基于GARCH模型下金融时序数据的影响点识别.pdfVIP

财经论坛 基于 GARCH 模型下金融时序数据 的影响点识别 张 蕾 吴敏娜 周 冰 摘 要 ：近年来中国证劵市场的动荡，让人们更加关注 金融时序数据中存在的影响点，因为影响点中往往隐藏着许多 重要的信息，我们只有正确识别出存在的影响点，并深入分析 其隐藏的信息，才更有利于我们做出正确合理的决策。 关键词：影响点 GARCH 模型 局部影响分析法 逐 步影响分析法 基金项目：云南师范大学文理学院科教研基金项目，项 目名称：基于 GARCH 模型下金融时序数据的影响点识别， 项目编号：15KJY012 DOI: 10.16722/j.issn.1674-537X.2016.11.029 一、上证综合指数 GARCH 模型的建立 图 2 上证综指收益率序列在 Innovative Perturbation 下的 dmax 本次选取了上证综合指数于2010年1月1日到2015年6 绝对值散点图 月30日的收盘价，作为观测值，用xt 表示t日的股指收盘价， 其几何收益率为y t ln xt =−ln xt −1 ，接下来我们就来讨论上证综 指收益率的波动性特征。 图 3 上证综指收益率序列在 Additive Perturbation 下的 dmax 绝对值散点图 图 1 上证综指收益率 GARCH（1,1）模型参数估计结果图 GARCH（1,2）模型，虽然参数都满足了非负性及平稳性 的要求，但有一个参数没有通过显著性检验。对于GARCH（2,1） 模型，有一个参数不但没有通过显著性检验，同时也没有满足 非负性的要求。再者，GARCH（1,1）模型的AIC和SC准则 是三个模型中最小的一个。 二、上证综合指数的影响点识别 （一）基于局部影响分析方法的影响点识别 对于上证综合指数收益率序列，我们已经建立了GARCH （1,1）模型。下面我们就基于GARCH模型，对上证综合指数 收益率序列进行影响点识别，我们还可以观察比较GARCH模 图 4 上证综指收益率序列在 Data Perturbation 下的 dmax 绝对 [3] 型的三种扰动模式对此处影响点识别的不同功效 。 值散点图 71 2016年第11期 财经论坛 从上述三个结果分析图中，我们可以看到：在Innovative Perturbation下，识别出了32个影响点；在Additive Perturbation 下，识别出了66个影响点；在Data Perturbation下，识别出了 71个影响点。 （二） 逐步局部影响分析 Innovative Perturbation 比 Additive Perturbation 和 Data Perturbation有更好的效果，因此在我们的逐步局部影响分析中 [4] 我们只讨论Innovative Perturbation 。 图 7 上证综合指数收益率序列在子集扰动模式下的d (3) 绝 max