基于马尔可夫链蒙特卡洛(MCMC)方法GARCH模型实证研究.docVIP

基于马尔可夫链蒙特卡洛(MCMC)方法GARCH模型实证研究 　　摘　要：在对GARCH模型进行探究的基础上，分别对马尔可夫链蒙特卡洛方法中的Gibbs抽样和Metropolis-Hasting抽样进行了讨论，并使用蒙特卡洛方法对上证指数进行GARCH建模，最后，通过对所得模型数据结果的分析得出了结论，即我国的上证指数收益率序列具有显著的异方差特征，且收益率波动的大小与其自身过去的波动大小有非常明显的关系，因此说，我国的大盘指数也可以采用GARCH模型来进行拟合和解释。 　　关键词： 马尔可夫链蒙特卡洛； GARCH； Gibbs抽样； M-H算法 　　中图分类号：O213　　文献标志码：A　　文章编号：1673-291X （2012）14-0179-02 　　引言 　　现代金融市场具有的高度不确定性给金融市场自身的健康发展带来了巨大的风险，金融市场的不确定性往往表现为市场的波动。在金融领域里，异方差建模为市场波动性刻画、风险的描述与防范以及资产定价等提供了有力工具。Bollerslev 1986年将Engle提出的ARCH模型进行了一般化，除了考虑误差项的滞后期之外，同时也加入了误差项条件方差的滞后期，从而导出广义自回归条件异方差（Generalized ARCH）模型，即GARCH模型。从形式上看，GARCH模型的优点在于成功的解决了ARCH（p）模型中阶数p较大的问题，减少了估计量，比ARCH模型具有更高的效益。 　　一、GARCH模型概述 　　多年来，人们观察到的许多金融实际数据都表现出市场在一段时期内有较大的波动，而在另一段时期上波动较小。虽然从统计检验的角度看，对收益率的相关检验大多不显著，但是对平方序列的相关性检验却是显著的，这就促使人们对波动率提出时变假设。后一个检验结果说明，波动率在一定程度上是可以预测的，于是Engle[1]于1982年提出了自回归条件异方差（ARCH）模型。其模型为： 　　 　　（1） 　　其中，L为滞后算子，为q阶滞后算子多项式；Ωt为t时信息集，一般包括外生变量Rt和内生变量Rt的滞后项Rt-1，Rt-2 . 　　为了减少ARCH模型的滞后阶数及对参数的约束，Bollerslev[2]提出了GARCH模型。他在条件方差的方程中加上了滞后的项，能体现更为灵活的滞后结构。Bollerslev提出的GARCH模型为： 　　（2） 　　GARCH模型认为，收益率??方差可预测。条件方差不仅取决于最新的信息，也取决于以前的条件方差。 　　二、马尔可夫链蒙特卡洛（MCMC）方法 　　Monte Carlo方法也称为随机模拟方法，是一种基于贝叶斯统计理论的参数估计方法，该方法通过一种我们称之为马尔可夫模拟的过程即可实现。马尔可夫模拟的思想是在空间Ω上模拟一个马尔可夫过程，它收敛于平稳转移分布。马尔可夫链模拟的关键是构造一个具有指定的平稳转移分布的马尔可夫过程，并且充分长地运行这个模拟，使得过程当前的分布与平稳转移分布足够的接近。因此，我们将利用马尔可夫链模拟来得到分布的方法称为马尔可夫链蒙特卡洛（MCMC）方法。 　　MCMC方法的基本思想是构造一条具有指定平稳分布的马尔可夫链，即它的转移分布收敛到它的后验分布，然后充分长的运行此链，直到链上取值的分布与其平稳分布足够接近时，把来自链上的样本作为来自的样本，基于这些样本可进行各种统计推断，如求均值，方差，峰度，偏度等。不同的MCMC方法主要是构造Markov链的方法不同，常用来构造链的方法有Gibbs抽样和Metropolis-Hasting抽样[3]。 　　1.Gibbs抽样 　　Geman和Geman夫人、Gelfand和Smith提出的Gibbs抽样是应用最广泛的MCMC方法。Gibbs抽样具有将高维的估计问题利用所有参数的条件分布分解为几个低维问题的优点。Gibbs抽样的思想是利用条件分布族来得到以为平稳分布的马尔可夫链.Gibbs抽样过程如下：设记，再记第1至第（k-1）个分量固定为，同时将第（k+1）至第m个分量固定为的条件下，第k个分量的条件分布为： 　　（3） 　　定义的转移概率： 　　. （4） 　　P是一个转移矩阵，是它的平稳分布，Gibbs抽样并不需要知道平稳分布的具体表达式，只需要知道在固定其他分量的条件下，余下的一个分量的条件分布。 　　2.Metropolis-Hasting抽样 　　假定我们希望从分布中抽取一个随机样本，它包含一个复杂的标准化常数，直接的抽取要么太浪费时间，要么不可行，但若存在一个近似分布，且可以很容易的得到随机样本的话，那么则可以应用Metropolis算法。Metropolis算法就是从近似分布中产生一系列的随机抽取，使其分布函数收敛到。此算法的步骤如下： 　　步骤1：抽取一个随机的初始值，满足；