论文部分内容阅读
DCC-MIDAS模型综合了DCC-GARCH模型与GARCH-MIDAS模型的特点,它可以充分发挥两者的优势。第一,考虑了过去市场信息对关联关系的影响,具有时变特性;第二,巧妙地将动态相关区分为长期动态相关与短期动态相关,能够充分揭示金融时间序列间的时变关联关系;第三,无需同频化操作,可以直接对原始混频数据进行建模,有效地利用了混频数据中的丰富信息。因此,DCC-MIDAS模型可以改善时变关联关系的估计精度,实现时变协方差矩阵的稳健与有效估计。为此,本文将DCC-MIDAS模型应用于均值-方差组合投资研究,针对适量金融资产与大规模金融资产两种情形开展实证研究工作。针对适量金融资产情形,经典均值-方差模型的组合投资效果往往受到协方差矩阵估计精度低与权重静态设置两个方面的不利影响。为此,本文提出了一种新的时变组合投资决策模型:一方面引入DCC-MIDAS模型,运用高频信息,提高金融资产间的动态关联关系估计精度;另一方面考虑金融资产时变特征对组合投资权重的影响,进行参数化设计,改善时变组合投资效果。对中国股市的个股以及行业板块进行了实证研究,结果表明:账面市值比、市盈率与组合投资权重呈正相关关系,市值与组合投资权重呈负相关关系;新模型在标准差风险、Sharpe比率和有效前沿等方面,都优于传统的组合投资模型。针对大规模金融资产情形,论文提出了一种新的基于DCC-MIDAS与范数约束的时变最小方差模型,简记为NC-MVP-DCC-MIDAS。该方法利用DCC-MIDAS模型,充分挖掘混频数据中所包含的丰富信息,以改进金融资产间动态相关性的估计。此外,该方法对最小方差优化模型施加弹性网范数约束,以选择合理数量的金融资产并防止在最终组合投资中出现极端头寸。通过对中国上证50指数成分股的组合投资研究,验证了新模型的有效性。实证结果表明,该方法能有效地解决高维组合投资选择问题,并且在均值、标准差、Sharpe比率和组合投资回测等方面都优于传统的组合投资模型。本文研究结果表明,DCC-MIDAS模型在刻画金融资产时变关联关系方面具有强大的优势,将其引入Markowitz组合投资决策模型中,可以显著改善组合投资的效果。论文实证论证了DCC-MIDAS模型在组合投资领域的可行性与优越性,为组合投资决策分析提供了新的思路与视角,同时这也拓展了DCC-MIDAS模型的应用范围。此外,本文研究结论还可为市场投资者与金融监管机构在风险测度与风险管理等方面提供一定的决策支持。