混合贝塔分布随机波动模型及其贝叶斯分析.docx

统计与信息论坛Ｓｔａｔｉｓｔｉｃｓ＆ＩｎｆｏｒｍａｔｉｏｎＦｏｒｕｍ第２８卷第４期Ｖｏｌ．２８Ｎｏ．４２０１３年４月Ａｐｒ．，２０１３【统计理论与方法】混合贝塔分布随机波动模型及其贝叶斯分析白仲林１，隋雯霞１，刘传文２（１．天津财经大学理工学院，天津３００２２２；２．天津市发展和改革委员会，天津３０００４０）摘要：为了更准确地揭示金融资产收益率数据的真实数据生成过程，提出了基于混合贝塔分布的随机波动模型，讨论了混合贝塔分布随机波动模型的贝叶斯估计方法，并给出了一种Ｇｉｂｂｓ抽样算法。以上证Ａ股综指简单收益率为例，分别建立了基于正态分布和混合贝塔分布的随机波动模型，研究表明，基于混合贝塔分布的随机波动模型更准确地描述了样本数据的真实数据生成过程，而正态分布的随机波动模型将高峰厚尾等现象归结为波动冲击，从而低估了收益率的平均波动水平，高估了波动的持续性和波动的冲击扰动。关键词：混合贝塔分布；随机波动模型；贝叶斯分析；Ｇｉｂｂｓ抽样中图分类号：Ｏ２１２文献标志码：Ａ文章编号：１００７－３１１６（２０１３）０４－０００３－０７法［５］；Ｌｕｉｓ等人在ＳＶ－ＬＭ中引入内生的结构突变点，进而分析了突变点对长记忆性模型的影响［６］。另外，邱崇洋、刘继春和陈永娟将一阶自回归的ＳＶ模型扩展为一般的形式，即波动率方程是对数ＡＲ－ＭＡ（１，１）过程的ＳＶ模型［７］；周宏山、冀云利用非对称随机波动模型对中国股市进行实证分析，发现非对称随机波动模型能够较好地探测到波动存在的非对称波动［８］；郝立亚、朱慧明等通过对模型在状态空间框架下的近似表示，将向前滤波、向后抽样算法引入对波动变量的估计过程中，设计出Ｇｉｂｂｓ联合抽样算法，提高了长记忆随机波动模型的贝叶斯抽样效率［９］。从上述列举可见，目前ＳＶ模型及其扩展模型的研究重点在于对金融资产收益率的尖峰厚尾性、非对称性和长记忆性等的刻画。金融市场的一些特殊交易规则对收益率的分布也存在严重影响，例如涨跌停板制度使收益率分布具有有限区间取值特征，制约了传统ＳＶ建模方法的应用。为了在中国股票市场的特殊交易规则（日交易的１０％涨跌停板制度）下分析股票收益率的分布，本文首先从中国股票市场交易规则出发选择混合贝一、引言１９８６年Ｔａｙｌｏｒ提出利用离散时间随机波动模型（简称ＳＶ模型）刻画金融资产收益率的波动问题以来，ＳＶ模型在金融市场分析中得到了广泛应用，但是随机波动模型的基本假设往往与现实不一致。于是，学者们分别从金融资产收益率的高峰厚尾性、非对称性和长记忆性等方面对基本ＳＶ模型进行了扩展。例如Ｊａｃｑｕｉｅｒ和Ｎｉｃｈｏｌａｓ等假设资产收益率服从ｔ分布，提出了ＳＶ－ｔ模型，它较好地反映了收益率的厚尾特征［１］；Ｃａｐｐｕｃｃｉ和Ｌｕｂｉａｎ基于厚尾的广义误差分布提出了偏ＧＥＤ随机波动模型，该模型不仅反映了资产收益率的厚尾性，而且能够刻画资产收益率分布的非对称性［２］；Ｂｏｖａｓ和Ｒａｎｊｉｎｉ还提出了一种伽马随机波动（ＳＶ－Γ）模型，它较好地刻画了资产收益率的尖峰厚尾性［３］；Ｍｉｋｅ等提出了门限随机波动（ＴＨＳＶ）模型，它不仅刻画了波动率的非对称性，而且还考虑了均值本身的非对称性［４］；Ｂｒｅｄｉｔ等提出长记忆随机波动模型（ＳＶ－ＬＭ），提供了一种分析高频收益率波动性的方收稿日期：２０１２－１１－１４基金项目：国家自然科学基金项目《具有Ｍａｒｋｏｖ体制转换动态因子模型建模方法及其应用研究》；教育部人文社会科学研究项目《伪面板数据建模方法及其应用研究》（１１ＹＪＡ７９０００３）作者简介：白仲林，男，河南偃师人，经济学博士，教授，博士生导师，研究方向：计量经济学理论方法及应用研究；隋雯霞，女，山东乳山人，硕士生，研究方向：应用数量经济学；刘传文，男，山东日照人，经济学硕士，研究方向：应用数量经济学。３统计与信息论坛塔分布来刻画资产收益率的分布，建立基于混合贝塔分布的ＳＶ模型，并讨论了混合贝塔分布随机波动模型的贝叶斯估计方法。最后以上证Ａ股综合指数简单收益率为例，分别建立基于混合贝塔分布和正态分布的ＳＶ模型，比较研究发现基于混合贝塔分布的ＳＶ模型能够更全面地刻画市场收益率的时变特征，较准确地描述金融资产收益率数据的真实数据生成过程。如，当ａ、ｂ＞１时，呈单峰分布，且若ａ≠ｂ时，呈非对称分布。随着ａ和ｂ的增大，分布的峰度增高。当０＜ａ，ｂ＜１时，为Ｕ型分布，即取值在０或１附近的概率较大。于是，以一定概率将几个贝塔分布混合加权的混合贝塔分布能够较好地刻画取值于有限区间，具有高峰厚尾和非对称特征的随机变量。因此，本文认为假设股票收益率服从取值于有限区间内的随机分布无疑会更合理。三、混合贝塔分布随机波动模型及其贝叶斯分析为了讨论中国股票市场收益率的波动性，在股票收益率服从混合贝塔分布的假设下，本文构造了混合贝