基于MCMC方法的SV模型估計(jì)及VAR計(jì)算.pdf

1、隨著金融市場(chǎng)的不斷壯大與發(fā)展，對(duì)于風(fēng)險(xiǎn)的關(guān)注已經(jīng)提到了一個(gè)前所未有的高度。而VaR理論又是目前國際上風(fēng)險(xiǎn)評(píng)價(jià)的主流方法，在衡量VaR時(shí)，如何對(duì)波動(dòng)進(jìn)行刻畫是最關(guān)鍵的?？坍嫴▌?dòng)性的模型中最重要的有兩類：1982年由Engle和Bollerslev提出的ARCH-GARCH(自回歸條件異方差-廣義自回歸條件異方差)模型和SV(隨機(jī)波動(dòng))模型。從數(shù)據(jù)生成的角度來看，ARCH類模型描述的是離散的可觀測(cè)時(shí)間序列的波動(dòng)特性，其波動(dòng)過程由過去的觀測(cè)值

2、和過去誤差的平方項(xiàng)線性表示。而SV模型則是一類隨機(jī)微分方程。相對(duì)于ARCH類模型來說，SV模型的波動(dòng)是由一個(gè)不可觀測(cè)的隨機(jī)過程決定的，它被認(rèn)為更加適合于金融領(lǐng)域的實(shí)際研究，也是目前刻畫異方差性最精確的模型，但是由于這一類模型的參數(shù)估計(jì)比較困難，因此在一定程度上影響了它的實(shí)際應(yīng)用。 而基于貝葉斯分析的MCMC(Markov Chain Monte Carlo)方法是目前估計(jì)SV模型參數(shù)最好的方法，但由于MCMC方法的高維積分問題，

3、計(jì)算過程比較復(fù)雜，所以其應(yīng)用一直有限。我們通過專門開發(fā)的貝葉斯分析軟件winBUGS(BayesianUsing Gibbs Sampling)則可以很好的解決這個(gè)高維的積分問題，從而估計(jì)SV模型中的各項(xiàng)參數(shù)進(jìn)而得到比較精確的模型估計(jì)。 最后，本文利用基于MCMC方法的win BUGS軟件分析上海股市收益率序列從而得到SV模型的估計(jì)式，并從SV模型中求得各項(xiàng)時(shí)變方差，從而計(jì)算出相應(yīng)的 VaR 序列，并與下一日收益率進(jìn)行比較發(fā)現(xiàn)S