基于ARFIMA-APARCH模型的中国黑市汇率非对称性与杠杆效应研究.pdfVIP

基于ARFIMA-APARCH模型的中国黑市汇率非对称性和杠杆效应研究* 夏南新 中山大学岭南学院 Research on the Asymmetry and Leverage Effect of Black Exchange Rate in China Based on the ARFIMA-APARCH Model [摘要]本文利用 模型对中国黑市汇率的非对称性和杠杆效应进行了研究，发现黑市汇率取 ARFIMA-APARCH 对数后形成的序列表现为偏度和峰度共存，如果在有偏学生分布下对A-PARCH进行估计，参数检验的显著性 会大大增强，并证实了ARCH 模型簇往往将对称t 分布、GED 误差分布与不对称冲击结合在一起来考察。 关键词：ARFIMA-APARCH黑市汇率 非对称性 杠杆效应 一、引言 金融资产序列分布普遍具有尖峰与肥尾特征。若市场一旦存在获利机会时，投资者便会蜂 拥而至，于是便可能出现众多获益者；若市场出现亏损时,更多的人可能会亏损,暴发户和暴 亏户总是少数。针对这种羊群效应式的投资波动集聚性，Engle (1982)提出了自回归条件异方差 (ARCH)模型。实证表明，选取这种高阶模型，可以有效地捕捉条件异方差性和模拟序列的集 聚性，但待估参数会增多，导致估计效率下降。对此，Engle 的学生Bollerslev（1986）在ARCH 模型中增加了自回归项，对模型的条件方差函数进行拓展，构造出广义ARCH 模型，即 GARCH 模型。这样，将高阶ARCH 模型便转化成为简洁的GARCH 模型，从而大大减少需 要估计的参数，使模型识别和估计变得较容易。不过，尽管GARCH 具有描绘金融数据方差自 相关性等诸多优点，但是，它却未能充分捕获高频金融时间序列的尖峰与肥尾特性，对金融资 产的的杠杆效应也无法刻画。金融序列波动具有杠杆效应，即负的冲击要比正的冲击引起更大 的波动，在黑市汇率日益增长的威胁中，由坏消息产生的负冲击大于由好消息引起的正冲击， 这意味着黑市汇率下跌引起的波动更大。 e 一个重要的最近新息( )集中在由数据转换来的势项（Power ）上，存在波动集聚绝不是 t 资产价格回报平方所独有，通常，资产价格变化的绝对值也会出现波动集聚现象，在这个作用 中，普遍使用一个平方项是最可能反映传统意义上引起的关于数据正态性的假设。假如数据序 列呈正态分布，那么我们就能够完全使用它的一阶和二阶矩来反映它的分布特征。像这样，集 中平方项并因此测定波动性是恰当的。然而，假如我们接受残差数据可能有一个非正态分布， 那么，就必须充分地超过偏度和峰度的较高阶矩类。在这种情形下，平方项失去优势，其它势 变形可能更合适。而Ding等人提出的势 ARCH （即Power ARCH ）这样一种新类型模型，它 是由数据拟合模型将势项估计出来，这个势项并不是研究者强加上去的。因而，这个模型允许 一个有效无限转换范围，包括任何正的取值在内。它包括标准ARCH 类模型，这类模型详细说 明了平方项的使用和GARCH （Taylor，1986）的使用，它把条件标准差作为一个联系过去滞 后绝对残差和标准差的函数（Yu Chuanhuang，Lin Borjing，2004）。Ding ，Granger和Engle （1993） 设定了一个广义非对称势ARCH 模型形式，以捕捉收益对未来波动性冲击的潜在非对称效应。 2005 年国家社会科学基金资助的一般项目（05BJL062 ），课题名称：地下经济对国家经济安全影响的实证研 究。 1 A PARCH 模型被证实是嵌入各种先前建议的扩展式，并产生好得多的样本拟合（Ding， Granger and Engle ，1993；Tse and Tsui，1997；Mckenzie and Mitchell ，2002）。这是针对金融 时间序列存在的尖峰厚尾特征和杠杆效应提出的一种非对称的GARCH 模型。 利用APARCH 模型对条件异方差的估计和预测效果要比其它的模型更好些。不过，通常 的模型都建立在正态分布假