大数据环境下模型平均法对金融市场波动率预测的影响研究

As one of the most popular topics in economics and finance studies, a precise forecast of financial market volatility can bring huge profits to investors, and it is of great significance to maintaining financial market stability. In order to improve the forecast precision of financial market volatility, this project proposes a new model averaging method -- model averaging heterogeneous autoregression or simply MAHAR. We will first prove that MAHAR is asymptotically optimal in the sense of achieving the lowest possible mean squared forecast error, therefore, establish a solid theoretical foundation for the empirical studies of this project. We then apply the MAHAR method to forecast the CBOE VIX. Specifically, we will verify the empirical performance of MAHAR in the big data environment. We will introduce the U.S. sentiment index created by Janys Analytics in the MAHAR calculation process in order to improve forecast precision. We will study and solve the problems that model averaging encounters in the big data environment. Finally, we will concentrate on the empirical application of MAHAR in the Chinese financial market. By providing accurate forecasts of financial market volatility, our MAHAR method will contribute significantly on building up a comprehensive early-warning mechanism for the Chinese financial market.

作为经济金融领域中最热门的话题之一，“金融市场波动率预测”除了能为投资者带来丰厚的收益，更对维护金融秩序、保持金融市场稳定有着重要的意义。本项目以提高金融市场波动率的预测精度为目的，提出一种新的模型平均法–模型平均异质自回归法（MAHAR）。在理论研究中，我们将论证MAHAR的大样本性质，特别是论证MAHAR的渐进最优性，为本项目的实证研究建立坚实的理论基础。实证研究分为两部分：（1）以预测美股波动指数VIX为例，验证MAHAR在金融大数据环境下的表现。我们会在MAHAR计算过程中引入由Janys Analytics公司创建的美国金融情绪指数USSI以提高预测精度，并研究和解决模型平均在大数据环境下应用会遇到的难题。（2）我们将重点研究MAHAR在中国金融市场上的实证应用。通过对中国金融市场以及个股波动率更精确的预测，为建立更加完善的金融预警机制提供重要参考。

本课题主要研究在大数据环境下，如何通过模型平均法来提高金融和经济重要指标（如股票波动率，汇率价格和波动率，比特币波动率，经济增长率，电影票房等）的预测精度。主要研究内容以原计划的三个子课题为基础（第一至第三），并进行了更加深入的拓展（第四至第五），取得了丰富的成果。.第一，提出了一个全新的模型平均实际半方差模型（Model Averaging Realized Semi-variance, MARS），并对其理论基础进行了论证和推导。证明了MARS方法的渐进最优性。注：原计划中，该方法被命名为MAHAR（Model Averaging Heterogeneous Autoregression）,根据审稿人的意见将其更名为MARS，并发表在国际重要期刊《管理科学学报（英文版）》。目前是该刊物总下载量排名第三的文章。第二，研究MARS在金融大数据环境下，预测VIX指数的表现。研究发现MARS方法可以很好地提高VIX指数的预测精度，其中大数据情绪指数起到了重要的作用。第三，研究MARS在中国市场中的表现。研究发现模型平均法应用到中国等国家的经济增长分析中，效果优于一般计量模型，但不如非线性集成学习法。后续研究以此为基础，做了深入的拓展。第四，拓展MARS的模型平均思想到了集成学习之中。研究发现以非线性为代表的集成学习法，能够更好地拟合跨国经济增长模型。而MARS法可以很好地计算集成学习的权重设置。第五，进一步将MARS方法拓展到了更多的实证应用中。研究发现，模型平均法能够很好的解决模型不确定性问题，进而大幅提升包括除VIX外的100多只股票波动率、汇率价格和波动率、比特币波动率、经济增长率研究、以及电影票房等重要经济金融指标的预测精度。.社会意义：研究了模型平均法和集成学习法结合大数据在提高经济金融预测精度上的贡献。为预防经济金融风险，完善的金融预警机制提供重要参考。.学术创新：（1）方法论创新：提出了全新的MARS方法，并证明了其渐进最优性； （2）实证创新：研究了模型平均法多个金融经济领域的实证应用，极大地拓展了该方法的实证应用范围；（3）对比了模型平均法于集成学习法的优缺点，拓展了现有文献。