GARCH模型在股票市场指数收益率波动研究中的应用.docVIP

GARCH模型在股票市场指数收益率波动研究中的应用 　　摘要:股票收益率波动对于风险管理和资产定价有重要意义，大多数金融时间序列具有尖峰厚尾特性和波动集聚性。对于普遍使用的ARMA模型，由于其自身的线性性质而明显不适用描述此类金融时间序列。本文应用由Engle提出的ARCH模型和由Bolleslev加以改进产生的GARCH模型对中国市场指数收益率的波动进行了研究。 　　 　　关键词： GARCH模型；极大似然法；混成检验 　　Abstract: the stock yield fluctuation has important significance for the risk management and asset pricing, most financial time series with rush thick tail and wave agglomeration features. For ARMA model is widely used, because of its linear properties and obviously does not apply to describe this kind of financial time series. This paper applied the ARCH model proposed by Engle and produced by Bolleslev improved GARCH model to the Chinese market index yield fluctuation is studied. 　　Key words: GARCH model; The maximum likelihood method; Composite testing 　　中图分类号：D912.29文献标识码：A文章编号：2095-2104(2013) 　　 　　前言 　　 传统金融计量模型（如ARMA）假定金融资产价格服从正态分布且价格波动不随时间变化而变化。虽然这一假定使实际问题大大简化而便于分析，但却未能解释金融时间序列的两个重要特征——尖峰厚尾(Leptokurtosis)和波动集聚性(Volatility Clustering)。为解决这一问题，Engle提出的一种条件导方差模型——ARCH(Autoregressive Conditional Heteroscedasticity)模型，Engle注意到AR模型中的无条件期望为0，但其条件期望可以不为0，而是依赖于时间及滞后项(Lag)，并将AR模型应用到条件方差中，从而获得能捕抓金融时间序列特征的ARCH模型[1]。但是ARCH(q)模型常常需要很大的阶数q，这不仅增加了计算量，还带来了解释变量出现多重共线性问题。为避免出现这种局面，Bolleslev通过在方差的解释项中巧妙地引入无穷期滞后阶误差项，得到GARCH(Generalized Autoregressive Conditional Heteroscedasticity)模型[2]。事实表明，GARCH模型在经济金融领域的应用中取得了良好的效果。 　　 中国股票市场已经运行了20年，中国股票市场指数收益作为一种金融时间序列同样具有一般金融时间序列的尖峰厚尾及异方差的特征，为了深入分析指数收益的性质，本文将给出GARCH模型，并以此模型为中国股票市场的指数进行实证分析。 　　广义自回归条件异方差(GARCH)模型介绍 　　GARCH模型 　　GARCH模型的设定 　　 定义2.1 若为一个时间序列过程，且满足 　　 (1) 　　其中，。则称上述模型为GARCH(p,q)模型，而称为一个GARCH(p,q)过程。 　　 特别地，当时，即GARCH(1,1)过程，GARCH(1,1)过程是最简单的一种GARCH过程，尽管形式简单，但它在金融实证分析中有着广泛的应用。 　　GARCH过程的ARMA表示 　　 类似于将ARCH过程表示为AR过程，GARCH过程可以将表示为ARMA过程的形式。若服从GARCH(p,q)过程： 　　 令，则可以证明，即为鞅差序列，从而是一白噪声。这样，由 　　 　　其中，。因此，为ARMA(max(p,q),q)过程。当时，特征方程的根都在单位圆外，因而平稳，此时的自相关函数(ACF)呈指数衰减[4]。 　　 由上述分析可得GARCH(p,q)过程平稳的条件： 　　 定理2.1 若服从GARCH(p,q)过程，且，则平稳当且仅当。 　　(G)ARCH模型的性质及其对金融时间序列的经济解释 　　 (G)ARCH模型凭借着良好的性质及经济意义受到广泛的欢迎并大量的应用到金融实证分