上海市通货膨胀率及其波动实证分析.docVIP

上海市通货膨胀率及其波动的实证分析 　　【摘要】本文利用GARCH模型生成上海市通货膨胀波动性的衡量指标，并实证分析1994年1月至2013年5月中国的通货膨胀与通货膨胀波动性之间的关系。 　　【关键词】上海市通货膨胀率；ARCH模型；GARCH模型 　　在此，选取1994年1月至2013年5月上海市的居民消费价格指数来反映通货膨胀的程度，通过居民消费价格指数月度同比增长率来刻画上海市通货膨胀率的波动情况。共有来源于中国国家统计局网站的233条月度数据，实证分析主要运用R i386 2.15.2软件实现。 　　1 模型介绍 　　1.1 ARCH模型 　　ARCH模型的基本思想是指在以前信息集下，某一时刻一个残差的发生是服从正态分布的。该正态分布的均值为零，方差是一个随时间变化的量，即为条件方差。并且这个随时间变化的方差是过去有限项残差值平方的线性组合，即为自回归。这样就构成了自回归条件异方差模型。 　　从模型中可以看出，由于现在时刻残差的方差是过去有限项残差值平方的回归，也就是说残差的波动具有一定的记忆性，因此，如果在以前时刻残差的方差变大，那么在此刻残差的方差往往也跟着变大；如果在以前时刻残差的方差变小，那么在此刻残差的方差往往也跟着变小。这就是ARCH模型所具有描述波动的集群性的特性，由此也决定它的无条件分布是一个尖峰厚尾的分布。 　　1.2 GARCH模型 　　GARCH模型是无穷阶的ARCH模型。ARCH模型实际上只适用于异方差函数短期自相关过程，相比于ARCH模型，GARCH模型更能反映实际数据中的长期记忆性质。 　　GARCH模型是专门针对金融数据所量体定做的回归模型，该模型对残差的方差进行了进一步的建模。特别适用于波动性分析和预测，这样的分析对投资者的决策能起到非常重要的指导性作用。 　　由于GARCH（p，q）模型是ARCH模型的扩展，因此GARCH（p，q）模型同样具有ARCH（q）模型的特点。GARCH模型适合在计算量不大时，方便地描述高阶的ARCH过程，因而具有更大的适用性。 　　2 实证分析 　　2.1 数据预处理 　　在参与计量分析时，首先应对原始数据进行预处理，本文采用了上海市居民消费价格指数的对数形式来进行考察，因为对数形式有以下优点：第一，符合经济增长理论的一般形式；第二可以消除可能存在的异方差。对指标进行自然对数处理后，继续进行一阶差分，这样我们就可以得到通货膨胀率，进而研究通货膨胀率的波动情况[6]。由于先取对数尔后又进行差分，序列值变的比较小，再次对差分后的序列乘以100，使结果便于观察。 　　2.2 变量的ADF检验 　　首先对序列进行基本的描述性统计分析可以看出，上海市通货膨胀率具有以下特征：汇率波动呈现偏峰厚尾特征。峰度6.0103283，表明通货膨胀率波动不服从正态分布，偏度-0.6668980，说明上海市通货膨胀率呈现厚尾特征。厚尾性越大说明状态持续性越强，在预测通货膨胀率趋势时历史信息越重要。 　　从通货膨胀率的波动率图可以非常明显的看出，上海市通货膨胀率波动存在集群性，也就是说相对于某一时间段，波动比较大，而对另一段时间来说，波动比较小。这符合ARCH模型的特征。 　　如果仅仅是把非平稳时间序列变化为平稳时间序列之后，再建立回归模型，这样会导致模型是伪回归，认为得出的相关关系，实际上是一种假象。所以在进行动态回归模型拟合时，必须先检验各序列的平稳性。只有当各序列都平稳时就可以直接建立回归模型，所以要进行单位根检验。然后，对通货膨胀率序列进行ADF检验，来判断该序列是否平稳。由检验结果可以知，原序列的ADF检验P值远远小于0.05，因此该序列为平稳序列。 　　综上所述，上海市通货膨胀率的时间序列是具有尖峰厚尾性特征的异方差平稳序列，符合ARCH模型的假设条件，所以可以应用ARCH模型对上海市通货膨胀率波动进行拟合建模分析。 　　2.3 ARMA模型 　　虽然原序列已经是平稳序列，但是还不能直接构建ARCH模型。从上述描述性统计分析可知，该序列的均值为-0.081599，虽然均值看上去很小，但是相对于我们所研究的序列来说，并不十分小，不能忽略。因此需要将该序列减去均值进行变换，使得均值为0。得到均值为0的序列后，为判断序列是否存在自相关性，需要再进行BOX检验。检检验结果可知，P值均在0.05附近波动，因此认为该序列存在着序列相关，所以要先拟合ARMA模型，再对其残差进行检验，看是否存在ARCH效应，如果存在，则需拟合ARCH模型。从原序列的自相关图和偏自相关图中也可以看出序列存在自相关性，需要进行ARMA模型拟合。然后再通过EACF函数来判断ARMA模型的阶数为14，用ARMA（0，14）模型对序列进行拟合。从参数估计结果可以看出，A