首页

主题混合正态随机波动模型及在金融风险度量中的应用

主讲人重庆理工大学 苏理云教授

主持人经济数学学院 徐凤副教授

时间2019年12月31日(周二)上午11:00

地点西南财经大学柳林校区通博楼B412会议室

主办单位:经济数学学院 科研处

主讲人简介:

苏理云,2007年毕业于四川大学数学学院,获得概率论与数理统计专业博士学位。现任职于重庆理工大学理学院统计与数据科学系,为统计与数据科学系主任、教授,重庆市大数据应用技术创新联盟副理事长、中国工程概率统计学会理事。在《人口研究》、《数理统计与管理》、《物理学报》、《电子学报》、《Mechanical Systems and Signal Processing》、《Computers & Mathematics with Applications》等国内外期刊发表论文30余篇,其中SCI收录10余篇,发表在《人口研究》文章被《广州日报》报道,后新浪、人民网、重理工智库等媒体广泛转载。主持教育部人文社科、重庆市科技局、重庆市教委、重庆市社科联、国家统计局等项目10余项。

内容提要:

在股票期权、原油现货价格、黄金价格等金融随机时间序列的研究中,金融资产价格的风险管理日益重要,尤其是从2008年的金融危机至最近的股市震荡和原油价格暴跌,都凸显了金融资产价格波动测度的重要性。

随机波动(SV)模型被提出来已近三十年历史,在众多金融波动建模的研究中仍方兴未艾,同时也是广义自回归条件异方差(GARCH)模型的有效替代和升级,它能更好地刻画金融市场中存在的波动聚集性、高持续性及尖峰厚尾现象等典型特征。然而,由于SV模型的非线性结构及潜在随机扩散过程的引入,导致模型的参数估计和样本外预测难度大大增加。SV模型可在不损失任何信息的条件下将其转换为非高斯线性状态空间模型,但模型在线性化过程中会带来非高斯左偏长尾性质。我们利用混合高斯近似原理,以有限个混合正态因子近似该光滑的非高斯分布,从而构建混合高斯状态空间下的SV模型。对于这类混合高斯状态空间模型的待估参数,我们提出以结合马尔科夫链蒙特卡罗(MCMC)方法和模拟EM算法的两步算法获得,与现有方法相比,混合高斯近似误差显著减少。进一步,为了得到模型的样本外预测,我们引入由标准卡尔曼滤波算法发展而来的近似滤波(AMF)算法,AMF算法不仅可应用于实际较长时间序列中,在预测精度上与确切滤波亦非常接近。并对美国WTI原油现货价格市场和沪深股市作了时变波动性预测的实证研究。