厚尾随机波动率模型贝叶斯参数估计及实证探究.docVIP

厚尾随机波动率模型贝叶斯参数估计及实证探究 　　摘要针对现有时间序列模型难以刻画参数渐变性的问题，对厚尾随机波动（SV）模型的参数估计方法进行了推广，采用基于贝叶斯的MCMC方法，选取2013年5月～2016年6月这一经历多轮震荡的上证指数作为实证分析对象，构造了基于Gibbs抽样的MCMC过程进行仿真分析.结果显示，以卡方分布作为厚尾参数的先验分布能够有效地描述数据波动的厚尾特征，并且能得到较高精度的参数估计结果.结果表明，厚尾SV模型能有效反映出我国股市尖峰厚尾和波动长期记忆性的特征. 关键词SV模型 ；贝叶斯估计；MCMC方法 中图分类号O218.8文献标识码A 1引言 波动性是金融市场最为重要的特征之一，关于有价证券的收益率波动一直是金融学研究的热点.为了对波动率进行估计，学者们进行过广泛而深入的探索，其中最具代表性的两类模型分别是Engel[1]提出的自回归条件异方差（ARCH）类模型和Taylor[2]提出的随机波动率（SV）模型.但ARCH类模型中条件方差的估计值与过去扰动项直接相关，因此当存在异常观?y值时，模型估计出的波动序列不是很稳定.而SV模型假定时变方差是一类不可观测的随机过程，因此其估计的波动序列比ARCH类模型更加稳定.对此，Shephard[3]通过对比两类模型，发现SV模型比ARCH模型能更好地描述金融数据的特性，特别是对2个模型的预测的均方误差的比较发现，SV模型比ARCH模型具有更好的预测能力，尤其是对长期波动性的预测[4]. 但是，由于SV模型自身的复杂性，模型的似然函数解析式与无条件矩的解析形式往往难以获得，无法进行极大似然估计，故如何对SV模型进行参数估计就是一个具有现实意义的问题.对此，Metropolis提出了马尔科夫蒙特卡洛（MCMC）方法，Hasting[5]在此基础上提出了MetropolisHasting算法，Geman[5]提出了Gibbs抽样，这两种算法因其灵活性和计算机技术的发展，使得针对复杂模型及其后验分布的精确估计成为可能.除了MCMC方法，国外学者对SV模型的估计方法进行了大量研究，并取得了丰富的成果：Harvey[5]等人的伪极大似然估计，Anderson，Chung[5]的有效矩估计， Dimitrakopoulos Stefano[6]针对时变参数SV（TVPSV）模型提出的一种半参数贝叶斯估计方法，Milan Mrázek[7]等人基于非线性最小二乘法对分数维SV模型参数估计精确度的校准.在众多估计方法中，蒙特卡罗随机模拟相对于其他方法，效率较高，易于编程实现.本文即选用基于贝叶斯的MCMC方法对SV模型进行参数估计. 由于许多金融时间序列的无条件分布与标准正态分布相比，会呈现出较大的峰度和更厚的尾部，因此为了将基本的SV模型扩展到较一般的形式，经过学者们多年的研究，SV类模型已经发展出了离散和连续两类的众多扩展模型.比如，Geweke[7]对模型进行贝叶斯分析时提出了厚尾SV模型，即将标准SV模型中观测方程的随机误差项设定为具有厚尾特征的概率分布如t分布、GED分布等，从而可以更好地描述金融时间序列的尖峰厚尾特征.Bredit[8]针对金融波动序列的长记忆性提出了长记忆随机波动模型（LMSV），Chib[5]将跳跃过程引入到了SV模型中，提出了跳跃SV模型，并提供了一种快速有效的估计模型参数的MCMC算法，以此来解决如何反映金融市场中的突发事件和较大波动的问题. 经济数学第 34卷第1期 黄文礼等：厚尾随机波动率模型的贝叶斯参数估计及实证研究 近年来，国内学者对SV模型进行了大量研讨，这其中包括：刘凤芹和吴喜之[9]利用一种改进的MCMC方法估计了SV模型，并对上证指数进行了波动性分析；朱慧明[10]在研究沪深300股指期货数据时，考虑到期货市场与现货市场之间存在双向波动溢出效应以及仿真交易与实盘交易在期货与现货联动性、交易策略等方面存在的差异，建立了一个多变量厚尾SV模型，并借助MCMC方法实现了模型的参数估计.于冉春[11]分别选用标准SV模型和厚尾SV模型对美国标普500指数进行了实证分析，得出厚尾SV模型更能够准确描述标普指数波动具有长期记忆性的特征.而吴鑫育、马超群[12]等以上证指数和深证成指为例，提出极大似然方法估计了4种不同收益率分布假定的SV模型，通过比较认为具有偏学生t分布假定的SVSKt模型能够更好地描述中国股票市场的波动性.在研究中发现，我国股市呈现出许多不同于传统研究中波动的典型特征，比如反杠杆效应，即股票价格运行未来价格波动呈现正相关关系，特别是2015下半年和2016年年初，整个股市出现了罕见的大幅波动.而对于具有以上新型特征的中国股市，有关厚尾SV模型是否还能有效刻画