本文是一篇國際金融論文，本文的研究對管理者和投資者深入理解我國股市與期權(quán)隱含風(fēng)險厭惡之間的關(guān)系，為利用期權(quán)的前瞻信息預(yù)測特定股票市場波動率提供了新的思路，具有一定的實踐意義和借鑒價值。
第一章  緒論
第一節(jié)  研究背景及意義
一、選題背景
近年來，中國股市出現(xiàn)了大幅異常波動，股指波動幅度大、頻率高成為了股市新的“常態(tài)”。與西方國家甚至一些發(fā)展中國家相比，我國股票市場無論在波動的幅度上，還是在波動的次數(shù)上均遠(yuǎn)遠(yuǎn)高于這些國家。股票市場的波動是股市對能影響其變化的客觀的外在表現(xiàn)形式，而波動率作為量化描述股票市場外在表現(xiàn)的指標(biāo)，是影響投資組合風(fēng)險管理，金融衍生品定價等金融活動至關(guān)重要的因素，因此對我國股票市場波動率的預(yù)測研究是非常必要的（王茹婷，李文奇，2019）。
過去，學(xué)者們對波動率進(jìn)行了大量的研究并對模型進(jìn)行大量拓展，這些研究包括使用資產(chǎn)收益率簡單計算歷史波動率、構(gòu)建廣義自回歸條件異方差GARCH族模型和構(gòu)建隨機(jī)波動率SV模型等來預(yù)測金融資產(chǎn)的波動率等。然而，大多數(shù)研究都是基于日收益率進(jìn)行分析，只能考慮到開盤價和收盤價的信息，沒有考慮到日內(nèi)價格波動的信息，從而導(dǎo)致收益率變動的情況并不能代表當(dāng)日波動率的變化程度，無法準(zhǔn)確描述金融資產(chǎn)價格變化情況。現(xiàn)如今，信息技術(shù)發(fā)展如火如荼，方興未艾，計算機(jī)已經(jīng)能夠有效存儲高頻數(shù)據(jù)，反過來又促進(jìn)研究者進(jìn)行波動率預(yù)測時對數(shù)據(jù)的準(zhǔn)確性和精度要求也越來越高。利用日內(nèi)高頻數(shù)據(jù)計算估計的已實現(xiàn)波動率由于包涵更多的當(dāng)日信息，使得計算的結(jié)果接近實際波動率值，能夠更好的代替實際波動率。因此，現(xiàn)如今，越來越多的研究學(xué)者們把已實現(xiàn)波動率RV模型作為衡量波動率的常用標(biāo)配工具。在預(yù)測已實現(xiàn)波動率的模型中，Corsi（2004）提出的HAR-RV模型被廣泛采用，它不僅性能優(yōu)越，而且簡單易用，成為學(xué)者進(jìn)行波動率預(yù)測的主流方法。 

國際金融論文怎么寫

.....................
第二節(jié)  國內(nèi)外文獻(xiàn)綜述
一、中國股市波動率預(yù)測相關(guān)研究
我國股市波動率預(yù)測一直是學(xué)術(shù)界備受關(guān)注的重要課題并得到了廣泛研究，其中，常用的波動率模型有三種，如下：歷史波動率模型、GARCH模型、已實現(xiàn)波動率RV模型。以下就這幾個方面研究現(xiàn)狀分別展開介紹。
歷史波動率模型根據(jù)過去數(shù)據(jù)進(jìn)行統(tǒng)計分析，假設(shè)未來將延續(xù)歷史規(guī)律。在股票市場，歷史波動率可以反映標(biāo)的股價在歷史期間的波動程度。雖然該方法在預(yù)測的過程中簡單方便，但是預(yù)測的結(jié)果并不盡人意。由于收益率序列存在異方差現(xiàn)象且收益率序列難以滿足正態(tài)性假設(shè)條件，Bollerslev（1986）在Engl（e1982）提出ARCH模型的基礎(chǔ)上，運用GARCH模型對中國股市波動率進(jìn)行預(yù)測，該模型由于包涵滯后條件方差的線性函數(shù)因此能更好的記錄金融時間序列的長記憶特性，因此在后來，該模型逐漸替代了ARCH模型，被各國學(xué)者廣泛應(yīng)用到預(yù)測波動率上來。Taylor（1986）構(gòu)建的隨機(jī)波動率（Stochastic Volatility model，SV）模型。SV模型可以估計潛在的波動率過程。但GARCH模型與SV模型相比，由于替代了無限階函數(shù)，使得形式簡潔、參數(shù)估計更易于實現(xiàn)，因而在波動率的估計及預(yù)測中得到更加廣泛的應(yīng)用。在GARCH模型基礎(chǔ)上，為了更精確的預(yù)測中國股市波動率，許多學(xué)者構(gòu)建了一系列GARCH族模型進(jìn)行改進(jìn)，其中包括王朋吾（2020）運用EGARCH模型、趙華（2011）運用MRS-GARCH模型、Ghysels（2013）提出GARCH-MIDS模型以及馮大武（2012）將跳躍因子加入到GARCH模型等，提高股市波動率預(yù)測的精確度。
...........................
第三章  MS-HAR-RV-IRA模型構(gòu)建
第一節(jié)  已實現(xiàn)波動率RV
一、已實現(xiàn)波動率的計算
評判波動率預(yù)測模型優(yōu)劣，需要充分精確的測量歷史波動率，通過對歷史波動率的精準(zhǔn)度量來預(yù)測未來波動率。在理解波動率的時候，需要考慮波動率的兩個概念，包括廣義波動率和狹義波動率。廣義上的波動率是一種泛指，指一定時間內(nèi)資產(chǎn)收益率的不確定性，是對未來收益率的一種期望；狹義上的波動率則一般用具體數(shù)據(jù)表示即收益率的方差或標(biāo)準(zhǔn)差，能夠通過數(shù)據(jù)測量準(zhǔn)確的計算得到。波動率又包括離散狀態(tài)和連續(xù)狀態(tài)。在離散狀態(tài)下，數(shù)據(jù)在每個節(jié)點都是可以準(zhǔn)確測量得到，因此可以直接計算出樣本方差或標(biāo)準(zhǔn)差來度量波動率，這種方法簡單高效但會因為為缺失信息而較少使用。由于在更多情況下，資產(chǎn)價格是連續(xù)變化的，每時每刻都在發(fā)生波動，通過離散測量的方差或標(biāo)準(zhǔn)差可能因為缺乏足夠的信息，但又由于連續(xù)變化的金融資產(chǎn)無法全部計算得到，因此只能通過其他計算方法對波動率進(jìn)行度量。傳統(tǒng)上，通過日收益平方來度量日波動率，這種方法簡單易懂，但這種方法由于缺少日內(nèi)信息，即日內(nèi)的價格也是在波動的，僅僅日內(nèi)最高價，最低價，開盤價，收盤價等無法包含日內(nèi)價格變動的信息，這總方法被證實存在明顯誤差。隨著技術(shù)進(jìn)步，獲取高頻數(shù)據(jù)變得更容易，高頻書記因為能夠較準(zhǔn)確的表示短時間內(nèi)價格的波動而受到學(xué)者的廣泛關(guān)注，越來越多研究開始采用基于高頻收益的數(shù)據(jù)來計算實現(xiàn)波動率，從而用作真實市場波動率的替代指標(biāo)。
已實現(xiàn)波動率指的就是標(biāo)的資產(chǎn)過去一段時間內(nèi)的波動收益率。Merton在1980年第一次提出，他表示如果在一天當(dāng)中能夠獲得到頻率極高的日內(nèi)收益數(shù)據(jù)，如5分鐘，1分鐘，30秒，5秒等，那么將當(dāng)日中所獲得的高頻收益數(shù)據(jù)全部求平方再加和，可以得到這個交易日的已實現(xiàn)波動率。已實現(xiàn)波動率是通過對高頻數(shù)據(jù)（如分鐘或秒級數(shù)據(jù)）進(jìn)行采樣和計算得到的。與傳統(tǒng)的波動率估計方法（如基于日度或分鐘級別收盤價的波動率計算）相比，已實現(xiàn)波動率可以提供更準(zhǔn)確和更精細(xì)的波動率估計。Andersen和Bollerslve（1998）進(jìn)行了進(jìn)一步的研究，證明了當(dāng)日內(nèi)收益率時間序列非自相關(guān)且一定時間內(nèi)采樣頻率足夠大時，資產(chǎn)收益率的平方和是實際波動率的一致估計。
........................
第二節(jié)  HAR-RV模型
HAR-RV模型是一種用于估計金融市場波動率的模型，其中HAR代表“Heterogeneous Autoregressive”?；诋愘|(zhì)市場假說，Corsi提出的 HAR-RV 模型已經(jīng)成為描述RV動態(tài)性的最流行的假說之一，旨在捕捉金融市場中的波動率動態(tài)。HAR-RV模型基于實現(xiàn)波動率（Realized Volatility）的概念，包括三個主要的成分：長期成分、短期成分和超短期成分。長期成分捕捉到較長時間尺度上的波動率變化，短期成分反映了中等時間尺度上的波動率變化，而超短期成分則反映了短期內(nèi)的波動率變化，這些變量分別代表短期、中期和長期波動的行為。
能否構(gòu)建 HAR-RV 模型，需要綜合考慮每個解釋變量日已實現(xiàn)波動率、周已實現(xiàn)波動率和月已實現(xiàn)波動率。因此，第一步我們首先要通過公式和編程計算得出日已實現(xiàn)波動率、周已實現(xiàn)波動率和月已實現(xiàn)波動率。
...................
第三章  MS-HAR-RV-IRA模型構(gòu)建 ................... 13
第一節(jié)  已實現(xiàn)波動率RV ................................ 13
一、已實現(xiàn)波動率的計算.............................. 14
二、已實現(xiàn)波動率的基本特征........................... 14
第四章  基于MS-HAR-RV-IRA的中國股市波動率預(yù)測實證研究 ......................... 21
第一節(jié)  數(shù)據(jù)選取和統(tǒng)計................... 21
一、數(shù)據(jù)選取............................... 21
二、描述性統(tǒng)計........................... 21
第五章  結(jié)論與展望 .................. 45
第一節(jié)  研究結(jié)論................................... 45
第二節(jié)  政策建議.................................. 45
第三節(jié)  研究展望...................... 46
第四章  基于MS-HAR-RV-IRA的中國股市波動率預(yù)測實證研究
第一節(jié)  數(shù)據(jù)選取和統(tǒng)計
一、數(shù)據(jù)選取
以上證50ETF為研究對象，數(shù)據(jù)來源于Wind數(shù)據(jù)庫。數(shù)據(jù)樣本時間段為2015年2月9日至 2021年12月31日。按照金融市場特征，需要剔除節(jié)假日和周末等未能交易的日期，剔除后一共有1680個有效交易日。上證50ETF交易時間為每天上午9點30至11點30，下午13:00至15:00。每個交易日共有4小時交易時間，本文采用5分鐘的采樣頻率，每小時共有12（M=12）個有效信息，每個交易日共4小時能得到48（M=48）個有效信息，1680個有效交易日一共獲得80640個有效的價格信息，則本文樣本數(shù)據(jù)總量為 80640個。本文使用中國上證50EFT的5分鐘高頻數(shù)據(jù)進(jìn)行實證研究，樣本區(qū)間為2015年2月9日—2021年12月31日，日度數(shù)據(jù)共 1680個，高頻數(shù)據(jù)共 80640個，其中樣本內(nèi)擬合區(qū)間為全樣本，區(qū)間跨度為2015年2月9日到2021年12月31日。用于估計樣本外參數(shù)的區(qū)間為 2015年2月9日到2019年12月31日，用于樣本外預(yù)測區(qū)間為2020年1月2日到2021年12月31日。

國際金融論文參考

........................
第五章  結(jié)論與展望
第一節(jié)  研究結(jié)論
馬爾可夫機(jī)制轉(zhuǎn)換與期權(quán)隱含風(fēng)險厭惡相結(jié)合，構(gòu)建了新的波動率模型，并以上證50ETF期權(quán)價格數(shù)據(jù)為例，運用樣本外滾動預(yù)測技術(shù)以及嚴(yán)謹(jǐn)?shù)慕y(tǒng)計檢驗，主要研究結(jié)論為：
1.選取2015年2月9日-2021年12月31日的上證50ETF期權(quán)數(shù)據(jù)的每5分鐘高頻數(shù)據(jù)作為本論文的數(shù)據(jù)樣本，獲取已實現(xiàn)波動率序列，對時間序列進(jìn)行統(tǒng)計分析，結(jié)果表明已實現(xiàn)波動率具有波動聚集性、長記憶性、跳躍性等特征。
2.考慮馬爾可夫狀態(tài)轉(zhuǎn)換的MS-HAR-RV模型大幅提升了樣本內(nèi)擬合能力。說明引入馬爾科夫機(jī)制在改善了基準(zhǔn)模型的擬合能力；在此基礎(chǔ)上引入期權(quán)信息IRA的MS-HAR-RV-IRA模型樣本內(nèi)擬合同樣大幅提升，具有最高的樣本內(nèi)擬合能力。說明引入期權(quán)信息IRA的全新MS-HAR-RV-IRA模型在一定程度上改善了MS-HAR-RV模型和HAR-RV模型的擬合能力。
3.在樣本外預(yù)測中，本文利用樣本外滾窗技術(shù)和模型置信（MCS）檢驗方法對各模型的樣本外預(yù)測能力進(jìn)行評估比較，結(jié)果證實了在模型中引入期權(quán)信息IRA的MS-HAR-RV-IRA模型在樣本外預(yù)測中具有最好的表現(xiàn)能力。進(jìn)一步地，為確保實證結(jié)果的可靠性和穩(wěn)健性，我們還選擇了不同的預(yù)測窗口長度、將RV替換為價格極差、以及采用了不同的市場，所得結(jié)果均與初始樣本外預(yù)測的結(jié)論具有一致性。因此，得出的結(jié)論是，具有最好預(yù)測能力表現(xiàn)的模型依舊是MS-HAR-RV-IRA模型。
4.在第四章的基礎(chǔ)上，探究構(gòu)建出的最優(yōu)預(yù)測模型的實際應(yīng)用價值。本文通過利用構(gòu)建的MS-HAR-RV-IRA模型以及其比較基準(zhǔn)模型來對VaR 進(jìn)行計算，結(jié)果表明，MS-HAR-RV-IRA模型在1%、2.5%、5%、10%的置信水平下結(jié)果均優(yōu)于HAR-RV和MS-HAR-RV模型，MS-HAR-RV-IRA模型具有總體最佳的VaR 的預(yù)測性能，豐富了HAR類模型在風(fēng)險管理中的實際價值。
參考文獻(xiàn)（略）