基于极值理论下ARMA―GARCH模型的实证研究.docVIP

基于极值理论下ARMA―GARCH模型的实证研究 　　摘要：对2012年1月1日至2016年10月30日的上证综合指数日收益率进行平稳性检验、自相关检验、偏自相关检验和ARCH效应检验，可以建立ARMA-GARCH模型。ARMA-GARCH模型的残差项单独提取，分别建立正态分布和广义的Pareto分布模型，对标准残差进行拟合，并用滚动估计法估计置信水平为95%的VaR值。研究发现：ARMA-GARCH模型可以更好的说明日收益率的波动集聚性，而波动的厚尾性，即残差项用广义的Pareto分布可以更好的拟合，得到95%的置信水平下的VaR值的风险更小。为金融市场的研究提供借鉴。 　　关键词：ARMA-GARCH模型；VaR；广义Pareto分布；R软件 　　一、引言 　　21世纪以来，随着科学技术的不断进步，经济全球化与金融一体化的趋势不断地加快，现代金融理论、金融创新、信息技术等因素在推动全球经济发展的同时，也给金融业带来了巨大挑战。股票市场债务危机的频繁出现、经济危机的不断发生，正在潜移默化的改变着世界的经济格局，特别是世界经济的重心开始逐渐的转向发展中国家，与此同时各国大力提倡金融改革，使得全球金融市场面临巨大的不确定性，金融市场风险日益严重。因此对股票市场和金融风险的研究尤为重要。 　　自Engle在1982年提出ARCH模型以来，国内外学者对自回归条件异常方差模型进行了大量的扩展性研究，构成了GARCH模型的一个家族体系，主要有GARCH、EGARCH、TGARCH模型等。 　　基于GARCH模型的VaR估计方法的研究也有很多。So和Yu（2007）对于基于七种GARCH模型的VaR估计方法进行了实证研究，包括RiskMetries模型以及两类长记忆GARCH模型，发现基于GARCH模型的VaR估计比RiskMetries方法得到的VaR估计值具有更好的预测效果。但是基于极值理论下建立ARMA-GARCH模型的研究还很少。因此，本文基于正态分布和极值理论分别对上证综合指数日收益率建立ARMA-GARCH模型，比较两种方法的优劣，为金融市场研究提供借鉴。 　　二、理论基础 　　（一）ARMA模型 　　三、模型建立 　　本文提取2012年1月1日至2016年10月30日的日收?P价，共1174个数据，数据来源Yahoo财经网。数据处理采用R软件3.3.1。 　　对日收盘价取对数得到日收益率，即计算公式为：yt=ln（pt）-ln（pt-1） 　　式中，yt代表第t日的收益率，（pt代表第t日的上证综合收盘指数。 　　（一）数据检验 　　1. 平稳性检验 　　本文采用ADF单位根检验。ADF值小于给定显著性水平下的临界值，说明该时间序列没有单位根，也即是该序列是平稳时间序列。反之，则为非平稳时间序列，需要对其进行差分处理，使序列平稳。 　　使用R软件对日收益率序列进行单位根检验，其中ADF=-24.7563 ，小于5%显著性水平下的临界值-1.95。表明日收益率时间序列不存在单位根，因此日收益率时间序列是平稳序列。可对其建立ARMA模型。 　　2. 自相关性检验 　　Box-Ljung检验法。检验的，明显小于0.05，可以认为日收益率平方序列存在自相关性。即原序列存在ARCH效应。 　　3. ARCH效应检验 　　ARCH LM-test检验法。检验的，小于0.05拒绝原假设，所以在5%的显著性水平下，认为日收益率序列具有ARCH效应。 　　（二）ARMA-GARCH模型的建立 　　通过R软件中筛选出的最优拟合模型是ARIMA（3，0，2）和GARCH（1，1）。模型系数如图1所示。 　　1. 模型检验 　　标准化残差是否存在显著的ARCH效应。 　　根据Weighted ARCH LM Tests检验结果可知，p-value值明显大于0.05，因此接受原假设，所以在5%的显著性水平下，认为日收益率序列不具有ARCH效应。说明建立的ARMA（3，0，2）GARCH（1，1）模型已捕捉了数据的条件异方差。 　　2. ARMA-GARCH模型的风险价值VaR 　　ARMA-GARCH模型共进行了573次回测，实际损失超过VaR估计值的突破事件发生了30次，Actual %是5.2，说明突破事件发生率比设定的概率水平（5%）大，初步判断采用的模型有待改善。Kupiec检验将突破事件发生率与估计VaR值的左尾概率进行比较，如果二者无显著差异，则表示估计出来的VaR值是有效的；如果相差很大，则说明采用的VaR估计模型是不适当的，应拒绝。根据Kupiec检验的P值结果（0.797），不能拒绝原假设，即采用的VaR估计模型是有效的。 Christoffersen检验是来查看突破事件是否独立