Beck模型对于恒生指数适用性研究.docVIP

Beck模型对于恒生指数适用性研究 　　前言 　　 　　关于股票价格收益率的分布问题在国外是很流行的研究课题，早在二十世纪六十年代，就有不少西方学者开始着手研究股票收益的分布问题，通过多年的研究，对成熟市场收益率的分布特征有了比较多的认识和共识，其主要结论是实际股票价格序列往往表现出非平稳性，因此为了消除由于经济增长和通货膨胀所引起的价格线性增长趋势，通常研究取其对数差分后的序列，即收益率序列。收益率序列通常表现出很好的平稳性，但大多数情况下并不服从正态分布，而是呈现出“尖峰厚尾”的特征（相对于正态分布而言）。 　　Beck模型是Tsallis统计的动态结构，Tsallis统计是基于Tsallis熵的最大化原理而得出的。研究表明，Beck模型能够很好地描述股票收益的特征，并且适用于VaR估计的实际应用中。波动性是金融市场中最重要的特征之一，直接与市场的不确定性有关，影响着企业和个人的投资行为。通常波动性用方差来描述和度量的，传统的经济计量模型往往假设方差是不变的，但真实的股票市场并非如此。本文选用香港恒生指数的日对数收益率作为研究的样本数据，发现股票市场的波动性很好地符合了Beck模型的假设条件，即比收益率在较长时间内震动，并且其倒数服从Gamma分布。因此，收益率服从Tsallis统计学中的q-Gaussian分布，当q趋向于1时，收益率就服从正态分布。 　　 　　一、波动率慢震动性的证明 　　 　　本文来分析?β?基于Beck模型的假设，即慢震动和服从Gamma分布，跟实际金融市场的数据是否相符合。在本文中，?β?是指波动性的倒数，如果波动性的倒数具有慢震动性，那也可以认为?β?也具有慢震动性。波动性的慢震动也就是说，在股票市场上，波动性序列相对于收益率序列来说具有长期记忆性。（T.Bollerslev等，1992）对于波动性长期记忆效应的开创性研究始于Taylor及Ding。Ding等人对SP500指数收益率的开创性研究表明，尽管股票收益率序列的自相关性很弱，但其波动率序列却表现出很强的长记忆性，具有波动持久性（李红权，马超群，2005）。本文选用日对数收益率：?μt=?ln?(Pt)-?ln?(P?t-1?)作为研究样本。对于波动率，选取均值离差平方Xt=(ut-u)?2?来衡量。 　　从样本的序列自相关系数(ACF)与偏自相关系数（PACF）（估计到滞后200阶）来看：第一，收益率序列?{ut}?的自相关性较弱，最大自相关系数均为0.083；虽然相关系数的值均较小，但Q统计量仍较大，说明序列仍存在自相关结构。并且，序列相关图显示，样本序列前200阶自相关系数并未表现出季节性和周期性。第二，波动率序列?{(ut-u)?2}?不仅具有显著的自相关与偏自相关结构，而且相关系数较大，最大相关系数均为0.125，说明序列具有显著的非线性相关性与ARCH效应；进一步分析可知，波动率序列在滞后74阶时才第一次出现负值，然而，收益率序列在第二阶就已经出现了负值，说明波动性相对于收益率来说，具有明显的长期记忆性。图1和图2分别为两者的自相关系列图。 　　图1 收益率的自相关系数 　　图2 波动率的自相关系数 　　 　　二、波动率倒Gamma分布的证明 　　 　　另一方面，?β?服从Gamma分布，可证明波动性是否服从倒Gamma分布。首先把近20年的收益率序列划分为多个窗宽为L的子区间，以此计算每个子区间的波动率?Ti?。 　　?Ti=1L∑(i+1)Lk=iL+1(uk-u)?2?（4-4） 　　其中，?u?为个区间收益率的均值。从图4-5可以看出，波动率的自相关系数在20-60天内减少到接近于0，表明T的驰豫时间在几个月左右（1个月约为20个工作日），所以取L=40。总共有5263个收益率，为了方便计算，取前5240个数据，所以可划分为131个子区间。利用MATLAB计算出的各个区间的波动性?Ti，再转化为βi=1/Ti?。利用等距频率直方图的方法，来检验这131个波动率倒数是否服从Gamma分布。图3为波动率倒数的频数图。 　　 　　图3 　　从图3可看出波动率倒数大致符合Gamma分布图。运用?χ?2?统计量进一步的检验。 　　?χ?2=∑ki=1(ni-npi)?2npi,?（4-5） 　　其中，k为区间数，?ni为每个小区间的样本数，pi是在假定βi=1/Ti?服从Gamma分布的情况下，每个小区间的理论频率。可得出?χ?2=0.448，所以β?服从Gamma分布，即波动性T服从倒Gamma分布。 　　 　　三、结论 　　 　　由以上证明可知，恒生指数的波动性满足Beck模型的两个假设条件，因此可用Beck模型来分析股票收益的分布函数。正如大家所知，金融市场的分布是非正