多变量半参数方法对股市风险持续性识别.docVIP

多变量半参数方法对股市风险持续性识别 　　摘 要:金融市场具有风险持续性特征。受一元半参数方法的启发,通过构建多元随机波动模型(MLMSV)对多元市场波动的长记忆特征进行描述。在此基础上,借助MLMSV模型的谱表示可以得到估计长记忆参数的多变量半参数方法。通过沪深股市数据验证,表明我国股市波动长记忆参数的估计适宜采用多变量半参数方法进行分析。 　　关键词:长记忆性;MLMSV模型;多变量半参数估计;股市风险 　　中图分类号:F830.9 文献标识码:A 文章编号:1006-3544(2009)05-0061-04 　　 　　一、研究现状 　　 　　现代金融市场中, 不同市场间或不同资产的波动之间往往存在着一定的相关关系, 随着世界金融市场的飞速发展,这种联系愈加紧密。为了分散、化解金融风险,需要对多个资产进行组合以对冲风险,而这要建立在对多个变量波动的相关分析基础之上。因此,需要研究多个变量的波动与风险特性,把一元波动模型向多元波动模型进行扩展。 　　Bollerslev等(1988) [1] 通过对一元GARCH模型进行推广得到了多元GARCH模型(MGARCH)。但对标准MGARCH模型而言, 随着资产数量的增加,模型的参数空间维数增大, 这将无法保证协方差矩阵的正定性。Bollerslev(1990) [2] 对原始模型进行简化,提出了常数条件相关的GARCH模型。随后,李汉东和张世英 [3] 在MGARCH模型框架下,从理论角度讨论了条件方差持续性对组合投资的影响; 韦艳华和张世英 [4] 结合Copula技术和GARCH模型,提出了多元Coupula-GARCH模型用于资产投资组合的VAR分析,并利用上海股市数据验证了模型的有效性。在对模型参数的估计上, 上述研究都采用了极大似然估计等参数估计方法。 在随机波动模型的多元建模方面,Danielsson [5] 研究了多元SV模型(MSV),并对二元SV模型和二元GARCH模型在参数复杂性上进行了比较,发现MSV仅包含8个参数,而MGARCH包含了21个参数,显示出了MSV模型的优越性。随后,MSV获得了广泛应用。Harvey等(1994) [6] 给出了估计多元SV模型的QML方法。针对QML估计效力较低的缺点,Jacquier等(1995) [7] 建议采用马尔可夫链蒙特卡罗模拟(MCMC)估计多元SV模型的参数。 　　另一方面,金融资产收益的波动还具有长记忆性。但现有关于多元长记忆时间序列波动模型的研究甚少。So(2006)[8] 提出了多元LMSV模型(MLMSV), 并推广一元LMSV模型的统计性质到多元情形,实证了MLMSV模型的优越性。不仅如此,So[8] 还利用谱似然函数的精确形式求解了MLMSV模型的参数, 并验证了该方法对外汇市场数据的有效性。苏卫东和张世英 [9] 利用MLMSV模型的谱似然方法研究了沪深股市波动的长记忆特征, 发现MLMSV模型的拟合效果要优于一元LMSV模型。 　　从现有研究来看,对MLMSV模型参数的估计大多采用了参数估计方法, 即同时估计模型的所有参数。该方法存在两方面缺陷:其一,参数过多,计算十分复杂,苏卫东和张世英 [9] 建立了11个参数的模型,而So等 [8] 所建立模型的参数也达到了13个;其二,若短期动力学行为识别不当, 得到的估计量具有不一致性。 本文主要研究了多个金融时间序列波动的长记忆性,旨在得到长记忆参数的精确估计值。针对参数对短记忆动力学行为敏感的缺陷, 我们采用半参数方法估计了MLMSV的长记忆参数。半参数法由于利用了谱函数在原点的表达式, 能够忽略短记忆行为的影响而获得渐近一致的估计。 　　 　　二、多元长记忆随机波动模型 　　 　　考虑具有T个观测值的k维向量时间序列rt= [r1t,…,rkt],rit表示第i种资产在时刻t的收益,则具有参数d=[d1,…,dk]的多元长记忆随机波动模型(MLMSV)可表示为: 　　rit=zitexp(0.5 hit);i=1,2,…,k;t=1,2,…,n (1) 　　(一)统计性质 　　根据Ravishanker和Ray的结果 [10] ,多元ARFIMA过程ht的自相关函数可借助多元ARFIMA(0,d,0)的自协方差函数进行推导。根据ht和zt独立,可得互相关 ρ(rit+s,rjt)为: 　　其中,xt=[x1t,…,xkt],?孜t=[?孜1t,…,?孜kt]。 　　由ht和zt独立,ht和ξt独立,即MLMSV过程xt为多元ARFIMA过程ht附加一个独立非正态噪声ξt。 　　(三)谱密度 　　考虑MLMSV模型的波动方程,有 　　ht=D-1(L)?椎-1(L)?专(L)ut(7) 　　将式(7)