基于遗传算法中国股市波动性研究.docVIP

基于遗传算法中国股市波动性研究 　　提要本文介绍了金融市场波动性过程的长期记忆性特征的分整自回归条件异方差模型――FIGARCH(p,d,q),并介绍了一种建立FIGARCH模型的新方法――遗传算法。对上证综合指数进行实证分析,对其收益率建立自回归模型(AR模型),由Eviews软件可知模型的残差项具有明显的异方差效应,应用遗传算法的基本步骤进行C语言编程,由此求解FIGARCH模型的各项参数值,从而建立FIGARCH模型,实证结果表明中国股市波动性过程具有明显的长记忆性。 　　关键词:GARCH;FIGARCH;遗传算法 　　中图分类号:F83文献标识码:A 　　 　　股票市场是现代市场体系的有机组成部分,也是现代金融市场中最有活力的增长点。我国的股票市场起步较晚,市场制度尚不完善,从而使得股票市场的发展起伏较大。随着市场经济的日趋成熟,股票市场的进一步开放和交易品种的不断丰富,对新形势下的股票市场发展的内在规律和实践进行深入的研究是非常有必要的。 　　近年来的很多实证研究表明,经济、金融系统中的时间序列大多具有非线形性,也就是说这些时间序列具有长期的记忆性。表现在波动性上的长期记忆型又称持续性。由于波动性不仅是资产风险的决定因素,而且还是衍生证券定价中的一个关键参数,因此很好地理解金融时间序列的波动性具有重要意义。 　　国外对股票市场价格的波动特征已经进行了大量的实证研究,其中最成功的模拟方差随时间变化的模型是由Engle(1982)首先提出的自回归条件异方差模型,即ARCH模型。ARCH模型实际上是对时间序列动态模型的推广,它将方差和条件方差区分开来,并且定义条件方差是过去误差的函数,为解决异方差问题提供了新的途径。然而,在实际应用中,当ARCH模型的阶数过大时,参数的估计则不再精确;除此之外,为了保证方差为正,还要求参数值为正,当参数过多时,实际数据的估计模型往往不能满足这一点,因此,Bollerslev(1986)在此基础上提出了广义自回归条件异方差(GARCH)模型。大量实验表明,金融数据扰动项异方差具有极大的持续性,这些现象促使Engle和Bollerslev(1986)提出了IGARCH(q)模型,给出了单位根的许多特性。Bollerslev等人近期经过研究又提出了FIGARCH(p,d,q)模型,这种方法的目的就在于可以对???型方差灵活定阶,可以更好地解释金融市场的波动性。目前,ARCH模型和GARCH模型已经被广泛应用于股票市场、货币市场、外汇市场、期货市场的研究中,来描述股票价格、利率、汇率、期货价格等金融时间序列的波动性特征。Bollerslev等对美国标准普尔500复合指数进行FIGARCH建模研究,得到差分阶数d=0.447,显著不同于0和1,表明美国股市从波动性上表现出长期的记忆性。我国学者李汉东、张世英和汤果、何晓群等人分别从理论方法上和实证分析上对FIGARCH模型进行了研究,结果表明了我国股市收益存在长期记忆性。 　　本文利用遗传算法对上证综合指数的波动建立FIGARCH(p,d,q)模型,从条件方差上研究了中国股票市场的长期记忆性。本文第一部分介绍了FIGARCH模型;第二部分介绍了遗传算法以及应用遗传算法进行C语言编程的 　　步骤;第三部分对上证综合指数进行FIGARCH建模;第四部分给出了简要的结论。 　　 　　一、FIGARCH模型概述和参数估计 　　 　　(一)模型概述 　　1、GARCH模型。ARCH模型介绍了条件方差的短期记忆性,GARCH模型是对ARCH模型的扩展,因此GARCH模型具有ARCH模型的特点,但GARCH模型的条件方差不仅仅是滞后残差平方项的线性函数,而且是滞后条件方差的线性函数,模型如下: 　　在对FIGARCH模型进行参数估计时,首先应该确定差分阶数d的值,常用的方法有四种:尝试法、GPH方法、周期图法以及重标极差方法(R/S分析法)。许多经济学家通过选取不同的d值进行尝试性的研究给出一个近似最优解,这种方法的计算过程是繁琐的,而且是不科学的。GPH方法是Geweke与Porder Hudak在1983年提出的一种最常见的估计阶数d值的半参数方法,它运用滤波理论,对谱密度对数的函数进行回归而得出d值。GPH方法意味着d可以通过一个简单的回归方程来估计得到,但当样本数足够大时,d的最小二乘估计才渐进服从正态分布,而实际中的样本量通常是有限的,尤其是起步较晚的我国股市,很难获得足够大的样本数。除此之外,这种方法所计算出的d值通常较小,不是明显异于0和1。周期图法是对加权的周期图量值最小化而求出d的估计值的一种方法,它是研究证券市场波动性的有效方法,能过滤大部分序列的相关因素,但不能完全剔除,而且由于没有考虑到宏观政策发布等因素,