2019年金融工程系课题申请
2019年金融工程系课题申请
为了提高金融工程学生学术研究和解决实际问题能力，现向金融工程系本科生和量化投资研究生展开课题申请工作。本课题只针对金融学院金融工程系的本科生和量化投资的研究生。
课题申请截止时间：2019年6月27日
课题结题截止时间：2019年10月31日
要求：
学生可以自行组队，每个小组最多四人。每组可以从下面课题中任意选择一个，填写《金工系课题立项申请表(2019)》，于2019年6月27日前发送到lxymint@163.com或者pms104070@gmail.com。
学生自行查找资料和文献，完成学术论文或者研究报告。
每个问题不限制选择小组数量，评委会择优选取。对于申请通过的小组（会在6月底前收到邮件通知），可以获得项目初始经费800元。在项目通过结项评审后可以平均分配总奖励金额为10,000元的总奖励。例如：如果最终只有1个队伍获得奖励，则独享10,000；如果2个队伍，则每个队伍获得5,000元奖励。最终评审会严格控制研究报告质量和论文质量。
如有疑问，可以邮件咨询jundeng@uibe.edu.cn
实践类问题
问题一：通过查找国外就业招聘网站（可以自行查找其他网站）：https://www.job.com/，www.indeed.com, http://www.monster.com/，http://www.glassdoor.com，https://www.careerbuilder.com/等
和国内招聘网站http://www.chinahr.com/ ，www.51job.com，www.zhaopin.com等上面和金融工程相关职位的人才需求。金工的就业方面可以参考Baruch的employment report中的工作种类，https://mfe.baruch.cuny.edu/employment-stats/。
需要统计分析：
职位数量、就业领域、招聘公司类别、职位地域分布、技能要求（金融、数学、计算机）、工作主要内容、薪资水平等。
最后完成一个金工国内就业市场研究报告。
问题二：本课题旨在分析国内外金融工程相关专业的开设、建设、课程、就业、特色等，最后完成一个金融工程国内外项目研究报告。
金工相关专业： 金融工程（financial engineering）、计算金融（computing finance）、量化金融（quantitative finance）、数据分析（business analytics）、金融数学（mathematical finance）。国外的项目可以从https://quantnet.com/mfe-programs-rankings/查到。
国内的自行查找。
需要统计分析：
金工专业的目前开设情况、核心课程（课程云等方式）、就业率、学生就业薪资、特色、录取学生背景（GPA，专业，TOEFL等）、就业领域等。
学术研究问题
问题1，方差风险溢价和收益率预测：来自上证50ETF期权的实证检验
简介：方差风险溢价反映了投资者的风险规避程度以及对极端损失发生概率的高估。根据方差风险溢价的变化，我们可以追踪当前市场的风险偏好。基于上证50ETF期权的数据，我们可以构造多个维度的方差风险溢价，并检验其对收益率的预测能力，并讨论背后的经济学含义。
参考文献：Bollerslev T, Tauchen G, Zhou H. Expected stock returns and variance risk premia[J]. The Review of Financial Studies, 2009, 22(11): 4463-4492.
问题2，期权定价模型在中国市场的实证检验：校准和预测
简介：自从2015年中国首支期权——上证50ETF期权上市交易以来，期权成为了投资者们进行风险管理和对冲套利的有效工具。但鲜有文献基于实证数据，对包括B-S模型、Heston模型，Bates模型等在内的波动率模型进行校准，并考察其在样本外的表现。
参考文献：Bates D S. Empirical option pricing: A retrospection[J]. Journal of Econometrics, 2003, 116(1-2): 387-404.
问题3，构建外汇投资组合：基于外汇期权隐含信息的视角
简介：由于外汇期权存在活跃交易的货币对，基于期权的隐含波动率，我们可以推测出期权的隐含相关系数和隐含协方差矩阵。基于期权隐含的协方差矩阵，我们基于最小方差模型检测外汇投资组合在样本外的表现。
参考文献：郑振龙, 王磊. 汇率相关性预测的比较研究[J]. 金融研究, 2018, 443(5): 18-31.
问题4，利用期权隐含信息改善大类资产投资组合的效果
简介：我们利用期权的隐含信息来改善均值-方差模型在大类资产配置上的效果，可供选择的大类资产包括股票、债券、黄金以及商品等有活跃期权交易的品种。
参考文献：DeMiguel V, Plyakha Y, Uppal R, et al. Improving portfolio selection using option-implied volatility and skewness[J]. Journal of Financial and Quantitative Analysis, 2013, 48(6): 1813-1845.
问题5，利用机器学习方法优化投资组合
简介：传统的投资组合模型依赖过去的信息来估计协方差矩阵和期望收益，估计偏差会让投资组合模型在实证中跑输等权重组合（1/N）。随着数据集规模的提高，机器学习方法的预测效果也会显著提升。我们拟引入包括支持向量机（SVM）、Lasso回归、神经网络在内的机器学习方法来改善投资组合效果，验证其在大规模数据集中能否显著跑赢等权重组合以及其他的投资组合模型。
参考文献：Li X. Aggregating Information for Optimal Portfolio Weights[J]. Available at SSRN 3248680, 2018.
问题6. A股时间序列动量的存在性及成因
参考文献：（1） Jegadeesh, N., & Titman, S. (1993). Returns to buying winners and selling losers: implications for stock market efficiency. Journal of Finance, 48(1), 65-91.
（2）Grundy, B. D. , & Martin, J. S. . (2001). Understanding the nature of the risks and the source of rewards to momentum investing. Rodney L. White Center for Financial Research Working Papers, 14(1), 29-78.
问题7. 世界杯期间股票的联动性分析
问题8. 基于高频数据的期货流动性与波动性的实证研究
参考文献：
（1） Hendershott, T., C. M. Jones, and A. J. Menkveld (2011). Does algorithmic trading
improve liquidity? The Journal of Finance 66(1), 1–33.
（2）Hasbrouck, J. (2018). High-frequency quoting: Short-term volatility in bids and offers. Journal of Financial and Quantitative Analysis 53(2), 613–641
问题9. 基于高频数据的期货价格发现功能的实证研究
问题10. 外汇期货基差偏度对现货收益率的预测能力
参考文献：Adrian Fernandez-Perez, Bart Frijns, Ana-Maria Fuertes, Joelle Miffre, 2018. The skewness of commodity futures returns, Journal of Banking & Finance, 86, pp. 143-158.
问题11. 贸易战”背景下我国期权市场波动性的影响
本课题也可以选择做交易量、交易策略的影响，可以选择做Event Study。
