导读:本文包含了波动率指数论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:模型,指数,不确定性,沪深,情绪,独立,记忆。
波动率指数论文文献综述
马长福,许威[1]（2019）在《常方差弹性系数模型下波动率指数期权定价》一文中研究指出作为对冲市场波动率变动风险的波动率指数期权,其定价问题一直受到广泛的关注.为了对其进行定价,首先构建服从常方差弹性系数模型的指数价格柳树,然后根据指数价格柳树确定柳树节点上相应波动率指数的值从而得到波动率指数柳树,最后在波动率指数柳树上运用倒向递归的方法得到波动率指数期权的价格.所给出柳树法定价波动率指数期权的方法,其结果随着柳树空间节点数的增加快速逼近嵌套蒙特卡罗模拟的结果,当柳树空间节点数超过200时,柳树法给出的结果具有相当高的精度.(本文来源于《同济大学学报(自然科学版)》期刊2019年11期）
刘永合[2]（2019）在《上证50ETF期权波动率指数信息含量研究》一文中研究指出本文为了分析中国波指(iVIX)是否有效,使用回归方法来判断中国波指数的信息含量。通过对期权的历史波动率、平价期权的隐含波动率以及中国波指进行比较,分析中国波指在样本期的信息含量,实证结果证明,在同阶情况下,期权隐含波动率信息含量>历史波动率>中国波指,中国波指不能提供额外信息,而在多阶滞后情况下,叁种波动率都具有一定的信息含量,且中国波指能够提供历史波动率及隐含波动率之外的额外信息。(本文来源于《青海金融》期刊2019年09期）
赵淑曼,易蓉[3]（2019）在《广义波动率指数在我国资本市场的构建及应用》一文中研究指出成熟的资本市场上,波动率指数对判断市场情绪具有重要参考价值,本文按照CBOE公告的VIX和SKEW编制方法,以50ETF期权为编制基础,构建我国资本市场的VIX与SKEW指数,以此作为市场情绪判断和投资应用的参考依据。结果表明:VIX指数在预警或提示我国市场极值风险时具有较强效果,但与市场日常收益率波动的相关性较弱,SKEW指数表现则相反; VIX策略的投资绩效良好,SKEW策略的投资绩效一般。(本文来源于《中国证券期货》期刊2019年04期）
马爽[4]（2019）在《避险情绪浓厚 波动率指数缘何表现平淡》一文中研究指出国际贸易局势复杂化、美债收益率走低、中东地缘局势恶化以及市场对美联储降息预期升温等，均使得金融市场充斥着不确定性。然而，近期衡量股市、债市及汇市波动率的相关指数却并未有太大起色，颇不寻常。近期，在避险情绪大幅回升的情况下，投资者纷纷寻求避险资产，(本文来源于《中国证券报》期刊2019-06-19）
武畅[5]（2019）在《基于独立循环神经网络的沪深300指数已实现波动率预测研究》一文中研究指出循环神经网络是深度学习中重要的组成部分,与传统的神经网络相比,循环神经网络的优势在于可以处理具有时间先后顺序的序列数据,但其处理较长时间序列能力较弱,不具有较长时间的记忆性。针对这一问题,许多学者都进行了研究并取得了一定的成果。对于波动率的研究是金融理论研究和实际决策的重要部分,其中己实现波动率是基于日内高频数据估计波动率的方法,优于低频数据估计得到的波动率结果,具有重要的研究价值。沪深300指数作为可以反映中国金融市场的重要指示指数,对其波动性的研究也非常重要。本文根据独立循环神经网络的思想,在长短时记忆网络的基础上,改变了相应的激活函数和乘积形式,得到了独立长短时记忆网络模型。与此同时,本文将独立循环神经网络和独立长短时记忆网络中的激活函数由线性整流函数ReLu替换为指数线性单元Elu函数和平滑整流函数softplus得到新的改进模型,用以预测沪深300指数己实现波动率,对新模型的长记忆性进行了分析,并将新模型及传统模型对于己实现波动率的预测准确性进行了实证分析和综合评价。本文利用2010年至2019年10年的沪深300指数5分钟高频数据得到的高频己实现波动率进行实证分析。由实证结果可以发现,独立长短时记忆网络相较独立循环神经网络能够处理更长时间的序列数据,具有更长的记忆性,同时在将独立循环神经网络和独立长短时记忆网络中激活函数进行替换后,模型都可以保持很好的训练性能,并提升己实现波动率预测的准确性。相比之下,以平滑整流函数softplus为激活函数的独立循环神经网络模型及独立长短时记忆模型比以指数线性单元Elu和线性整流函数ReLu为激活函数的模型对于沪深300指数己实现波动率的预测更加准确。(本文来源于《北京交通大学》期刊2019-06-01）
范益男[6]（2019）在《基于MC-SV-VaR的上证指数的波动率分析》一文中研究指出随着国家与国家之间的关系越来越紧密,全球经济迅速地发展,同时也让金融市场的波动性不断加剧。在证券市场中,股价的波动也颇为频繁,这与证券市场的风险息息相关,因此对风险进行度量成为了投资者们在投资时关注的焦点。VaR是在概率意义下反应证券组合在一定持有期内的最大损失量,是风险管理中重要的一部分,并且广泛应用于科学研究和实证分析。由于金融时间序列一般不服从标准正态分布,所以用参数法来计算VaR值有很大的局限性。而传统的Monte Carlo模拟法对VaR值的计算有时会出现一定的偏差,因此对传统Monte Carlo模拟法的改进尤为必要。本文基于蒙特卡洛模拟法,通过对几何布朗运动的标准差进行改进,构造了MC-SV-VaR模型。分别对MC-VaR、MC-GARCH-VaR和MC-SV-VaR叁种度量风险的计算方法进行检验,检验结果发现,改进后的MC-SV-VaR模型在度量风险方面有非常好的表现,在叁种置信水平下的失败天数都小于另外两种模拟方法。这充分证明MC-SV-VaR对股市的风险度量更为有效。本文主要章节包括数据选取与数据处理和基于MC方法的VaR估计。在数据选取与数据处理这部分,我们主要以2017年1月16日到2018年9月13日上证指数为研究对象,证明了上证指数对数收益率没有正态性,但是有尖峰厚尾性。进一步对数据进行平稳性检验、相关性分析和异方差检验,检验结果显示该时间序列具有ARCH效应,再考虑到金融收益序列出现异常观测值时会使得条件异方差的估计突然变动的这个特性,于是将SV模型引入到VaR的计算中。在基于MC方法的VaR估计这部分,首先介绍了模拟计算VaR值的算法流程,其次分别对MC-VaR、MC-GARCH-VaR和MC-SV-VaR这叁种模拟方法对VaR值进行估计并对结果进行Kupiec检验,最后将检验结果的失败天数进行横向对比得出结论。结果表明,MC-GARCH-VaR和MC-SV-VaR这两种改进后计算方法都优于传统的Monte Carlo模拟法,其中MC-SV-VaR模拟法是最优的计算方法且可行性强。(本文来源于《广西师范大学》期刊2019-06-01）
陈越[7]（2019）在《基于小波和EEMD降噪的沪深300指数波动率预测》一文中研究指出股票指数波动率的预测一直是金融计量领域研究的重要课题,目前股票指数波动率研究使用的数据大多是以分、秒为单位的高频金融数据。但是高频数据自身更易受微观结构效应的影响,所以与日间数据相比要更重视去除数据中的噪声。因而,本文对使用降噪算法提升波动率预测能力展开了较为细致的研究。本文的研究对象为沪深300股票指数,该指数能够同时反映沪深两市的整体变动情况。数据选用从2015年5月18日到2019年1月3日的每5分钟高频数据。首先,本文应用集合经验模态分解(EEMD)分别对日、周和月已实现波动率进行处理,通过显着性检验得到本征模态函数(IMF)的高低频分界点。其次,对高频IMF分量进行小波多分辨分析和单支重构。经过重新整合高低频分量得到降噪后的已实现波动率数据。最后,本文使用异质自回归模型(HAR-RV)完成滚动预测,并将预测结果进行对比与评价。本文的主要结论是:(1)从预测准确度的角度评价,将小波分析和EEMD相结合的算法应用于股票指数波动率的预测模型中能够很好地提升预测准确度,相比于应用原始数据的预测结果,准确度测量函数中误差均下降75%以上,其中根均方误差下降95.65%。(2)从预测股指波动率走势的角度评价,使用降噪算法进行预测的股票指数波动率走势与实际波动率走势一致,而原预测走势具有较为明显的偏差。在大多数区间内,股票指数波动率的基数都比较小,微小的预测误差都很可能影响到后续研究的准确性,所以预测精确度的提高具有重要的研究意义。本文将小波分析和EEMD相结合的降噪算法应用在股指波动率的预测中,为股票数据的处理提供一种了有效的降噪方法,具有重要的理论意义和应用价值。(本文来源于《华侨大学》期刊2019-05-20）
李树阳[8]（2019）在《基于循环神经网络及百度指数预测A股市场波动率》一文中研究指出近年来随着人工智能上升为国家战略,人工智能技术在各领域的应用发展迅速,在金融领域股价变化趋势的预测一直是热点问题,能有效预测股价的走势也有着较大的经济与社会价值。目前人们在股价预测问题中应用人工智能技术时市场内的数据一般选用股票指标数据,构造多个因子,市场外的数据选用文本数据利用自然语言处理技术对股票时间序列进行分析预测。本文主要基于循环神经网络模型,将百度指数数据分析平台的数据视为市场外的投资者情绪,即环境变量,结合部分市场内数据,采用较有代表性的沪深300指数日波动率作为目标预测值进行预测。在本文的研究工作中理论部分主要介绍了传统机器学习方法和循环神经网络模型的相关理论基础,实证部分首先根据与沪深300指数波动率相关的市场内的数据和利用爬虫技术获取的百度指数数据基于嵌入法(Embedded)做特征选择,剔除部分市场外的无效信息,之后利用互信息(MI)度量选用最佳的观测窗口大小和标准化方案,接着在模型构建过程中利用Dropout技术有效防止了过拟合问题,并对模型参数进行调试优化,重新划分了训练集、验证集和测试集,最后与常用机器学习方法XGBoost算法的预测结果对比分析。本文最后的实证结果对比表明LSTM模型对沪深300指数波动率预测效果较理想,损失函数的最优解在合理范围,且循环神经网络LSTM模型预测效果稍微优于XGBoost模型预测结果,也就是说,机器学习算法在股价预测问题的表现具有一定的实用价值,为后续的研究工作拓展思路。(本文来源于《山东大学》期刊2019-05-20）
杨涛[9]（2019）在《引入经济政策不确定性指标的沪深300指数已实现波动率建模研究》一文中研究指出波动率是金融资产风险衡量的重要指标,在多种金融活动中发挥着重大作用,如衍生品定价、投资组合决策、VaR风险管理指标的计算等,因此波动率的预测和度量一直都是学者研究的重点。另一方面,随着当前宏观经济环境的日益复杂多变以及市场经济愈发依赖政府经济政策的导向,市场在“政府之手”频繁地干预下,愈发无法自主调节经济。因而经济政策变化带来的不确定性上升,使得宏观经济波动变得更为剧烈,进而影响到股票价格的暴涨暴跌。具体到国内股票市场,国内股市又被称为“政策市”,受政策面因素影响很大,本文尝试着将以经济政策不确定性指标为代表的经济政策不确定性引入到波动率预测模型中,希望借此提高波动率模型的预测精度,这将对实务工作者有非常重要的现实意义。本文在以往学者研究的基础上,借助陆尚勤和黄昀(2019)编制的日度和月度中国经济政策不确定性指数(China Economic Policy Uncertainty Index,CEPU指数),尝试将日度CEPU指数引入到HAR族模型,同时将日度和月度CEPU指数分别引入到GARCH-MIDAS模型,以此提高波动率模型的预测精度。具体采用2014年1月1日至2018年12月31日沪深300指数5分钟高频交易数据,按照4:1的比例将样本期分为估计期和预测期,并采用滚动时间窗进行向前一步预测的方法进行样本外预测。在样本内估计时,发现1)引入CEPU指数的HAR族新模型较原模型在拟合优度上都得到了提升,而这其中对短期日波动的拟合能力提升程度最小,对中期周波动拟合能力提升程度居中,对长期月波动的拟合能力提升程度最大,这反映出宏观的经济政策不确定性变化作用于股票市场具有一定的滞后性,CEPU指数主要影响股市的长期波动。2)GARCH-MIDAS-D在不同滞后期的估计期样本估计结果均优异于GARCH-MIDAS-M和GARCH-MIDAS模型。另外,GARCH-MIDAS-D模型的最佳滞后期是630天(21个月)。在样本外预测方面,由模型信度集合检验(Model confidence set,MCS)结果可知,1)引入日度CEPU指数的GARCH-MIDAS模型预测效果普遍优于HAR族各模型;2)只有滞后21个月对应的GARCH-MIDAS-D模型能够幸存于MCS检验中。这表明滞后21个月的GARCH-MIDAS-D模型能较为精确地预测我国股票市场的波动率,CEPU指数对提高股市波动率的预测精度具有积极作用。本文不足之处在于样本期太短,无法进行更长时间的稳定性检验。下一步,计划进行更长时期的样本估计和预测,以此判断引入日度CEPU指数的GARCH-MIDAS-D模型在不同样本期预测的精确度和稳定性。(本文来源于《南京大学》期刊2019-05-12）
龙文,赵曼仪[10]（2019）在《基于STAR模型的中美波动率指数与收益率相关性的比较研究》一文中研究指出对于中美股市不同时期收益率的相关性,本文选用波动率指数、波指变动值及波指变化率作为转换变量建立二机制STAR模型,研究叁种转换变量下收益率相关性影响的非线性调整过程。研究结果发现,叁种转换变量下中美股市的STAR模型均存在以下现象:(1)美国转换变量的最佳滞后时期基本低于中国。(2)美国股市收益率相关系数之和的绝对值基本低于中国股市。(3)中国市场的转换系数大于美国市场。这些现象反映了相比于美国股市,中国股市运行机制不够完善,信息传递速度更慢。本文建立的模型也说明波指具有反映投资者情绪的作用,可以在一定程度上为投资者操作和市场监管提供参考。(本文来源于《投资研究》期刊2019年04期）
波动率指数论文开题报告
（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：
本文为了分析中国波指(iVIX)是否有效,使用回归方法来判断中国波指数的信息含量。通过对期权的历史波动率、平价期权的隐含波动率以及中国波指进行比较,分析中国波指在样本期的信息含量,实证结果证明,在同阶情况下,期权隐含波动率信息含量>历史波动率>中国波指,中国波指不能提供额外信息,而在多阶滞后情况下,叁种波动率都具有一定的信息含量,且中国波指能够提供历史波动率及隐含波动率之外的额外信息。
（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。
波动率指数论文参考文献
[1].马长福,许威.常方差弹性系数模型下波动率指数期权定价[J].同济大学学报(自然科学版).2019
[2].刘永合.上证50ETF期权波动率指数信息含量研究[J].青海金融.2019
[3].赵淑曼,易蓉.广义波动率指数在我国资本市场的构建及应用[J].中国证券期货.2019
[4].马爽.避险情绪浓厚波动率指数缘何表现平淡[N].中国证券报.2019
[5].武畅.基于独立循环神经网络的沪深300指数已实现波动率预测研究[D].北京交通大学.2019
[6].范益男.基于MC-SV-VaR的上证指数的波动率分析[D].广西师范大学.2019
[7].陈越.基于小波和EEMD降噪的沪深300指数波动率预测[D].华侨大学.2019
[8].李树阳.基于循环神经网络及百度指数预测A股市场波动率[D].山东大学.2019
[9].杨涛.引入经济政策不确定性指标的沪深300指数已实现波动率建模研究[D].南京大学.2019
[10].龙文,赵曼仪.基于STAR模型的中美波动率指数与收益率相关性的比较研究[J].投资研究.2019
论文知识图
