基于稳定分布上海股市实证研究.docVIP

基于稳定分布上海股市实证研究摘要：介绍了广义中心极限定理、稳定分布，认为稳定分布因具有类似于现实实证分布的前段指数，后端幂律的形式，以上证指数的日收益率序列为例，用稳定分布对其进行拟合，取得较理想的拟合效果。 关键词：广义中心极限定理；稳定分布；Stable4.0拟合 一、引言 1963年Mandelbrot针对棉花期货价格分布的尖峰厚尾特征，将布朗运动服从正态分布改为服从稳定分布，推广和修正了布朗运动。Mandebret是最先以稳定分布来拟合实际资产收益。而稳定分布是由PaulLevy于1920年提出的。随后FamaRoll、Press和Zolotare基于稳定分布的特征函数分别给出了稳定指数α的估计方法。1996年，MuCulloch综述了稳定分布在金融领域的相关应用。在国内，稳定分布被不少学者应用到金融模型分析、噪声数据监测、话务量建模等实际领域。徐龙炳等（2002）通过对中国股票市场的实证研究，发现其分布呈现厚尾，股票市场波动显示出非线性、状态持续性特征，用正态分布往往难以描述，而用稳定分布却能很好的处理该类分布。欧阳文卓等（2002）等对稳定分布及其性质特征展开了进一步研究，并进行参数估计。戴国强等（2004）对稳定分布对外汇市场进行实证研究，分析了汇率波动的稳态特征。王玉玲（2004）对中国股票市场VaR值进行了实证研究，用稳定分布去拟合、模拟。2008年，田乃硕、徐秀丽、马占友在《离散时间排队论》中讨论了马尔可夫链与稳定分布。 近年来对稳定分布的研究越来越引起重视。本文采用稳定分布来拟合上证指数日收益数据，基于以下原因：首先，根据广义中心极限定理，如果大量独立同分布随机变量的和存在极限分布，这个极限分布必定属于稳态分布族；其次，由于大多数数据序列分布具有尖峰厚尾特征，稳定分布具有类似于现实实证分布的前段指数，后端幂律的形式，用正态分布描述效果不佳，如果用稳定分布去逼近能够取得较理想的拟合效果。 二、广义中心极限定理 在经典的中心极限定理中，对于每个独立同分布的随机变量Xi，我们其分布形式没作任何要求，唯一的要求是方差有限，这样就可以保证n个随机变量的和趋于一个正态分布。也就是：。因此，正态分布是一种非常具有鲁棒性（Robust）的分布，它就像密度函数空间中的的吸引域，无论你一开始服从什么分布，最后都很有可能掉入这个吸引域。这也是正态分布如此常见的原因。然而，不得不说的是，经典中心极限定理的巨大应用价值下存在着致命的缺陷：该定理要求每个独立的随机变量都必须存在有限的方差，而这一要求在很多实际情况中往往不一定被满足。以幂律分布为例，当幂指数0，sgn（s）=1；当s0，sgn（s）；当s=0，sgn（s）=0），α，β，δ，γ为参数，他们的取值范围为：α∈（0，2]β∈[-1，1]δ∈（-∞，+∞）γ∈（0，+∞），这些参数决定了密度曲线f（x）的形状和位置。其中δ为位置参数，决定了曲线中心的位置，是一个平移参数；γ为尺度参数，是曲线在水平方向上的缩放参数；而α，β这两个关键参数分别叫做稳定指数和偏度参数，决定了概率密度曲线的陡峭程度和偏斜程度。 实际上，当α、β取不同特殊值时，我们就能得到常见的曲线。如果让α=2，β=0时，我们就得到了正态分布，均值μ=δ，方差σ2=2γ2。如果让α=1，β=0，我们就得到了柯西分布。如果让a=1/2，β=1，我们就得到了列维分布。而让β=0，γ=0，稳定分布便退化为常数。 三、稳定分布的推导 那么我们是如何得到稳定分布的特征函数解析式（1）的呢？接下来我们进行简答的推导。我们对经典中心极限定理做一个小小的变形，即也可以表述为：对n个方差有限的独立同分布的随机变量X1，X2，…Xn的和，即： 其中，X服从标准正态分布N（0，1） 同样的道理，广义中心极限定理情形下可以表述为： 其中，Y为一个δ=0，γ=1的稳定分布 我们发现，（2）式和（3）式之间最主要的区别是（2）中an正比于n的1/2次幂，而（3）正比于n的1/α次幂。我们把n项分为两部分：前面m项和后面n-m项，即： 其中，m、n-m均趋近于无穷大（因为n趋近于无穷大），从而： 从而：原来的式（3）可以表述为： 我们比较（3）式和（4）式，会发现稳定分布的随机变量Y满足下式： 其中，b=bm+n-bm-bn，等号表示方程两边的随机变量有相同的分布（7）式就是稳定分布的定义，也就是说任何满足（7）式的随机变量都是稳定分布的，反过来，如果随机变量是稳定分布的，它就应该满足（7）式，接着，我们假设Y的概率密度函数是f（y），可以将（7）式改写为如下表述： 　　对上式进行fourier变换，即可得到稳定分布特征函数解析式（1）。 四、稳定帕累托分布实证拟合可行性