時間序列在股指波動性建模中的應用——基于MCMC方法的GARCH模型參數(shù)估計.pdf

1、信息技術的快速發(fā)展和金融市場日趨全球化的傾向，導致新型金融產(chǎn)品大量涌現(xiàn)，極大地增加了金融投資和銀行業(yè)務的復雜性，而區(qū)域性金融風暴和銀行危機都表明，需要加強對金融產(chǎn)品穩(wěn)定性的研究。對金融業(yè)進行謹慎的管制，除了需要發(fā)展新的更貼近現(xiàn)實的理論模型外，更迫切的任務是，需要以微觀數(shù)據(jù)為基礎的實證研究。金融資產(chǎn)價格的波動是金融體系風險積累的重要來源之一，幾乎所有的金融危機都與金融資產(chǎn)波動有關。因而，對于波動性的定量計量建模是對金融資產(chǎn)波動性研究的核心

2、內(nèi)容之一，目前，各種統(tǒng)計建模的方法越來越多的應用于金融領域。大量的實證研究表明，金融數(shù)據(jù)中存在著波動集聚性和尖峰厚尾性，因此，用一般的時間序列模型來擬合金融數(shù)據(jù)的波動性顯得不合適。GARCH模型是目前度量金融市場波動性的有力工具之一。參數(shù)GARCH模型是最常用的模型，但對于此模型的參數(shù)估計和相應的統(tǒng)計推斷一直以來是個難題。傳統(tǒng)的方法是基于極大似然估計(ML)的基礎上運用最優(yōu)化理論來對參數(shù)給出估計，然后導出參數(shù)的極限分布進行統(tǒng)計推斷，但由

3、于GARCH模型對其參數(shù)有一定的約束條件，使得此優(yōu)化算法方法較為復雜且使得基于此方法而衍生出的進一步的統(tǒng)計檢驗，如：LM，Wald，LR，等方法的可靠性受到質(zhì)疑。本文中，我們運用馬爾科夫蒙特卡羅(MCMC)方法對殘差基于正態(tài)分布的GARCH(1，1)模型進行估計，此方法通過構造收斂于待估計參數(shù)分布的隨機過程而克服了運用最優(yōu)化算法估計GARCH模型中參數(shù)以及對相應參數(shù)進行統(tǒng)計推斷所產(chǎn)生的上述問題。實證分析結果表明：基于馬爾科夫蒙特卡羅(M