VaR比较分析 |
| 4.3 GAS框架下的R-Vine-Copula多维资产组合优化模型 |
| 4.3.1 Markowitz的投资组合理论 |
| 4.3.2 Mean-VaR投资组合 |
| 4.3.3 Mean-CVaR的投资组合 |
| 4.3.4 最小VaR投资组合和最小CVaR投资组合的有效前沿 |
| 4.3.5 GAS框架下的投资组合优化效果比较 |
| 4.4 本章小结 |
| 第5章 基于GAS框架的高频多元资产波动率模型的设计与应用 |
| 5.1 Wishart-GARCH模型 |
| 5.1.1 模型的假设 |
| 5.1.2 GAS框架下的模型优化 |
| 5.1.3 模型的估计 |
| 5.2 基于GAS-Wishart-Realized-GARCH模型的高频多元资产波动率的实证研究设计 |
| 5.2.1 数据的选取与高频数据清洗 |
| 5.2.2 基于刷新时间抽样的样本调整 |
| 5.3 基于GAS-Wishart-Realized-GARCH模型的高频多元资产波动率的估计结果分析 |
| 5.3.1 基于子抽样的降噪方法 |
| 5.3.2 GAS-Wishart-Realized-GARCH模型的估计结果分析 |
| 5.4 基于GAS-Wishart-Realized-GARCH模型的高频多元资产波动率预测能力比较分析 |
| 5.4.1 基于样本外数据的降噪技术的完善 |
| 5.4.2 评价预测效果的损失函数 |
| 5.4.3 样本外GAS-Wishart-Realized-GARCH模型的估计结果 |
| 5.4.4 GAS-Wishart-Realized-GARCH模型和EWMA模型预测效果比较 |
| 5.5 本章小结 |
| 第6 章 基于GAS框架的期现货投资组合的套期保值优化 |
| 6.1 期现货套期保值的理论基础和模型设计 |
| 6.1.1 套期保值理论 |
| 6.1.2 基于GAS框架的极值Copula函数模型 |
| 6.1.3 最优套期保值比率比较模型的选择 |
| 6.2 基于GAS框架下的期现货投资组合套期保值优化的实证研究 |
| 6.2.1 数据的选取与预处理 |
| 6.2.2 样本数据的描述性统计 |
| 6.2.3 样本数据的基本检验结果 |
| 6.3 基于GAS框架的期现货投资组合套期保值比率的估计结果分析 |
| 6.3.1 各模型的估计结果 |
| 6.3.2 动态最优套期保值比率估计结果比较 |
| 6.4 GAS框架下的期现货投资组合最优套期保值比率的比较与选择 |
| 6.4.1 套期保值效果的评价方式 |
| 6.4.2 各模型的套期保值效果结果比较 |
| 6.5 本章小结 |
| 第7 章 结论、建议与研究展望 |
| 7.1 主要结论 |
| 7.2 研究和投资实践建议 |
| 7.3 研究展望 |
| 参考文献 |
| 攻读博士学位期间学术研究成果 |
| 致谢 |
（2）基于相对价格的沪深300股票投资组合研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的及意义 |
| 1.3 国内外研究现状 |
| 1.3.1 现货市场中投资组合模型的风险控制 |
| 1.3.2 期货市场风险控制研究 |
| 1.4 本文研究框架 |
| 1.5 研究成果 |
| 第二章 基于相对价格收益率模型及VaR的研究 |
| 2.1 理论及模型的介绍 |
| 2.1.1 相对价格定义 |
| 2.1.2 收益率定义 |
| 2.1.3 模型的理论介绍 |
| 2.1.4 相对价格收益率的时间序列建模 |
| 2.1.5 VaR的测算 |
| 2.2 基于沪深300股票相对价格收益率分布模型的研究 |
| 2.2.1 相对价格收益率分布的正态分布及t分布检验 |
| 2.2.2 相对价格收益率的模型研究 |
| 2.2.3 时间序列建模及测算VaR的实证研究 |
| 2.3 小结 |
| 第三章 VaR风险控制体系下相对价格的投资组合模型 |
| 3.1 VAR风险控制体系的建立 |
| 3.2 构建相对价格投资组合μ_S-VaR_S模型 |
| 3.2.1 选股准则 |
| 3.2.2 建立投资组合模型 |
| 第四章 大盘牛熊的判别研究及检验 |
| 4.1 原先指标的实际研究 |
| 4.1.1 技术指标确定 |
| 4.1.2 综合指标的构造 |
| 4.2 综合指标改进的实际研究 |
| 4.2.1 新指标的引入 |
| 4.2.2 新综合指标的建立 |
| 4.3 新综合指标的检验 |
| 4.4 小结 |
| 第五章 套期保值研究 |
| 5.1 短期最优套保比率模型的研究 |
| 5.1.1 构建ECM误差修正模型具体研究思路 |
| 5.1.2 短期最优套保比率计算研究 |
| 5.2 长期套期保值比率研究 |
| 第六章 套利模型的构建以及预测 |
| 6.1 建立套利模型 |
| 6.1.1 相关性检验 |
| 6.1.2 平稳性检验 |
| 6.1.3 建立套利模型 |
| 6.2 价格条件VAR的测算 |
| 第七章 基于相对价格的沪深300股票在现货市场和期货市场实证模拟研究 |
| 7.1 现货市场投资组合理论研究与实证 |
| 7.1.1 投资组合建立步骤股票配置的制度约束 |
| 7.1.2 基于时间序列建模投资组合实证模拟 |
| 7.1.3 基于投资组合μ_S-VaR_S模型实证模拟 |
| 7.1.4 小结 |
| 7.2 期货市场中的实际模拟操作 |
| 7.2.1 套利模型的实证研究 |
| 7.2.2 套期保值的实证研究 |
| 7.3 大类资产配置研究 |
| 7.4 小结 |
| 第八章 结论 |
| 参考文献 |
| 附录 |
| 附录 A 相对价格收益率的模型研究(基于2009—2014数据) |
| 附录 B 连续相对价格收益率时间序列建模及VAR预测 |
| 附录 C 离散相对价格收益率时间序列建模及VAR预测 |
| 在学期间的研究成果 |
| 致谢 |
（3）燃煤发电项目双因素风险分析及期货对冲模型研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究的背景和意义 |
| 1.1.1 研究的背景 |
| 1.1.2 研究的意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 主要研究内容及技术路径 |
| 1.3.1 主要研究内容 |
| 1.3.2 研究技术路径 |
| 1.4 主要创新点 |
| 第2章 相关基础理论研究 |
| 2.1 波动理论 |
| 2.1.1 经济波动理论 |
| 2.1.2 价格波动理论 |
| 2.1.3 宏观经济变量波动周期基本分析法 |
| 2.1.4 经济变量波动周期分析的滤波法 |
| 2.2 期货市场相关理论 |
| 2.2.1 动力煤价格指数 |
| 2.2.2 期货价格理论 |
| 2.2.3 期货价格和现货价格关系 |
| 2.2.4 煤炭期货套期保值理论 |
| 2.3 协整理论 |
| 2.4 状态空间模型基本理论 |
| 2.4.1 状态空间模型概念及构成 |
| 2.4.2 状态空间模型的类型 |
| 2.5 本章小结 |
| 第3章 燃煤发电项目双因素风险分析 |
| 3.1 我国煤炭及燃煤发电现状分析 |
| 3.1.1 煤炭供给状况分析 |
| 3.1.2 燃煤发电行业现状分析 |
| 3.2 影响燃煤火力发电量因素分析 |
| 3.2.1 影响火力发电量的一般因素分析 |
| 3.2.2 火力发电量影响双因素分析 |
| 3.2.3 煤炭价格、火力发电量、煤炭库存量之间的关系分析 |
| 3.3 燃煤发电项目双因素风险定义及风险因素分析 |
| 3.3.1 燃煤发电项目双因素风险定义 |
| 3.3.2 煤炭价格波动对火电项目经营风险因素分析 |
| 3.3.3 新能源替代波动因素及风险分析 |
| 3.4 本章小结 |
| 第4章 煤炭期货套期保值策略研究 |
| 4.1 煤炭现货市场 |
| 4.1.1 煤炭国际现货市场 |
| 4.1.2 煤炭国内现货市场的特点 |
| 4.2 煤炭期货市场 |
| 4.2.1 国际煤炭期货市场 |
| 4.2.2 国内煤炭期货市场 |
| 4.3 煤炭期货套期保值利益分析及操作步骤 |
| 4.3.1 煤炭期货套期保值参与者利益分析 |
| 4.3.2 煤炭期货套期保值操作策略 |
| 4.4 基差及煤炭期货风险对冲 |
| 4.4.1 基差概念 |
| 4.4.2 期货风险对冲 |
| 4.5 煤炭期货套期保值风险管理 |
| 4.5.1 煤炭期货套期保值存在的风险因素分析 |
| 4.5.2 煤炭期货套保操作的风险管理 |
| 4.6 本章小结 |
| 第5章 基于双因素风险的期货对冲模型构建 |
| 5.1 模型构建总体设计 |
| 5.2 燃煤火电项目双因素关联性模型研究 |
| 5.2.1 煤炭价格对火力发电量影响的理论模型 |
| 5.2.2 煤炭价格对煤炭库存量影响的理论模型 |
| 5.2.3 价格波动、新能源发电量波动对火力发电量影响的理论模型 |
| 5.2.4 煤炭期货价格与现货价格联动关系理论模型 |
| 5.3 煤炭最优库存与期货套期保值对冲策略模型 |
| 5.3.1 煤炭实际库存与虚拟库存模型的思想基础 |
| 5.3.2 煤炭实际与虚拟库存模型的建立 |
| 5.3.3 煤炭实际库存与虚拟库存模型的应用 |
| 5.3.4 煤炭期货对冲模型 |
| 5.4 模型特点介绍 |
| 5.5 本章小结 |
| 第6章 燃煤发电双因素风险及期货对冲模型实证与应用 |
| 6.1 燃煤发电项目双因素风险及期货对冲模型实证分析 |
| 6.1.1 数据收集与整理 |
| 6.1.2 煤炭价格对火力发电量影响模型的实证分析 |
| 6.1.3 煤炭价格对库存量影响的实证分析 |
| 6.1.4 价格波动、新能源发电不稳定对火力发电影响的实证分析 |
| 6.1.5 煤炭期货价格与现货价格联动关系的实证分析 |
| 6.2 煤炭期货套期保值对冲策略案例应用分析 |
| 6.2.1 燃煤火电项目案例简介 |
| 6.2.2 煤炭现货库存和与期货虚拟库存安排 |
| 6.2.3 煤炭现货期货对冲交易 |
| 6.2.4 煤炭现货期货对冲交易收益分析 |
| 6.2.5 煤炭期货等量对冲策略算例 |
| 6.3 本章小结 |
| 第7章 研究成果和结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 攻读博士期间参加的科研工作 |
| 致谢 |
| 作者简介 |
（4）高频数据在风险最小化套期保值比例估计的应用 ——基于TVM-Copula Realized-GARCH类模型（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 引言 |
| 1.1 选题背景和意义 |
| 1.2 研究内容 |
| 1.3 研究创新 |
| 1.4 文章结构 |
| 第二章 文献综述 |
| 2.1 已实现波动方法 |
| 2.2 Copula理论 |
| 2.3 套期保值 |
| 2.4 文献评述 |
| 第三章 风险最小化套期保值比模型相关理论基础 |
| 3.1 金融时间序列建模方法 |
| 3.2 已实现波动方法 |
| 3.2.1 波动率的已实现测度 |
| 3.2.2 高频时间序列模型 |
| 3.3 Copula理论 |
| 3.3.1 Copula模型概述 |
| 3.3.2 Copula函数 |
| 3.4 套期保值比预测 |
| 3.5 本章小结 |
| 第四章 TVM Copula Realized GARCH模型构建 |
| 4.1 构建时变Copula Realized GARCH模型 |
| 4.1.1 收益率时间序列建模 |
| 4.1.2 时变Copula |
| 4.1.3 高频时变Copula |
| 4.1.4 Copula模型构建及参数估计 |
| 4.2 计算套期保值比 |
| 4.3 套期保值比预测效果评价 |
| 4.4 评价指标统计检验 |
| 4.4.1 DM检验 |
| 4.4.2 MCS检验 |
| 4.5 鲁棒性检验 |
| 4.6 本章小结 |
| 第五章 实证结果与分析 |
| 5.1 样本数据的选择 |
| 5.2 描述性统计 |
| 5.3 全样本模型参数估计及分析 |
| 5.3.1 边缘分布估计 |
| 5.3.2 Copula函数估计 |
| 5.4 样本外套期保值预测效果评价 |
| 5.4.1 已实现估计量的选择 |
| 5.4.2 模型套期保值效果DM检验 |
| 5.4.3 模型套期保值效果MCS检验 |
| 5.5 稳健性检验 |
| 5.5.1 不同市场条件表现 |
| 5.5.2 不同市场结构表现 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 不足与展望 |
| 参考文献 |
| 致谢 |
（5）中国证券市场交易机制与市场质量研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 研究内容和主要创新点 |
| 第二章 文献综述 |
| 2.1 交易机制对市场质量影响的逻辑和机理 |
| 2.2 证券市场质量衡量指标 |
| 2.3 融资融券及其不对称对市场质量的影响 |
| 2.4 股指期货及其交易限制对市场质量的影响 |
| 2.5 计算实验在交易机制有效性评估上的应用 |
| 2.6 文献评述 |
| 第三章 融资融券不对称与股票定价效率:基于理论模型的分析 |
| 3.1 引言 |
| 3.2 模型的设定 |
| 3.3 投资者行为的分析 |
| 3.4 市场均衡结果 |
| 3.5 数值模拟分析 |
| 3.6 理论模型结论 |
| 第四章 融资融券不对称与股票定价效率:基于实证计量的分析 |
| 4.1 引言 |
| 4.2 制度背景 |
| 4.3 实证研究设计及数据说明 |
| 4.4 描述性统计与实证结果分析 |
| 4.5 实证研究结论 |
| 第五章 基于计算实验的融资融券对股票定价效率的影响评估 |
| 5.1 引言 |
| 5.2 计算机仿真实验设计 |
| 5.3 仿真实验结果分析 |
| 5.4 计算实验结论 |
| 第六章 股指期货交易限制与流动性正反馈效应:基于理论模型的研究 |
| 6.1 引言 |
| 6.2 市场条件的设定 |
| 6.3 投资者行为的分析 |
| 6.4 市场均衡结果 |
| 6.5 理论模型结论 |
| 第七章 股指期货交易限制与流动性正反馈效应:基于实证计量的研究 |
| 7.1 引言 |
| 7.2 制度背景 |
| 7.3 实证研究设计及数据说明 |
| 7.4 描述性统计与实证结果分析 |
| 7.5 实证研究结论 |
| 第八章 基于计算实验的异常波动时期股指期货交易限制有效性评估 |
| 8.1 引言 |
| 8.2 市场质量评估和市场结构 |
| 8.3 计算机仿真实验设计 |
| 8.4 仿真实验结果分析 |
| 8.5 计算实验结论 |
| 第九章 结论与未来展望 |
| 9.1 总结 |
| 9.2 未来研究展望 |
| 参考文献 |
| 攻读博士学位期间研究成果与科研情况 |
| 已发表论文 |
| 工作论文 |
| 参与科研项目 |
| 致谢 |
（6）高频环境下基于资产结构的股指期货市场风险度量及防范（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 研究动态综述 |
| 1.2.1 关于股指期货价格波动测度 |
| 1.2.2 关于股指期现货价格相依结构测度 |
| 1.2.3 关于股指期货市场风险度量 |
| 1.2.4 关于股指期货市场风险防范 |
| 1.3 研究视角与思路 |
| 1.3.1 研究视角 |
| 1.3.2 研究思路 |
| 1.4 研究内容与创新 |
| 1.4.1 研究内容 |
| 1.4.2 研究创新 |
| 第2章 股指期货市场风险研究基础与理论分析 |
| 2.1 股指期货市场风险的基本内涵 |
| 2.1.1 投资者的资产结构与市场风险内涵 |
| 2.1.2 股指期货市场风险的特征 |
| 2.2 股指期货市场风险的来源与成因 |
| 2.2.1 股指期货市场风险的来源 |
| 2.2.2 期货单一资产条件下股指期货市场风险的成因 |
| 2.2.3 期现货资产组合条件下股指期货市场风险的成因 |
| 2.3 基于高频价格波动的股指期货市场风险分析框架 |
| 2.3.1 价格波动与股指期货市场风险的关系 |
| 2.3.2 价格波动的高频RV测度 |
| 2.3.3 基于高频价格波动的VaR方法 |
| 2.4 本章小结 |
| 第3章 高频环境下股指期货的价格波动测度 |
| 3.1 股指期货高频价格的统计特征 |
| 3.1.1 样本选取与数据来源 |
| 3.1.2 股指期货高频价格的分布特征 |
| 3.2 股指期货高频RV模型的构建 |
| 3.2.1 经典RV模型的基本结构 |
| 3.2.2 改进RV模型的构建 |
| 3.3 股指期货的高频RV测度的实证 |
| 3.3.1 样本选取与数据来源 |
| 3.3.2 测度结果及分析 |
| 3.3.3 测度效果的比较 |
| 3.4 本章小结 |
| 第4章 期货单一资产条件下股指期货市场风险度量 |
| 4.1 基于高频RV-VaR的市场风险度量模型构建 |
| 4.1.1 WRRV-VaR模型的构建 |
| 4.1.2 RBV-VaR模型的构建 |
| 4.2 基于Monte Carlo模拟的高频RV-VaR模型估计方法 |
| 4.2.1 VaR模型的基本估计方法 |
| 4.2.2 Monte Carlo模拟的估计步骤 |
| 4.3 基于高频RV-VaR的股指期货市场风险度量实证 |
| 4.3.1 样本选取与数据来源 |
| 4.3.2 WRRV与RBV的分布拟合 |
| 4.3.3 度量结果及分析 |
| 4.3.4 度量效果检验 |
| 4.4 本章小结 |
| 第5章 期现货资产组合条件下股指期现货相依结构测度 |
| 5.1 基于高频RV-时变Copula的价格相依结构测度模型构建 |
| 5.1.1 时变Copula函数的基本形式 |
| 5.1.2 基于高频RV的边缘分布拟合方法 |
| 5.1.3 时变Copula函数的设定 |
| 5.1.4 时变相依参数和相关系数的估计方法 |
| 5.2 股指期现货价格相依结构测度实证 |
| 5.2.1 样本数据选取与预处理 |
| 5.2.2 边缘分布拟合结果及分析 |
| 5.2.3 相依结构测度结果及分析 |
| 5.3 测度效果的比较 |
| 5.4 本章小结 |
| 第6章 期现货资产组合条件下股指期货市场风险度量 |
| 6.1 高频RV-时变Copula-VaR模型的构建 |
| 6.1.1 构建机理 |
| 6.1.2 基本构造 |
| 6.2 高频RV-时变Copula-VaR模型的估计与检验方法 |
| 6.2.1 模型估计步骤 |
| 6.2.2 模型度量效果检验方法 |
| 6.3 基于高频RV-时变Copula-VaR的股指期货市场风险度量实证 |
| 6.3.1 样本数据选取与预处理 |
| 6.3.2 度量结果及分析 |
| 6.3.3 度量效果检验 |
| 6.4 本章小结 |
| 第7章 基于资产结构的股指期货市场风险防范对策 |
| 7.1 期货单一资产条件下投资者主动性风险防范策略 |
| 7.1.1 知识储备 |
| 7.1.2 止损操作 |
| 7.2 期现货资产组合条件下投资者套期保值策略 |
| 7.2.1 基本内涵 |
| 7.2.2 模型选择 |
| 7.2.3 市场风险最小化下最优套期保值比率计算 |
| 7.3 市场风险最小化下交易所股指期货保证金设置策略 |
| 7.3.1 原理与机制 |
| 7.3.2 演变与现状 |
| 7.3.3 期货单一资产条件下非套期保值保证金的确定 |
| 7.3.4 期现货资产组合条件下套期保值保证金的确定 |
| 7.4 本章小结 |
| 第8章 股指期货市场风险防范的监管政策建议 |
| 8.1 股指期货市场监管的基本原理与政策内涵 |
| 8.1.1 金融市场监管的理论依据 |
| 8.1.2 股指期货市场监管政策的基本特征 |
| 8.2 股指期货发达市场监管政策的经验借鉴 |
| 8.2.1 美国市场 |
| 8.2.2 英国市场 |
| 8.2.3 中国香港地区市场 |
| 8.3 中国股指期货市场监管政策基本状况分析 |
| 8.3.1 法律与规则 |
| 8.3.2 监管组织与结构 |
| 8.3.3 交易制度及其调整 |
| 8.3.4 跨市场监管及其困难 |
| 8.4 旨在防范股指期货市场风险的监管政策改进 |
| 8.4.1 法律法规体系完善 |
| 8.4.2 监管模式优化 |
| 8.4.3 交易制度补充 |
| 8.4.4 协调机制构建 |
| 8.5 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 附录A 攻读学位期间发表的学术论文目录 |
（7）基于Lévy跳跃过程、随机波动模型的期权定价与风险管理研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 股指跳跃、波动成分识别研究背景和意义 |
| 1.1.2 基于Lévy过程、随机波动的期权定价研究背景与意义 |
| 1.1.2.1 期权市场的发展 |
| 1.1.2.2 基于Lévy过程、随机波动的期权定价理论价值和意义 |
| 1.1.3 基于Lévy过程、随机波动的风险管理研究背景与意义 |
| 1.1.3.1 风险管理的研究背景 |
| 1.1.3.2 基于Lévy过程、随机波动风险管理的理论价值和意义 |
| 1.2 研究内容和研究方法 |
| 1.2.1 研究内容 |
| 1.2.2 研究方法 |
| 1.3 可能的创新点 |
| 1.4 结构框架 |
| 第2章 相关研究文献和理论基础 |
| 2.1 国内外相关文献 |
| 2.1.1 股指跳跃、波动成分识别相关文献 |
| 2.1.2 Lévy过程、随机波动理论与相关文献 |
| 2.1.2.1 Lévy过程相关文献 |
| 2.1.2.2 随机波动模型相关文献 |
| 2.1.3 期权定价模型文献综述 |
| 2.1.3.1 Lévy过程期权定价相关文献 |
| 2.1.3.2 随机波动模型期权定价相关文献 |
| 2.1.3.3 美式期权定价相关文献 |
| 2.1.4 Lévy过程跳跃、随机波动模型的风险管理相关文献 |
| 2.1.4.1 Lévy过程跳跃、随机波动模型的风险测度文献 |
| 2.1.4.2 多维Lévy跳跃-copula模型的风险管理文献 |
| 2.1.5 参数估计的优化算法相关文献 |
| 2.1.5.1 模型参数估计单目标优化算法 |
| 2.1.5.2 投资组合多目标优化算法 |
| 2.1.6 对已有研究的总结 |
| 2.2 相关理论基础 |
| 2.2.1 跳跃、波动甄别检验理论基础 |
| 2.2.2 相关随机过程理论基础 |
| 2.2.2.1 随机分析基础 |
| 2.2.2.2 Lévy过程基本概念 |
| 2.2.3 期权定价基础模型 |
| 2.2.3.1 B-S经典定价模型 |
| 2.2.3.2 跳跃扩散模型基础理论 |
| 2.2.3.3 经典美式期权定价理论 |
| 第3章 基于修正的已实现阈值幂变差的股市跳跃、波动行为研究 |
| 3.1 问题提出 |
| 3.2 基于修正的已实现阈值幂变差的股市跳跃甄别方法 |
| 3.2.1 跳跃甄别统计量构建 |
| 3.2.2 跳跃活动程度检验 |
| 3.3 扩展的已实现波动率预测模型 |
| 3.4 实证研究 |
| 3.4.1 跳跃识别 |
| 3.4.2 波动预测效果 |
| 3.5 本章小结 |
| 第4章 基于Lévy过程高阶矩波动模型的期权定价 |
| 4.1 问题提出 |
| 4.2 Lévy过程时变高阶矩波动模型 |
| 4.2.1 Lévy过程 |
| 4.2.2 非对称时变高阶矩NGARCHSK模型 |
| 4.3 Lévy-NGARCHSK期权定价的cosine方法和蒙特卡洛模拟 |
| 4.4 实证研究 |
| 4.4.1 参数估计 |
| 4.4.2 期权定价 |
| 4.5 本章小结 |
| 第5章 基于改进PSO算法的调和稳定Lévy跳跃下随机波动模型期权定价 |
| 5.1 问题提出 |
| 5.2 无限活跃纯跳跃Lévy过程驱动的随机波动模型 |
| 5.2.1 无限活跃纯跳跃Lévy过程 |
| 5.2.2 随机波动率Lévy过程 |
| 5.3 LVSV模型期权定价的分数阶FFT方法 |
| 5.4 改进的粒子群优化算法 |
| 5.4.1 种群初始化多区域局部搜索 |
| 5.4.2 参数自适应变异 |
| 5.4.3 种群全局自适应变异 |
| 5.4.4 多区域自适应PSO算法流程设计 |
| 5.5 实证研究 |
| 5.5.1 基于MAPSO的LVSV模型期权定价 |
| 5.5.2 LVSV模型的方差最优期权套期保值策略 |
| 5.6 本章小结 |
| 第6章 基于改进PSO算法的调和稳定Lévy跳跃随机波动过程美式期权定价 |
| 6.1 问题提出 |
| 6.2 时变调和稳定Lévy过程 |
| 6.3 Fourier-cosine方法基础的TSSV美式期权定价 |
| 6.4 参数估计的改进PSO算法 |
| 6.5 实证结果 |
| 6.5.1 描述性统计 |
| 6.5.2 参数估计结果 |
| 6.5.3 期权定价结果 |
| 6.6 本章小结 |
| 第7章 基于调和稳定Lévy跳跃随机波动过程的风险测度和投资组合策略 |
| 7.1 问题提出 |
| 7.2 时变调和稳定Lévy过程 |
| 7.3 时变调和稳定L6vy过程的FFT |
| 7.3.1 PDF和CDF的FFT |
| 7.3.2 VAR和CVaR |
| 7.4 投资组合策略中的风险调整准则 |
| 7.5 实证研究 |
| 7.5.1 参数估计 |
| 7.5.2 VaR和CVaR后验检验 |
| 7.5.3 TSSV模型的投资组合统计总结 |
| 7.5.4 TSSV模型的投资组合分布分析 |
| 7.6 本章小结 |
| 第8章 基于调和稳定Lévy跳跃下copula模型的多目标投资组合优化 |
| 8.1 问题提出 |
| 8.2 TS copula函数 |
| 8.2.1 copula函数 |
| 8.2.2 TS copula函数 |
| 8.3 TS copula多目标投资组合优化 |
| 8.4 多目标投资组合优化算法 |
| 8.4.1 NSGA-Ⅱ算法 |
| 8.4.2 SPEA-Ⅱ算法 |
| 8.4.3 MOPSO算法 |
| 8.5 实证部分 |
| 8.6 本章小结 |
| 第9章 研究结论与展望 |
| 9.1 主要成果及研究结论 |
| 9.2 研究不足与展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间发表论文情况 |
| 攻读博士学位期间参与完成科研项目情况 |
| 作者简介 |
（8）基于不同频率数据的套期保值与投资组合理论与实证研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与研究意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容与研究方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.4 本文的创新点 |
| 第2章 理论基础 |
| 2.1 伊藤半鞅过程 |
| 2.2 资产波动率的高频估计方法 |
| 2.2.1 已实现波动率 |
| 2.2.2 实现协方差 |
| 2.3 套期保值理论 |
| 2.3.1 单期套期保值 |
| 2.3.2 多期套期保值 |
| 2.4 投资组合理论 |
| 2.4.1 单期投资组合 |
| 2.4.2 多期投资组合 |
| 第3章 基于高频数据的资产收益特征研究 |
| 3.1 资产价格过程模型 |
| 3.1.1 连续时间与离散时间 |
| 3.1.2 高频数据与低频数据 |
| 3.2 资产价格动态过程模型设定检验 |
| 3.2.1 模型设定检验的非参数方法 |
| 3.2.2 资产价格动态过程模型设定检验的实证分析 |
| 3.3 股票收益率与波动率的关系 |
| 3.3.1 中国股票市场收益率与波动率的关系 |
| 3.3.2 SV-SL模型及其估计方法 |
| 3.3.3 中国股票市场收益与波动关系的随机时变性 |
| 3.4 小结 |
| 第4章 基于高频数据的单期期货套期保值策略研究 |
| 4.1 股指期货与套期保值策略 |
| 4.1.1 股指期货 |
| 4.1.2 套期保值策略 |
| 4.2 期货套期保值策略的实施 |
| 4.2.1 建模变量的选择 |
| 4.2.2 套期保值比率的估计模型 |
| 4.2.3 套期保值策略的绩效分析 |
| 4.3 小结 |
| 第5章 多期期货套期保值策略研究 |
| 5.1 多期期货套期保值问题 |
| 5.2 均值-方差分析框架下的多期期货套期保值 |
| 5.2.1 时间一致性最优套期保值策略 |
| 5.2.2 带承诺最优套期保值策略 |
| 5.3 简化的动态期货套期保值策略 |
| 5.3.1 与效用函数无关的动态最优期货套期保值策略 |
| 5.3.2 动态策略与静态策略的比较分析 |
| 5.4 小结 |
| 第6章 多期投资组合策略研究 |
| 6.1 多期投资组合优化问题 |
| 6.2 多期投资组合的建模与分析 |
| 6.2.1 证券市场描述与模型构建 |
| 6.2.2 时间一致性最优投资策略 |
| 6.3 多期投资组合策略的实证分析 |
| 6.3.1 投资组合策略绩效评价指标 |
| 6.3.2 实证结果 |
| 6.4 小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 附录A 攻读博士学位期间的科研成果 |
| 附录B 攻读博士学位期间参与的研究课题 |
（9）中国股指期货与股票指数的动态相关性及动态套期保值比率研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 金融时间序列模型研究现状 |
| 1.2.2 copula函数研究现状 |
| 1.2.3 套期保值策略研究现状 |
| 1.2.4 向量自回归模型研究现状 |
| 1.2.5 我国股指期货研究现状 |
| 1.2.6 研究现状述评 |
| 1.3 研究内容、思路和方法 |
| 1.3.1 研究内容 |
| 1.3.2 基本研究思路 |
| 1.3.3 研究方法 |
| 1.4 研究目标和创新点 |
| 1.4.1 研究目标 |
| 1.4.2 创新点 |
| 第2章 股指期货和股票指数时间序列的基本特征 |
| 2.1 股指期货概述 |
| 2.1.1 股指期货主要金融功能 |
| 2.1.2 我国股指期货运行方式 |
| 2.2 我国股指期货和股票指数价格、收益与基差 |
| 2.2.1 数据的选取 |
| 2.2.2 价格和收益序列 |
| 2.2.3 基差 |
| 2.3 我国股指期货和股票指数的基本统计分析 |
| 2.3.1 基本统计特征 |
| 2.3.2 时间序列的平稳性 |
| 2.3.3 协整性检验 |
| 2.3.4 ARCH效应 |
| 2.3.5 ARMA均值模型的识别 |
| 2.4 本章小结 |
| 第3章 基于COPULA函数的股指期货和股票指数收益静态相关性分析 |
| 3.1 问题的提出 |
| 3.2 静态COPULA模型 |
| 3.2.1 copula函数以及Sklar定理 |
| 3.2.2 基于copula模型的相关性测度 |
| 3.3 COPULA模型的构建 |
| 3.3.1 边际分布的确定 |
| 3.3.2 静态copula模型的参数估计 |
| 3.3.3 模型结果分析 |
| 3.4 结论 |
| 第4章 基于时变COPULA函数的股指期货和股票指数收益动态相关性分析 |
| 4.1 问题的提出 |
| 4.2 理论模型 |
| 4.3 构建度量动态相关性的时变COPULA模型 |
| 4.3.1 copula模型中相关性参数的估计 |
| 4.3.2 股指期货与股票指数收益的时变t-copula模型 |
| 4.4 股指期货和股票指数收益动态相关性分析 |
| 4.4.1 动态相关性的特点 |
| 4.4.2 动态相关性的主要影响因素 |
| 4.4.3 时变相关系数的影响因素分析 |
| 4.5 结论 |
| 第5章 股指期货和股票指数收益波动率模型 |
| 5.1 问题提出 |
| 5.2 理论背景 |
| 5.3 波动率模型以及有偏学生T分布简介 |
| 5.3.1 ARCH模型 |
| 5.3.2 GARCH模型 |
| 5.3.3 GARCH-M模型 |
| 5.3.4 EGARCH模型 |
| 5.3.5 有偏学生t分布 |
| 5.4 股指期货和股票指数的波动率模型 |
| 5.4.1 股票指数收益波动率模型 |
| 5.4.2 股指期货收益波动率模型 |
| 5.4.3 波动率的提取 |
| 5.5 收益波动率的预测 |
| 5.5.1 波动率预测方法 |
| 5.5.2 波动率预测的评价 |
| 5.5.3 股指期货和股票指数收益波动率的预测 |
| 5.5.4 各预测波动率对已实现波动率的预测信息贡献 |
| 5.6 结论 |
| 第6章 波动率、基差和时变相关系数动态分析 |
| 6.1 问题的提出 |
| 6.2 研究背景 |
| 6.3 时变参数向量自回归模型 |
| 6.3.1 TVP-VAR模型 |
| 6.3.2 模型的估计 |
| 6.4 实证分析 |
| 6.4.1 股票指数期、现货收益波动率与基差的脉冲响应关系 |
| 6.4.2 股票指数期、现货波动率与时变相关系数的脉冲响应关系 |
| 6.5 本章结论 |
| 第7章 股指期货的套期保值比率研究 |
| 7.1 问题的提出 |
| 7.2 理论背景 |
| 7.3 最优套期保值比率 |
| 7.4 基于线性回归的最小二乘法套期保值模型 |
| 7.5 双变量GARCH类套期保值模型 |
| 7.5.1 ECM-CCC-GARCH模型 |
| 7.5.2 ECM-DCC-GARCH模型 |
| 7.6 时变COPULA-ECM-GARCH模型套期保值模型 |
| 7.6.1 时变copula-ECM-GARCH模型 |
| 7.6.2 模型的参数估计 |
| 7.7 套期保值效果的评价 |
| 7.8 实证分析 |
| 7.8.1 数据的描述 |
| 7.8.2 OLS模型套期保值结果 |
| 7.8.3 ECM-CCC-GARCH模型套期保值结果 |
| 7.8.4 ECM-DCC-GARCH模型套期保值结果 |
| 7.8.5 时变Copula-ECM-GARCH模型套期保值结果 |
| 7.9 本章小结 |
| 第8章 全文总结与研究展望 |
| 8.1 全文总结 |
| 8.2 研究展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间科研成果 |
（10）基于高频数据的沪深300股指期货套期保值模型研究（论文提纲范文）
| 摘要 |
| Abstract |
| 0 引言 |
| 0.1 选题背景 |
| 0.2 国内外文献综述 |
| 0.2.1 国外期货套期保值问题研究现状 |
| 0.2.2 国内期货套期保值研究现状 |
| 0.3 研究内容与研究方法 |
| 0.3.1 研究内容 |
| 0.3.2 研究方法 |
| 0.4 本文创新之处 |
| 1 基本概念与理论基础 |
| 1.1 沪深 300 指数 |
| 1.2 沪深 300 股指期货 |
| 1.2.1 沪深 300 股指期货的概念及功能 |
| 1.2.2 沪深 300 股指期货的产生与发展 |
| 1.2.3 中国股指期货市场的发展现状 |
| 1.3 沪深 300 股指期货套期保值原理 |
| 1.4 沪深 300 股指期货套期保值的风险及其成因 |
| 1.4.1 基本点不一致风险 |
| 1.4.2 有效期不一致风险 |
| 1.4.3 标的物不一致风险 |
| 1.5 金融高频数据的相关概述 |
| 1.5.1 金融高频数据的概念 |
| 1.5.2 基于高频数据分析的优势 |
| 1.5.3 基于高频数据分析存在的问题 |
| 2 我国沪深 300 股指期货与现货的关系 |
| 2.1 沪深 300 指数的波动特征 |
| 2.1.1 沪深 300 指数的跳跃效应 |
| 2.1.2 沪深 300 指数股价波动的非对称效应 |
| 2.2 我国沪深 300 股指期货的波动特征 |
| 2.2.1 沪深 300 股指期货的跳跃效应 |
| 2.2.2 沪深 300 股指期货股价波动的非对称效应 |
| 2.3 沪深 300 股指期货与沪深 300 指数的关系研究 |
| 2.3.1 沪深 300 股指期货与沪深 300 指数走势的联系——协整关系 |
| 2.3.2 基差走势的特征 |
| 2.4 本章小结 |
| 3 基于高频数据的股指期货现货联合动态变化过程的构建 |
| 3.1 已实现波动矩阵 |
| 3.1.1 已实现波动矩阵的修正 |
| 3.2 已实现波动率矩阵模型 |
| 3.2.1 条件自回归 Wishart 模型 |
| 3.2.2 CAW-HAR 模型 |
| 3.3 多元均值-波动率矩阵模型的构建 |
| 3.4 本章小结 |
| 4 基于高频数据的沪深 300 股指期货动态套期保值模型群的构建 |
| 4.1 基于方差最优的股指期货动态套期保值比率模型 |
| 4.2 基于组合 VaR 最优的股指期货动态套期保值比率模型 |
| 4.3 基于组合 CVaR 最优的股指期货动态套期保值比率模型 |
| 4.4 套期保值比率效果评估指标 |
| 4.5 本章小结 |
| 5 沪深 300 股指期货动态套期保值实证研究 |
| 5.1 高频数据的预处理 |
| 5.2 高频数据的基本统计分析 |
| 5.3 模型的估计与检验 |
| 5.4 样本内各套期保值模型的有效性比较分析 |
| 5.5 本章小结 |
| 6 研究结论及应用 |
| 6.1 实证结论 |
| 6.2 全文总结 |
| 参考文献 |
| 致谢 |
| 个人简历 |
| 发表的学术论文 |
四、股票指数期货套期保值原理建模及其应用（论文参考文献）
- [1]GAS框架下的投资组合风险测度与优化研究[D]. 刘毅男. 吉林大学, 2021(01)
- [2]基于相对价格的沪深300股票投资组合研究[D]. 刘昱. 北方工业大学, 2020(02)
- [3]燃煤发电项目双因素风险分析及期货对冲模型研究[D]. 刘凌云. 华北电力大学(北京), 2020(06)
- [4]高频数据在风险最小化套期保值比例估计的应用 ——基于TVM-Copula Realized-GARCH类模型[D]. 段青玲. 南京大学, 2020(02)
- [5]中国证券市场交易机制与市场质量研究[D]. 丁逸俊. 上海交通大学, 2018(01)
- [6]高频环境下基于资产结构的股指期货市场风险度量及防范[D]. 龙瑞. 湖南大学, 2018(01)
- [7]基于Lévy跳跃过程、随机波动模型的期权定价与风险管理研究[D]. 宫晓莉. 东北大学, 2017(12)
- [8]基于不同频率数据的套期保值与投资组合理论与实证研究[D]. 杨文昱. 湖南大学, 2016(02)
- [9]中国股指期货与股票指数的动态相关性及动态套期保值比率研究[D]. 李丹. 武汉理工大学, 2015(05)
- [10]基于高频数据的沪深300股指期货套期保值模型研究[D]. 段丹丹. 中国海洋大学, 2014(01)