4-最常见的随机过程或随机模型.ppt

* GARCH模型对于资产组合波动率的前三个特征都能够比较好地刻画，但是不能很好地刻画资产组合波动率的最后一个特征。以GARCH(1,1)模型为例，可以看出，对于前一期发生的市场冲击at-1，不管是正向冲击还是负向冲击，只要绝对值相等，该冲击对资产组合下一期波动率的影响都一样。 为此，Nelson（1991）提出了指数GARCH模型（Exponential GARCH, EGARCH），EGARCH模型能够很好地描述资产组合波动率对收益率的正向冲击和负向冲击所作出的非对称反应。 * 首先，对于GARCH（1，1）模型市场冲击at = σtεt中的εt，构造一个新的冲击g(εt)： 其中θ和γ是常数，而εt和 都是均值为0的独立同分布随机变量序列，并且都具有连续的分布函数。显然，g(εt)的均值也为0。 通常，把εt取为标准正态分布，从而 。上式所定义的g(εt)对于市场的正向冲击（εt0）和负向冲击（εt0）具有非对称反应，因为 * 在引入非对称的冲击g(εt)之后，EGARCH（1，1）模型具有如下形式： at = σtεt 即有 其中， * 根据上式，可以进一步深入分析EGARCH模型的结构及其对资产组合收益率的不同冲击所作出的非对称反应： EGARCH（1，1）模型中 是εt－1的非线性函数； 上式中不同的系数(γ＋θ)和( γ－θ)可以很好反映资产组合波动率对上一期发生的不同方向的收益率冲击所作出的非对称反应。 由于杠杆效应表明负向冲击对资产组合的波动率将产生更大的冲击或影响，因此在利用EGARCH模型对资产组合收益率数据进行建模时，理论上θ应该取负值。 * 除了（3.19）的表达形式之外，EGARCH（1,1）模型还有另外形式，例如， 其中，at = σtεt表示的是资产组合收益率的冲击。 同理，可以分析这种模型结构如何能够刻画资产组合的波动率对不同方向的收益率冲击所作出的非对称反应。 * EGARCH（1,1）模型和GARCH（1,1）模型主要存在以下两点差别： EGARCH模型对资产组合收益率方差的指数进行建模，而不是GARCH中直接对资产组合收益率的方差建模，从而EGARCH模型放松了GARCH模型中要求参数必须取正值的约束； 冲击g(εt)的引入使得资产组合的波动率能够对资产组合收益率的正向冲击和负向冲击作出非对称反应。 * 资产组合的价值一般会受到多个风险因子的影响，不同风险因子的波动性及其相关性都会对资产组合的风险产生重要影响。此时，就需要用多元GARCH来描述资产组合收益率的动态行为。下文仅仅以二元GARCH模型为例，说明多元GARCH模型的一般结构。 假设有两个市场风险因子x1和x2，其收益率是2×1向量rt=( r1t, r2t)‘。假设在历史信息Ft-1下rt的条件均值向量为μt=E(rt|Ft-1)=(μ1t, μ2t)’，因此，收益率的市场冲击向量可以定义为 at=rt-μt=( a1t, a2t)‘ 多元GARCH模型假设at的条件分布是正态分布N(0, Σt)，其中Σt是at的时变协方差矩阵，即 Σt= 多元GARCH模型 * 多元GARCH模型关注的焦点就是Σt 随着时间的变化而表现出来的规律。 多元GARCH模型对Σt的变化规律可以用很多不同的结构表示出来。在此，仅仅介绍由Baba、Engle、Kraft以及Kroner首先提出的BEKK模型。BEKK模型假设市场冲击at的时变协方差矩阵Σt遵循如下的动态变化规律 Σt=CC‘+Aat-1a’t-1A‘+BΣt-1B’ 其中C是一个2×2的下三角矩阵，A和B是2×2的实矩阵。 这里介绍的只是最简单的BEKK（1，1）模型。 * BEKK模型的优点： 只要CC‘正定，利用公式（3.21）计算得到的Σt就一定非负定，这就满足了协方差矩阵必定是非负定矩阵的条件。 BEKK模型还允许两个风险因子波动率之间的相关关系能够随着时间的改变而改变。 BEKK模型的不足： 模型中矩阵A和B中的参数没有直观的含义； 模型中待估计参数数目太多，特别当模型中包含更多的滞后项时情况更加突出，当然可以通过对A和B中的参数设置一些约束条件来减少待估计参数的数目； 一些实证研究表明，对BEKK模型所估计出来的许多参数往往不显著。 * 最常见的随机过程或随机模