基于Expectile和Realized GARCH模型的波动率预测

doi:10.12005/orms.2022.0049

运筹与管理 ›› 2022, Vol. 31 ›› Issue (2): 99-103.DOI: 10.12005/orms.2022.0049

基于Expectile和Realized GARCH模型的波动率预测

高雷阜, 李伟梅

辽宁工程技术大学运筹与优化研究院,辽宁阜新 123000

收稿日期:2020-08-07 出版日期:2022-02-25 发布日期:2022-03-11
作者简介:高雷阜(1963-),男,辽宁阜新人,教授,博士生导师,研究方向:最优化理论与方法及应用;李伟梅(1988-),女,山西朔州人,博士研究生,研究方向:最优化理论与方法及应用。
基金资助:
辽宁省教育厅重点攻关项目(LJ2019ZL001)

Volatility Prediction Based on Expectile and Realized GARCH Model

GAO Lei-fu , LI Wei-mei

Institute for Optimization and Decision Analytics, Liaoning Technical University, Fuxin 123000, China

Received:2020-08-07 Online:2022-02-25 Published:2022-03-11

摘要/Abstract

摘要： Realized GARCH模型是预测波动率的经典模型之一,最小化非对称二次损失函数的Expectile对收益率尾部分布更加敏感,我们在Realized GARCH模型的基础上引入Expectile提出Expectile-Realized GARCH模型。以沪深300指数的高频收益率为例建模分析,对比不同模型下的波动率预测效果,发现Expectile-Realized GARCH模型较Realized GARCH模型对波动率预测能力更好。其中,当风险水平为95%时,对应的Expectile-Realized GARCH波动率预测能力最好。

关键词: 波动率预测, Expectile, Realized GARCH模型, 高频数据

Abstract: The Realized GARCH model is one of the classical models to predict the volatility, and the expectile based on minimizing asymmetric quadratic loss function is more sensitive to the tail distribution of return rate. We establish Expectile-Realized GARCHmodel based on Realized GARCH and expectile. We model and analyze the high frequency return rate of Shanghai and Shenzhen 300 index,and compare the volatility prediction results under different models. It is found that the Expectile-Realized GARCHmodel is better than Realized GARCHmodel in forecasting volatility. When the risk level is 95%, the predictive volatility is the best.

Key words: volatility prediction, Realized GARCH model, expectile, high frequency data

中图分类号:

O213.2

高雷阜, 李伟梅. 基于Expectile和Realized GARCH模型的波动率预测[J]. 运筹与管理, 2022, 31(2): 99-103.

GAO Lei-fu , LI Wei-mei. Volatility Prediction Based on Expectile and Realized GARCH Model[J]. Operations Research and Management Science, 2022, 31(2): 99-103.

参考文献

[1] Engle R F. Autoregressive conditional heteroscedasticity with estimates of the variance of U.K.Inflation[J]. Econometrica: Journal of the Econometric Society, 1982, 4(50): 988-1003.
[2] Bollerslev T. Generalizedautoregressive conditional heteroskedasticity[J]. Eeri Research Paper, 1986, 31(3): 307-327.
[3] Andersen T G, Bollerslev T. Answering the skeptics: yes, standard volatility models do provide accurate forecasts[J]. International Economic Review, 1998, 39(4): 885-905.
[4] Hansen P R, Huang Z, Shek H H. Realized GARCH: a joint model for returns and realized measures of volatility[J]. Journal of applied economerics, 2012, 27(6): 877-906.
[5] 王天一,黄卓.基于高频数据的波动率建模及应用研究评述[J].经济学态,2012,(3):142-145.
[6] 解其昌.分位数回归方法及其在金融市场风险价值预测中的应用[D].四川:西南财金大学学位论文,2012:60-112.
[7] 林琦,欧思歆.基于GARCH族类模型的开放式基金收益率风险分析[J].数学的实践与认识,2019,49(24):109-113.
[8] Newey W K, Powell J L. Asymmetric least squares estimation and testing[J]. Econometmca, 1987, 55(4): 819-847.
[9] 赵军.Expectile回归和最优资产组合中的变量选择问题[D].浙江:浙江大学学位论文,2017:23-26.
[10] 许启发,丁晓涵.基于Expectile回归的均值—ES组合投资决策[J].中国管理科学,2018,26(10):21-26.
[11] Jones M C. Expectiles and m-quantiles are quantiles[J]. Statistics & Probability Letters, 1994, 20(2): 149-153.
[12] 黄友珀,唐振鹏,周熙雯.基于偏t分布realized GARCH模型的尾部风险估计[J].系统工程理论与实践,2015,35(9):2201-2206.
[13] 陈王,马锋.高频视角下中国股市动态VAR模型研究[J].运筹与管理,2020,29(2):85-190.
[14] 杨科,陈浪楠.股市波动率的短期预测模型和预测精度评价[J].管理科学学报,2012,15(5):25-27.
[15] 李洪成,尚秀芬,郝瑞丽.金融数据分析导论[M].北京:机械工业出版社,2013.
[16] 吴鑫育,王莉莉.基于高频数据的中国股市波动率预测研究[J].东北农业大学学报(社会科学版),2019,17(3):4-9.
[17] 樊鹏英,兰勇.高频数据下基于PGARCH模型的VAR估计方法及应用[J].系统工程理论与实践,2017,37(8):2053-2058.

基于Expectile和Realized GARCH模型的波动率预测

Volatility Prediction Based on Expectile and Realized GARCH Model

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 5

编辑推荐

Metrics

[1]	王苏生, 李光路, 王俊博. 沪深300股指期货日内绝对收益率与成交量之间动态关系研究[J]. 运筹与管理, 2020, 29(2): 166-174.
[2]	吴鑫育, 侯信盟. 基于双因子已实现GARCH模型的波动率预测研究[J]. 运筹与管理, 2020, 29(12): 207-214.
[3]	王苏生, 王俊博, 许桐桐, 余臻. 基于ARMA-GARCH-SN模型的沪深300股指期货日内波动率研究与预测[J]. 运筹与管理, 2018, 27(4): 153-161.
[4]	苏辛, 谢尚宇, 周勇. 金融风险度量的建模理论与方法的一些进展及其应用[J]. 运筹与管理, 2018, 27(1): 185-199.
[5]	赵树然, 袁东, 任培民. 我国股指期货与现货市场的波动溢出效应研究——基于HAR-CAW模型[J]. 运筹与管理, 2018, 27(1): 153-159.