时间序列(电子科大)第七章教案.ppt

马尔可夫链蒙特卡罗方法 MCMC方法基本原理 Gibbs抽样 Gibbs抽样 Gibbs抽样 Metropolis-Hastings算法 Metropolis-Hastings算法 Metropolis-Hastings算法 Metropolis-Hastings算法 ARCH模型及其扩展形式和SV模型及其扩 展形式是两类广泛应用于经济金融时间序列 波动性分析的有力工具，是现代经济计量学 研究的重点. 研究成果：大都表明SV模型族优于ARCH— GARCH模型族. Kim等对两类模型族的区别与联系进行研究， 4. ARCH模型与SV模型的比较 Lehar在将两类波动模型用于期权定价和风 险管理时却发现SV模型并不显著优于GARCH 模型, 相反在某些方面还不如GARCH模型. 两类模型方法都有理论研究与实证分析的 极大空间. 观点：SV模型族将会替代ARCH—GARCH 模型族成为新一代金融波动模型. 例7.4使用条件异方差模型拟合某金融时间序列 回归拟合 拟合模型 参数估计 参数显著性检验 P值0.0001,参数高度显著 残差自相关性检验 残差序列DW检验结果 Durbin h = -2.6011 拟合残差自回归模型 方法：逐步回归 模型口径 异方差自相关检验 Portmantea Q检验 拉格朗日乘子（LM）检验 Portmantea Q检验 假设条件 检验统计量 检验结果 拒绝原假设 接受原假设 LM检验 假设条件 检验统计量 检验结果 拒绝原假设 接受原假设 例7.4 的残差序列异方差检验 ARCH模型拟合 定阶：GARCH(1,1) 参数估计：极大似然估计 拟合模型口径：AR(2)-GARCH(1,1) 模型检验 检验方法：正态性检验 假设条件： 检验统计量 检验结果 拒绝原假设 接受原假设 例7.4 的正态性检验结果 P值＝0.5603 AR(2)-GARCH(1,1)模型显著成立 例7.4的拟合效果图 3. SV模型 SV模型最早由Clark于1973年提出, 后由 Jacquier及Harvey等人引入经济计量学领域. 目前应用较为广泛的是由Taylor于1986年 提出的SV模型, 一种离散时间的SV模型. SV模型假定时变方差是一种不可观测的随 机过程. 常见的SV模型 SV模型的参数估计方法 离散SV模型 离散随机波动模型的性质 离散随机波动模型的性质 厚尾SV模型 含有外生因素的SV模型 含有前期观测影响的SV模型 考虑预期收益的SV模型 长记忆SV模型 Box-Cox-SV模型 杠杆SV模型 变截距SV模型 SV模型的参数估计方法 伪极大似然方法 马尔可夫链蒙特卡罗方法 （MCMC方法、Gibbs、M-H） 非线性滤波极大似然方法 广义矩方法 模拟极大似然方法 经验特征函数方法 伪极大似然方法 2. 回归—自回归混合并联模型 (7.7) 其中 — 回归参数； —t 时刻自变量值； —白噪声序列. 自回归部分 回归 残量 更一般时序回归模型 六、长记忆过程 ARMA模型常称为短记忆过程，因为其相关函数具有拖尾性，即满足 称自相关系数满足 的平稳过程是长记忆过程， 长记忆过程的自相关系数非常缓慢地收敛与零，大量水文学和经济学中观察的序列是这类过程. 七、无限方差线性过程 八、金融时间序列模型简介 传统时间序列分析理论中需假定各类线性 或非线性模型的残差序列是白噪声. 白噪声序列的方差是一个固定的常数. 金融时间序列建模往往不能满足相应条件. 如收益率,汇率, 其残差序列的方差往往是随 时间变化的. 金融时间序列体现出方差的时变性和波动 的长记忆性(ARCH效应). 时变方差的研究是金融时间序列建模工作 的重要出发点. 基于序列的时变二阶矩有两种不同的假定： *1.序列的时变方差是可观察的, 进而可用一 个确定的函数形式来表示； *2 序列的时变方差是一种不可观测的随机过程； 由此出发产生针对波动性的两类建模方法. 1.时变条件方差模型(ARCH模型） Engle于1982年提出的一种时变条件方差 模型——ARCH模型在解决时变方差序列的 问题中得到广泛的应用，特别是在经济金融 领域，因此，Engle也成为2003年Nobel经济 奖获得者之一. 假定资产收益序列的残差序列 的方差序列为 ， 函数表示，由过去收益的残差平方与滞后的 条件方差来决定. 可用一个确定的 2. 广义自回归条件异方差模型(GARCH