ARCH模型族的贝叶斯分析及其在经济中的应用.pdfVIP

摘 要 对 ARCH 模型族的估计，频率学派一般采用极大似然估计方法。GARCH 模 型对系数的一系列约束，使似然函数的数值最优化和参数的统计推断变得更复杂。 然而，贝叶斯估计可以通过计算未知参数的后验分布的数值积分来实现模型的参 数估计，基于参数的截断后验分布直接抽样，很容易处理 GARCH 模型的参数约 束问题。随着 MCMC 方法的发展，贝叶斯分析方法在时间序列领域的应用越来越 广泛。 本文从贝叶斯分析的角度出发，采用 MCMC 方法，对几类典型的 GARCH 模 型进行了进一步的研究。其主要内容包括： 第一，ARCH 模型族与 MCMC 方法的评述。本文回顾了贝叶斯理论进行时间 序列分析的背景、理论和实际意义，综述了贝叶斯理论在时间序列方面的应用和 国内外相关领域的研究现状；介绍了一种重要的贝叶斯计算方法——MCMC 方法； 回顾了ARCH 模型族发展情况；对频率参数估计方法进行了评价。 第二，ARCH 模型族的贝叶斯分析。本文从新的角度系统地研究 ARCH 模型 族预测方法，拓展了贝叶斯统计研究的新领域。具体说，即从贝叶斯分析的角度 出发，采用MCMC 方法，建立了基于正态分布密度和混合正态分布密度的 GARCH、GARCH-M、AGARCH 、TGARCH 、SW-GARCH 预测模型，探讨了模 型参数的贝叶斯估计，MCMC 方法的数值计算，给出预测分布。 第三，ARCH 模型族在经济中的应用。本文主要研究了两个问题：一是采用 AGARCH 模型研究了我国上证国债指数的波动性，揭示其“杠杆效应”；二是采 用基于马尔可夫链转移的 SW-GARCH 模型研究了美元/人民币汇率的波动性，总 结出具有参考价值的结论。 关键字： ARCH ；GARCH ；MCMC ；M-H 抽样；Gibbs 抽样 I Abstract The classical estimation methods such as the maximum likelihood estimation (MLE)have been always employed to estimate the GARCH models.The classical methods are difficult to use in numerical optimization of the objective function, which is not necessarily convex. And constraints imposed on GARCH coefficients complicate statistical inference on the coefficients as well as the optimization rocedures. However, in the Bayesian approach, we compute integrals of the posterior distribution to estimate them instead of the maximum of the likelihood function. Besides, the constraints on GARCH coefficients are also easily handled by using the truncated posterior distribution of the GARCH coefficients. Meanwhile, with the development of MCMC method, the application of Bayesian analysis in time series theory will be wider and wider. This paper discussed several typical ARCH models, form a Bayesian analysis point. The contents were as follows: Firstly, we reviewed the background of the theory, summerized