基于GARCH族模型德国DAX股指估计及预测.docVIP

基于GARCH族模型德国DAX股指估计及预测 　　[摘 要] 通过对德国DAX股指的特征性分析，发现德国DAX股指是非正态的、平稳的，并且具有自相关性。运用ARCH效应检验发现，残差具有ARCH效应，说明该股指适合用GARCH族模型来建模。通过显著性检验以及AIC值越小越好、极大似然函数越大越好的选取准则，得到扰动项服从学生分布下的TARCH（1，1）对于德国DAX股指的对数收益率波动的拟合效果是最好的。在该模型的基础上对条件方差和收益率进行了预测，发现条件方差最后收敛于0.00001左右的一个无条件方差，而预测的收益率和实际收益率之间的误差很小，说明预测效果较好。 　　[关键词] GARCH族模型；对数收益率；条件方差；预测 　　[中图分类号] F830.91 [文献标识码] A [文章编号] 1009-6043（2018）01-0166-04 　　股票的波动性研究往往都是运用GARCH模型来描述，而GARCH族模型包括一般的GARCH模型、GARCH-M模型、TARCH和EGARCH模型。GARCH模型族的残差在大多文献中是服从正态分布的，而查阅资料发现该残差可以假设服从正态分布、学生t分布和广义误差分布。因此，基于4种GARCH模型，使扰动项分别服从以上三种分布，得到12种模型，最后通过实证分析得到最优模型，并在该模型的基础上对条件误差和对数收益率进行了预测。 　　一、GARCH族模型及其发展 　　（一）GARCH族模型 　　1.ARCH模型 　　Engle提出了ARCH模型，但是ARCH模型不能反映实际数据中的长记忆性，且为了得到较好的估计，时常需要估计很多的参数，于是计量经济学家提出用GARCH模型来代替ARCH模型。 　　2.GARCH模型 　　GARCH模型中，最常用的就是GARCH（1，1）模型，因其能对数据进行很好的描述。其形式为： 　　从模型的表达式可以看出，GARCH（1，1）与ARCH模型最大的区别就是方差方程，多了一个条件方差项，此方差项的加入可以避免估计很多参数。 　　3.GARCH-M模型 　　对于金融资产，人们一般认为“高风险对应高收益”，即风险越大，预期的收益率就越大。此处的风险是用条件方差来表示的，并将这种波动引入均值方程中。GARCH-M（1，1）模型的形式为： 　　4.非对称GARCH模型[1] 　　许多股票研究员发现，股票价格存在着非对称性，即负的冲击比正的冲击更容易产生波动，波动率针对市场下跌的反应比市场上升的反应更加迅速，也被称为“杠杆效应”。而针对有杠杆效应的数据，我们应该使用非对称的GARCH模型。而非对称GARCH模型包括TARCH模型和EGARCH模型。 　　TARCH模型也称门限GARCH模型，这个门限是采用一个虚拟变量来设定的，用来区分正和负的冲击对条件波动的影响。TARCH（1，1）模型的形式为： 　　方差方程中的项，称为非对称效应项，好消息和坏消息对条件方差有着不同的影响。好消息对条件方差只有一个α1倍的冲击，而坏消息则对条件方差有着（α1+γ）倍的冲击，γ0表明存在杠杆效应。 　　EGARCH模型又叫指数模型，其方差方程不再分析条件方差σ，而是分析lnσ，并使用扰动项和扰动项的绝对值与扰动项的标准差之比来刻画正负冲击对波动的影响。EGARCH（1，1）模型的形式为： 　　当γ0时，说明价格波动受负的外部影响大于受正的外部影响，成为杠杆效应。 　　（二）GARCH族模型的扰动项分布假设 　　上述的模型中，都是假定扰动项μt服从正态分布，而在实践中我们发现，许多金融事件序列的无条件分布具有比正态分布更宽的尾部。2007年程婧瑶研究股市波动率时，假设扰动项服从学生t分布；而在2013年ChristosKollias在研究?W洲市场股票波动性的时候假设扰动项服从广义误差分布。为了能够更加精确的描述时间序列分布的尾部特征，需要对扰动项μt的分布进行假设，一般有三种假设：正态分布、学生t分布和广义误差分布。给定一个分布，GARCH使用极大似然估计来对参数进行估计。 　　二、数据的选取和基本检验 　　（一）数据的选取及说明 　　采用GARCH模型建模，一般是选择日度数据或者日内的高频数据，这样更有利于参数估计的收敛性和稳健性。选取德国DAX股指，采用5分钟高频数据，样本期间为2017年5月31日至2017年6月19日，剔除没有交易的日子，共计1352个观测数据。为了刻画德国股市的波动现象，采取对数收益率作为研究对象。 　　此处，rt表示该对数收益率，pt表示后一时刻的股价，pt-1表示前一时刻的股价，则对数收益率为： 　　rt=In（pt）-In（pt-1） 　　（二）样本数据的基本检验 　　1.正态性检验 　　运用J