SV方法及其在证券创新业务中的应用

论文摘要

金融市场中资产的波动率在风险度量、资产定价和投资组合管理中扮演了至关重要的作用，然而实证中长期以来都假设波动率是常数，这种简单化显然是不合理的。同时上海证券交易所正致力于金融创新业务的开展，这些业务无不与资产的波动率计量密切相关。本文旨在面对波动率时变性的现实，对金融创新业务的风险度量和产品定价进行研究。我们使用的随机波动率(Stochastic Volatility)方法，这是一种较GARCH方法更灵活、更有效的方法。考虑到创新业务主要是针对上证50指数成份股开展，我们仅对这些股票建立了三类随机波动模型，并借助最新的AD(Auto Differentiation)ModelBuilder软件，简便而精确地给出了参数估计。结果表明，除新股外的各成份股都存在明显的高峰厚尾性而基本不存在杠杆效应；新股则表现出非常显著的正的杠杆效应，即股价上涨会推动波动率上升。尔后我们利用带厚尾性的随机波动率模型(SVt)，在信用风险结构化模型的框架下对上证50各股的融资融券违约风险进行了精确度量，为业务的开展和资产选择提供了重要的参考。最后，我们着重考察了备兑权证的估价方法，在基于SVt模型的Monte Carlo模拟估计效果不佳的情况下，考虑了权证市场本身含有的信息流，加入了隐含波动率，建立了带隐含波动率的厚尾随机波动率模型(SIVt)。在这个模型下，权证估价的效果要显著优于SVt模型下的结果，更好地预测了市场的未来走向，对权证创设的决策具有积极意义。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 论文研究的背景和目的
• 1.2 论文的结构和创新点
• 2 随机波动率模型
• 2.1 起源
• 2.2 波动率的特性及模型的发展
• 2.3 模型的应用
• 3 模型参数的估计方法
• 3.1 极大似然估计
• 3.1.1 拟极大似然估计
• 3.1.2 基于重要性抽样的极大似然估计
• 3.1.3 重要性抽样的有效性检验
• 3.2 贝叶斯估计
• 3.2.1 Metroplis-Hastings抽样
• 3.2.2 Gibbs抽样
• 3.2.3 收敛性诊断
• 4 模型估计及预测
• 4.1 模型估计
• 4.1.1 数据获取
• 4.1.2 数据基本统计分析
• 4.1.3 参数估计
• 4.1.4 模型比较及检验
• 4.1.5 结果列表及分析
• 4.2 数据选取及波动率预测
• 4.2.1 数据段选取方法
• 4.2.2 预测原理
• 4.2.3 预测效果评价
• 5 SVt在模型证券创新业务中的应用
• 5.1 证券创新业务的地位
• 5.2 SV方法的应用现状
• 5.3 融资融券业务的违约风险度量
• 5.3.1 融资融券业务
• 5.3.2 风险度量
• 5.4 备兑权证估价方法
• 5.4.1 基于历史波动率的Black-Scholes公式法
• 5.4.2 基于简单 SV模型的Hull-White数值法
• 5.4.3 基于 SVt-Monte Carlo方法
• 6 基于权证隐含波动率的 SIVt模型
• 6.1 SIVt模型的提出
• 6.2 SIVt模型的分析
• 6.3 基于SIVt-Monte Carlo的权证估值方法
• 7 结论
• 致谢
• 参考文献
• 附录 A1 SVt模型参数估计程序
• 附录 A2 融资融券违约风险度量程序
• 附录 A3 基于 SIVt模型模拟权证价格程序
• 附录 B1 表——上证50各股 SVt模型估计结果
• 附录 B2 表——上证50各股融资融券违约风险