基于Gibbs抽样贝叶斯随机波动模型分析.pdfVIP

基于Gibbs 抽样的贝叶斯随机波动模型分析1 朱慧明，赵锐，郝立亚 湖南大学统计学院，长沙（410079 ） 摘 要：随机波动性是经济金融时间序列中的一个普遍现象，它在金融风险管理研究中具有 重要地位。通过分析随机波动模型的统计结构，推断了SV 模型似然函数的具体形式，据此 构造了模型参数的共轭先验分布；利用贝叶斯定理获得了相应的模型参数后验条件分布；同 时，为了获得模型参数的贝叶斯估计及其置信区间，设计了基于Gibbs 抽样的MCMC 数值 计算程序，并利用上海综合指数和深圳成份指数数据进行了建模实证分析。研究结果表明： 贝叶斯方法是研究金融时间序列波动性问题的有效工具。 关键词：随机波动模型，贝叶斯分析，Gibbs 抽样，MCMC 模拟 中图分类号：F830.91 ，O212.8 文献标识码：A 波动性是金融市场的重要特征之一，它通过金融收益率的方差来测度。早期的金融理论 认为金融收益率的方差恒定不变，但是这一假设越来越呈现不合理的方面。大量的实际数据 表明：用来测度金融波动性的方差和协方差是随时间变化的，而且在方差变化过程中，幅度 较大的变化后面往往跟随着幅度较大的变化，幅度较小的变化后面也往往跟着幅度较小的变 化，这就是通常所说的波动聚集性（volatility clustering ）。目前，研究波动聚集性现象的模 型主要有两类：一类是由诺贝尔经济学奖获得者、美国著名的统计学家Engle 于 1982 年在 研究英国通货膨胀指数问题时提出的自回归条件异方差（Autoregression conditional heteroscedasticity variance ）模型，简称ARCH 模型；此后Bollerslev 等学者将这一模型推衍 成GARCH 模型、LGARCH 模型和GARCH—M 模型[1-2]等。另一类模型是Taylor 于 1986 年在解释金融收益序列波动的自回归行为时提出的随机波动模型（stochastic volatility model） [3]，简称SV 模型；当然，SV 模型的产生既有其数理金融的背景，也有其金融计量的根源。 与ARCH 模型比较，SV 模型提供了更加灵活与实际的金融时间序列建模方法，并在实 践中获得广泛应用[4-6] 。目前，SV 模型的建模方法可以概括为两类，其一是矩估计法，如广 [7-8] 义矩估计法、模拟矩估计法（simulation-based methods of moment ） 等；其二是似然函数 [9] 估计法，如Nelson 和Ruiz 的伪极大似然计估计法（quasi maximum likelihood method ） ， 模拟极大似然估计法等。然而这些建模方法都是建立在频率统计理论基础之上，其基本前提 条件是模型参数固定不变，这一观点与实际经济问题不相符的，因为经济环境是随着时间的 推延而在不断变化的，经济现象不具有独立重复性，模型参数也会随着经济环境的变化而波 动；因此，利用贝叶斯推断方法构建SV 模型更科学，因为在贝叶斯理论体系中，模型参数 也是随机变量；根据芝加哥大学统计学家 Zellner[10] 的观点，与频率统计方法比较，贝叶斯 方法更适合经济现象的建模问题研究。本文拟在对SV 模型的统计结构剖析的基础上，研究 模型参数的贝叶斯分析方法，并进行实证研究。 1. SV 模型的统计结构 Taylor 在解释金融收益序列波动的自回归行为时提出了SV 模型，其基本形式如下： y exp(θ / 2)u ，t 1,2,L,n （1） t t t 其中{y 1 ,y 2 ,L,y n } 为收益序列，u ,u ,L,u 相互独立同标准正态分布N (0,1) ，并且序列 1 2 n 1本课题得到教育部新世纪优秀人才支持计划项目（NECT05