第3章靴带抽样.PDF

第 3 章 靴帶抽樣 靴帶抽樣法是由 Efron (1979) 提出, 它是從有限的樣本當中隨機重複抽樣, 以模擬 出樣本的真實分配。 假設有一 有限數目的樣本, 希望從這些樣本中重建出母體的 真實分配, 只要給定每個觀察值相同的機率, 採用隨機並取後放回的方式抽樣, 使得 這些觀察值可以被重複抽取, 且容許抽樣出來的觀察值數目多於原本的樣本數。 由 於容許重複抽樣, 發生的次數越多被抽到的機會越高, 反之, 發生的次數越少被抽到 的機會越低。 當重複抽樣的次數夠多, 就可以相信其次數分配會趨近於母體的分配, 這就是靴帶抽樣法主要的精神。 靴帶抽樣法的優點在於不需要對分配做假設, 它容許重複抽樣的設定, 能夠包含 厚尾、 跳動或偏離常態分配的情況, 於是陸續有許多文獻提出不同的靴帶抽樣法以 改善漸近常態分配所建立的預測區間。 本文將介紹兩種不同的靴帶抽樣法, 用來衡 量報酬率與波動度的預測區間予以比較。 3.1 條件靴帶抽樣 靴帶抽樣法以往運用在時間序列模型時, 除了必須大量的重複抽取樣本, 同時必須 採用 Thombs and Schucany (1990) 提出的反向表示法 (backward representa- tion) 才得以獲得較佳的模擬資料來估計預測區間, 然而反向表示法的估計非常耗 時, 同時也無法延伸運用至其他模型, 例如: GARCH 模型、 MA 模型。 因此, Cao et al. (1997) 提出條件靴帶抽樣 (conditional bootstrap, 以下簡稱 CB) 的重複抽 樣方法, 用較快的速度來模擬真實的預測機率密度函數, 同時也符合估計的一致性。 給定樣本 Y = {y , y , . . . , y } 來 自於 GARCH(1,1) 模型, 以 QML 估計 (1) T 1 2 T ˆ 式得到 (ˆω, α,ˆ β ) , 估計的條件變異數為: 2 2 2 ˆ σˆ = ωˆ + αyˆ + βσˆ , t = 2, . . . , T, (5) t t−1 t−1 令 σˆ2 = ωˆ 為無條件變異數, 同時將樣本標準化得到估計的殘差 εˆ = y /σˆ , 1 ˆ t t t (1−αˆ−β ) 10 t = 1, . . . , T , 並且重新標準化修正估計值 εˆ 的偏誤 (recentered and rescaled) t ˆ 得到干擾項的經驗分配 (empirical distribution) FT 。 ˆ 利用對干擾項的經驗分配 FT 重複抽樣產生樣本外 k 期的預測值, 由下列算式 遞迴估計: ∗2 ∗2 ∗2 ˆ σˆ = ωˆ + αyˆ + βσˆ , T +k T +k−1 T +k−1 y∗ = ε∗ σˆ∗ . k = 1, 2, . . . , (6) T +k T +k T +k 其中 y∗ = yT 和 σˆ∗2 = σˆ2 由 (5) 式求得, ε∗ 採用取後放回的方式由經驗分配 T T T