基于ARARMA―EGARCH模型的上海银行间同行拆放利率预测研究.docVIP

基于ARARMA―EGARCH模型的上海银行间同行拆放利率预测研究 　　【摘 要】本文通过检验上海银行间同行拆放利率的一年期拆放利率的平稳性、正态性、自相关性和条件异方差性，发现ARARMA-EGARCH模型对其具有较好的拟合、预测效果，从而确定了上海银行间同行拆放利率的一年期拆放利率的预测模型。 　　【关键词】上海银行间同行拆放利率；ARARMA-EGARCH模型；预测模型 　　一、引言 　　上海银行间同行拆放利率（Shanghai Interbank Offered Rate，Shibor）是我国货币市场的基准利率。对Shibor的变化趋势进行系统研究，有利于更好地完善金融产品的定价体系；有利于金融机构的稳健经营；有利于货币市场、债券市场、外汇市场的更好发展。 　　ARMA模型是平稳时间序列中常用的预测建模方法，对于非平稳时间序列，常用的处理方法是建立ARIMA模型，即先将序列平稳化后，再建立ARMA模型进行预测分析。ARIMA模型操作简便，然而其缺点也是显而易见的，差分后的时间序列容易丢失原序列的一些特性，经济意义也不易解释，其对于非平稳时间序列的处理方法是粗略的，由此Parzen提出了ARARMA模型，即首先用一个AR模型将非平稳时间序列平稳化，使长记忆①的时间序列成为短记忆的时间序列，再用一个ARMA模型使短记忆的时间序列成为无记忆的时间序列。相较而言，ARARMA模型需估计的参数较多，然预测精度较高。 　　大量实证研究表明，金融时间序列不仅具有非平稳性，还具有条件异方差性。为处理英国通货膨胀率中存在的条件异方差，1982年恩格尔（Engle，R.）提出了自回归条件异方差（ARCH）模型，而后1986年博勒斯莱文（Bollerslev，T.）对其进行了推广，提出了广义自回归条件异方差（GARCH）模型，相对于ARCH模型实际上只适用于异方差函数短期自相关过程，GARCH模型更能反映实际数据中的长期记忆性质。针对GARCH模型无法解决金融时间序列数据波动存在的非对称效应，1990年Nelson提出了EGARCH模型，弥补了以上不足。经不断发展，GARCH模型现已发展成为包括TARCH模型、EGARCH模型、PARCH模型等在内的GARCH族模型。 　　由此，本文将ARARMA模型与EGARCH模型相结合来研究上海银行间同行拆放利率的一年期拆放利率，以ARARMA模型作为EGARCH模型的均值方程，在建立ARARMA模型的基础上，通过分析残差序列的条件异方差性，建立自回归条件异方差模型。 　　二、ARARMA-EGARCH模型的建立 　　（一）数据的选取 　　本文选用2009年1月1日-2009年12月31日的上海银行间同行拆放利率的一年期拆放利率（以下简称Shibor）进行建模研究，数据区间为2009年1月1日-2009年12月31日，除去周末和节假日，有效样本容量为250个，数据来源为中国货币网，数据处理使用SPSS 16.0和EViews 6.0。 　　（二）数据分析 　　由于2008年的金融危机以及央行货币政策的实行，Shibor呈现“V”型的变化趋势。建模前，须对Shibor进行平稳性检验、正态性检验、自相关性检验和条件异方差性检验，并根据所得的检验结果建立相应的预测模型。 　　1.平稳性检验 　　由时序图可知，Shibor的变化是非平稳的。经ADF检验，发现Shibor为一阶单整序列。本文通过建立一个AR模型将Shibor平稳化。根据F检验准则确定AR模型的阶数，由此建立AR（2）模型。运用EViews 6.0对其进行估计后，对残差序列进行ADF检验，结果通过了平稳性检验，认为残差序列为平稳序列，因此本文采用残差序列进行后续建模。 　　2.正态性检验 　　在描述性统计的基础上，运用One-Sample Kolmogorov-Smirnov Test和Normal Q-Q Plot对残差序列进行正态性检验。 　　运用EViews 6.0对残差序列进行描述性统计分析发现，偏度为0.820818，大于0，为右偏分布；峰度为13.90488，大于3，说明分布为尖峰分布。通过直方图可知，分布有长的左尾和右尾，左尾明显比右尾厚，初步分析该分布不是正态分布。从Normal Q-Q Plot可以看出，残差序列的分布并非直线，在正态直线外散布着大量的点，数据点组成的线呈曲线状，且两端有摆动，说明序列的实际分布两侧具有厚尾现象。通过Detrended Normal Q-Q Plot可知，大多数散点并不是随机分布在通过零点的水平直线周围，而是呈明显的曲线，由此可初步得出序列并非正态分布。Jarque-Bera统计量的值为1256.652，概率为0.00，小于0.05，拒绝正态分布假设，即认为残差序