贝叶斯文献李素珍题材.pptVIP

第一部分：模型的介绍 李素珍 第二部分：贝叶斯的MCMC估计方法 兰平 第三部分：实证部分 卢星 本文分析了一种新的因子模型-潜变量因子模型，这些因子不再是事先指定的或者是可观测的，而是一种潜在的，不可观测的因子是我们从检测资产过程中挖掘出来的。并且超额收益矩阵服从一个多元随机波动过程，主要工作： 1、有截面约束的套利定价均衡和没有截面约束的套利定价均衡。 2、比较指定协方差矩阵的随机波动过程。 3、因子数量的多少。 4、收益的可预测性是否归因于因子风险溢价的时变性。 5、贝叶斯MCMC算法分析发现：具有三个潜因子的多元随机波动模型是最好的；有APT定价约束比没有的要好。 我们对传统的线性静态因子模型做了两方面的拓展： 1、收益的协方差矩阵是时变的，因子冲击和特殊冲击遵从一个随机波动过程并且是持续存在的。 2、预期收益也是随时间变化的。 我们感兴趣的是：模型的什么特点才使其与数据匹配最好；当收益的协方差矩阵指定不同形式时或者因子数目不同时模型的好坏；预期收益时变时，收益的可预测性如何；有APT限制和无APT限制时模型的好坏。 本文我们比较了一到五种潜因子，四种指定的不同的协方差矩阵，有或者没有时变的预期收益，有或者没有APT限制的情形，采用贝叶斯方法是因为改方法存在惩罚项，不存在过度拟合的问题，采用MCMC算法是由于该算法的三个优点： 1、MCMC算法可以为我们感兴趣的有限样本的参数提供精确的后验密度函数。 2、该算法非常适合存在潜因子的模型，解决了潜因子无法积分的问题。 3、MCMC算法确保潜因子冲击、因子载荷，风险溢价，随机波动的待估参数和其他参数在一个单一的阶段。 A Linear Factor Model for Excess Returns 为N种资产的超额收益， 为t时刻潜在因素冲击的K维列向量，在我们的模型中已实现的超额收益为其预期收益之和。 为资产的预期收益的 N 维向量， 为 维的因子的载荷矩阵，假定 : 而且 B不随时间变化（静态因子模型，无限制模型） 改进模型 1、假定因子是潜在的（不可观测 的。 2、收益的协方差阵 是随时间变化的，因子冲击和其他特殊的冲击不相关， 可记为： 是因子冲击的 维对角协方差矩阵， 是因子冲击的 维对角协方差矩阵。 APT Pricing Restriction 之前的线性因子模型是无限制模型，是资产收益的统计模型，资产定价模型引入横截面的限制，存在APT限制（市场有效假说）它是一种关于系统的、不可分散的风险因素的线性方程，我们根据APT竞争均衡模型，引入下列的关系： B是之前定义的 阶的因子载荷阵， 为K维不随时间变化的因子的风险溢价，代入第一个式子有： 当 时，我们把 解释为因子的风险溢价。 当 时，我们把 解释为事前因子。 上式并不存在单独的截距项，之前的文献证明了截距项的均值为0，但这并不实用于因子为潜变量的情形，这是因为截距项，因子冲击，因子风险溢价并不能单独求出。 特别强调的是：同期资产组合给定的情况下，因子冲击的条件均值并不等于0，也即 。即对于一个给定的有限样本，因子的事后平均收益不等于事前因子的风险溢价。同样在给定的有限样本的情况下，投资组合的平均收益并不等于 投资组合的预期收益。 Stochastic Volatility（SV模型） 最早是由Clark引进混合分布来刻画证券收益和交易量的联合分布的特征时引入的： 是处理过的对数收益率序列，均值为0， 其中 ， 相互独立。 为一个随机过程 的波动可以为同向的也可以为反向的。 设 为一个AR（1）过程，此时SV模型为： SV模型的收益率Y的扰动项在历史上是可以观察到的。 ：t时刻的资产回报，t 1,2,...,T :回报的扰动项。 ：波动过程的扰动项。 为波动过程的参数， ：波动扰动项的尺度参数。 SV模型和GARCH模型比较 GARCH模型反映了金融时间序列的两个特性： 1、波动群集：t时刻条件方差 是t-1时刻 的线性函数， 大则 也大。 2、厚尾性，α，β满足一定的条件时，峰度大于3，厚尾性 缺陷：1、 由 确定是不合适的。 2、参数要符合一定的条件，估计复杂 SV模型中 是潜变量，很难估计，无法用极大似然函数法来估计，因为要求似然函数，必须从 中把 积分掉，这是无法做到的，因此不能给出 的条件似然函数。我们可以用准极大似然函数法、仿真极大似然函数法，Bayes的MCMC和GMM算法来估计。 Multivariate Stochastic Volatility（MSV模型） 我们文章的创新之处在于：随时间变化的协方差矩阵，我们假定：因子冲击和其他特殊冲击遵从相互独立的随机波动过程，服从多元高斯分布，则我们的MSV