基于FIGARCH模型中国房地产指数实证分析.docVIP

基于FIGARCH模型中国房地产指数实证分析 　　摘 要：在T分布和正态分布假设下采用GARCH模型和FIGARCH模型对上证地产股指数日收益率序列进行建模分析，结果表明，上证地产股指数日收益率序列的波动具有显著的长记忆性，表明外部冲击对波动有着长期的影响。因此，采用FIGARCH模型建模的效果优于采用GARCH模型建模的效果，并且在T分布假设下拟合模型，其效果优于在正态分布假设下拟合的模型。 　　关键词：FIGARCH模型；GARCH模型；长记忆性；T分布 　　中图分类号：F12 文献标志码：A 文章编号：1673-291X（2013）24-0001-04 　　引言 　　近年来，随着国民经济的快速发展，投资对中国经济的快速增长起了极大的推动作用，其中房地产的投资更是发挥了举足轻重的作用。房地产业已经成为中国的支柱产业，在国民经济中占据了极其重要的位置。房地产业对于扩大内需，拉动经济增长有着重要的作用，其增加值在GDP中所占的比重也逐年增加。目前中国正处于城市化发展的重要阶段，房地产业的健康发展对于中国经济增长有重要作用。 　　房地产业的增长并不是一直平稳发展的，而是有波动的，这个波动在房地产指数上有所体现。房地产指数的波动与金融时间序列的波动相似，也有着波动集群性、长记忆性等特征。对于房地产业的投资者，除了关注房地产业的投资收益外，还需要关注其收益的波动性即可能损失的风险，因为这也是影响投资决策的重要因素之一。高估房地产业的风险将会使投资行为变得过于谨慎从而失去投资机会，而忽视其风险则可能导致投资的失败。因此，对房地产业风险的正确评判是进行房地产业投资决策得以成功的关键。而波动的长记忆性则反映了外部冲击对波动性的持续影响，是波动的重要特征之一。 　　目前对于房地产指数波动，尤其是其波动的长记忆性特征进行分析的文献尚不多见。Crawford et al（2003）[1]采用三种时间序列模型：ARIMA，GARCH和结构转换模型对美国五个州的重复交易房价指数建模，并做了对比分析。吴公梁和龙奋杰[2]运用ARCH模型对1999年1月至2003年10月的上海房价指数进行建模分析，发现与传统的时间序列相比，ARCH模型能更好地分析和预测房价指数的波动性。黄??华、吴次芳和杜雪君（2008）[3]采用GARCH模型族分析了上海房价的波动性，结果表明，GARCH模型族能很好地解释房价的波动性。上述文献均采用了GARCH模型对房价指数的波动进行了建模分析，但对其波动的长记忆性尚未涉及。本文采用FIGARCH模型对上证地产股指数进行建模，试图分析其波动的长记忆性。 　　一、FIGARCH模型 　　金融市场上收益的不确定性是现代金融理论所涉及的核心问题之一。一般而言，金融变量的不确定性常用方差来度量。传统的计量模型为了方便分析，通常假设扰动项满足零均值、同方差和互不相关等条件，但在实践中这些假设都很难得到满足。大量的实证研究表明，金融时间序列中存在着异方差性。因此，再用一般的时间序列来拟合金融时间序列的波动性就显得不太合适。为了反映金融时间序列异方差等特性，Engle（1982）[4]提出了自回归条件异方差模型，即ARCH模型，开创了金融时间序列发展的新方向。ARCH模型将时变方差建立为关于过去扰动的函数，从而能较好地描述资产收益的波动集群性特征。但在实践中发现，为了能较好地反映波动的特征，ARCH模型需要较高的滞后阶数，这样就增大了估计的难度。为了解决这个问题，Bollerslev（1986）[5] 在ARCH模型的基础上进行改进，提出了广义ARCH模型，即GARCH模型。GARCH模型的出现简化了高阶的ARCH模型，在实证研究中得到了广泛应用。 　　二、数据来源及统计描述 　　上证地产股指数日收益率序列基本的统计特征描述如下： 　　从表1可知，上证地产股指数的日收益率序列表现出了非正态性的特征：峰度大于3，有尖峰的特征；偏度小于0，有一定左偏性；且J-B统计量在1%的水平上显著。这些都说明收益率序列呈现明显的非正态分布的特征。ADF检验表明收益率序列是平稳的，ARCH效应检验显示滞后10阶的统计量在1%水平上显著，表明收益率序列具有高阶ARCH效应。R/S统计量是用来检验序列是否具有长记忆性。表1中R/S检验统计量的值说明收益率序列具有长记忆性。以上统计分析结果表明，对上证地产股指数的收益率序列采用GARCH模型和FIGARCH模型建模分析是合适的。上证地产股指数日收益率序列（见图1）。 　　三、实证分析 　　结论 　　参考文献： 　　[1] Crawford，G W.and Fratantoni M.C.Assessing the Forecasting Performance of Regime-Swi