金融时间序列随机波动模型评述.docVIP

金融时间序列随机波动模型评述【摘要】本文总结了在过去几十年中金融资产收益的随机波动,即模型的发展过程,讨论了迄今随机波动模型估计的主要方法,其中特别讨论了MCMC方法。最后指出了现在和未来该领域研究所面临的主要问题。 【关键词】随机波动模型马尔科夫链蒙特卡罗方法资产收益 一、引言 波动性建模是金融市场近几十年来的热点问题。在波动率模型中,有两类模型的应用最为广泛:自回归条件异方差模型(ARCH)和随机波动模型(SV)。前者将波动率视为过去信息集的确定函数,即波动率是滞后平方观测值和前期方差的函数;后者则被认为波动率由潜在的不可观测的随机过程所决定,即在波动率方程中引入一个新的随机变量,该变量可能服从马尔科夫过程,随机游走或其他。 SV中新的随机变量的引入,使得无论是从长期波动性的预测能力来看,还是从波动率序列的稳定性、抑或对资产定价理论的应用来看,它都是优于ARCH类模型的。但是,也正是因为SV模型中包含着潜在变量,涉及的似然函数和无条件矩要通过高维积分来计算,极大似然法不能直接求解。基于贝叶斯的MCMC模拟为SV模型的估计提供了切实可行的方法。计量的大多数模型可以通过Eviews等常见软件得以估计和检验,而基于贝叶斯的MCMC方法则要求助于新的软件包WINBUGS。 二、基本的随机波动模型及其扩展类型 金融时间序列模型建模的意义在于拟合数据,刻画金融数据的一些特征,并在此基础上进行检验和预测。自Taylor(1986)提出了基本的离散时间SV以来,很多学者为了更好地刻画金融时间序列所显现出来的一些特性,如尖峰厚尾、平方序列的长记忆性等,对模型提出了一系列扩展。基本的随机波动模型为: 下提出的,它包含着以下假设:首先,收益的扰动?着t服从正态分布,进而收益序列也服从正态分布;其次,?着的扩展,这些扩展主要包括厚尾性、非对称性、长记忆性等几个方面。 1、带厚尾的随机波动模型 Cappuccio、Lubian(2004)提出了基于另外一种厚尾分布的偏GED随机波动模型(偏GED-SV),不仅对收益序列的厚尾性,还能对它的非对称性进行刻画。 在收益残差序列用t分布或GED分布来测度其尖峰厚尾性时,与实际中典型的金融时间序列相比,其峰度还是偏低。Bovas、Ranjini等(2006)还提出一种刻画尖峰厚尾性的伽马随机波动模型(?祝-SV),其形式为: ht是伽马随机变量,其密度函数为: 数为?姿的指数分布,N服从均值为plog(1/?准)的泊松分布;Uj,Ej,N之间是相互独立的。基于对样本内分析表明?祝-SV捕获尖峰厚尾性以及平方收益序列自相关函数的缓慢衰减特征时,与数据表现出的特征更符合。 2、非对称的随机波动模型 有学者发现在牛市和熊市中,收益的条件均值明显依赖于前期的涨跌,方差对过去收益的反映也是非对称的,在坏消息影响下的方差比好消息情况下趋于更大,即所谓的杠杆效应。基本SV模型中假设收益和波动过程的误差项是两个相互独立的过程,因此没有考虑到金融市场尤其是股票市场上的杠杆效应。Jacquier、Nicholas、型GJR-GARCH进行比较。从对数似然函数值,SC准则和MSE、MAE值等方面的综合分析得出,ASV对波动不对称性的描述较之GJR-GARCH模型更优。 在基本的SV模型之上建立起的ASV在刻画波动的非对称性上向前进了一步,Faruk(2005)进一步在ASV基础上比较新兴股票市场与成熟股票市场的波动率,发现前者的波动率变化大于后者,并且波动率的持续性与波动率的变化成反向关系,与杠杆效应的大小也是负相关。 3、受外生因素影响的随机波动模型 在金融资产收益的波动受到一些外生因素的干扰而发生变化时,可以将这些外生因素考虑进SV模型。如考虑非交易日对金融序列收益的影响可用虚拟变量法。类似的外生解释变量还有季节因素、周末效应、成交量等。 实证表明,基于上述模型估计的参数都有较高的显著性,与金融市场的波动特性也是一致的。 4、门限随机波动模型 Mike(2002)提出一种门限随机波动模型(THSV),它不仅考虑波动率非对称性,还能分析均值本身的非对称性。在THSV中,基本的均值和方差的线性结构被融入门限非线性结构中,其自回归动态由过去信息值来实现。 那么,THSV模型形式如下: 可见,通过引入一个贝努利变量,基本的随机波动模型的均值和方差的自回归动态以一个分段线性结构的形式包含到门限非线性结构中来了。 在t-1期,当股价由于坏消息而下降时,rt-1 1、MCMC方法 基于Gibbs抽样的MCMC方法则能够对其进行估计。MCMC方法在计算SV时的优点在于,误差小,