基于有效矩和粒子滤波方法带跳跃杠杆SV研究.docVIP

基于有效矩和粒子滤波方法带跳跃杠杆SV研究 　　摘要：随机波动率（SV）模型的精确似然函数很难得到而模拟却很容易实现，可借助有效矩方法（EMM）完成估计，但单纯的EMM估计无法得到波动率序列，需要借助滤波算法。本文通过蒙特卡洛仿真实验发现连续粒子滤波算法（CSIR）比普通粒子滤波算法精度更高；对沪深300期货指数的实证分析进一步发现，添加杠杆效应后的模型（SVL，SVLJ）能更好地描述沪深300期货指数的波动情况。 　　关键词：有效矩；波动率；粒子滤波；半非参数密度 　　中图分类号：F830.59 文献标识码：A 　　收稿日期：2015-11-02 　　作者简介：吕龙（1986-），男，武汉人，华中科技大学经济学院博士研究生，研究方向：金融市场和大宗商品市场；邓平军（1990-），男，河南信阳人，华中科技大学经济学院博士研究生，研究方向：金融市场。 　　一、引言 　　金融市场波动率是金融领域的基础性问题，对资产定价、风险管理有极其重要的意义，因而一直是研究的热点之一。长期以来，国内外的学者们一直致力于找到一种准确度量市场波动率的方法。经过数十年的发展，在低频数据上形成了两大类刻画波动率动态特征的方法：广义自回归条件异方差（GARCH）和随机波动率（SV）模型。GARCH模型尽管“如实”地反映了波动率的“群聚效应”且估计简单，但是其波动率的路径完全取决于以往的信息，因而其对数据的拟合能力不如考虑新信息后的SV；另外，SV模型同连续随机模型联系紧密，很容易直接应用在期权或其他衍生品定价上，因而SV模型自诞生以来就一直为学术界所广泛关注，尤其在其难点估计问题上，各种方法层出不穷。例如，Ruiz（1994）将卡尔曼滤波和极大似然估计结合，提出伪极大似然估计（QML）方法；Andersen和Sorensen（1996）将广义矩（GMM）方法引入SV模型的估计中，并通过MC实验验证了其在大样本下的有效性；Jacquier（1994）将马尔科夫过程引入到MC方法中，提出马尔科夫链蒙特卡罗方法（MCMC）方法，该方法通过对参数后验分布的不断抽样来估计参数，以规避直接求似然函数所面临的高维积分问题。 　　MCMC方法在估计参数的同时还可以得到波动率序列且具有普通SV框架下易于实现、不依赖于大样本、容易进行模型诊断等优点，因此一经提出便迅速得到广泛应用。Meyer和Jun Yu（2000）详细介绍了在Winbugs软件中使用MCMC方法估计SV模型的流程；Jacquier等（2004）将MCMC的应用从普通SV扩展到带杠杆效应的SV-t上；Jun Yu（2005）使用MCMC模型估计了带杠杆效应的SV模型，并对SP 500和CRSP指数做了实证研究，发现两大市场上均存在杠杆效应。受到国外学者的启发，国内学者也开始运用MCMC方法估计SV模型，且很多都直接使用Winbugs软件，如黄大海（2004）和朱慧明（2007）。然而，MCMC方法尽管有前述的诸多优势，但依然存在两个无法回避的问题：（1）当SV模型比较复杂时，MCMC的设计会变得异常困难；（2）对MCMC的使用绝大部分学者严重依赖于Bugs系列软件，而这类软件对于使用者而言简直是一个“黑箱”。相较于MCMC复杂的抽样流程，Gallant和Tauchen（1996）综合SNP和GMM所提出的有效矩（EMM）显得更为直接。 　　目前，对EMM的研究还处在相当初级的阶段，具体表现在以下几个方面：（1） 辅助模型的选择问题。部分文献即使在非大样本条件下，也仅仅使用普通的GARCH模型、EGARCH模型作为辅助模型，违背数据的真实特征。（2）波动率的估计问题。目前国内凡使用EMM模型研究SV问题的，无一例外仅给出参数估计的结果，却闭口不提波动率序列的估计（这一情况也部分地存在于使用MCMC之外的其他方法估计SV的文献中）。（3） 模型实现问题。绝大部分应用EMM的文献（包括国外文献）在实证分析部分都严重依赖Gallant等人的C++、Fortan程序包，而这些程序包（至少是早期版本）由于其所采用的优化算法的缺陷，常因初值、矩阵不可逆等问题跳出。对于第一个问题，我们严格依照Gallant等学者提出的方法，依据BIC准则选取合适的SNP密度函数作为辅助模型；对于第二个问题，我们引入Malik、Pitt和Doucet（2011）提出的连续粒子滤波（CSIR）来解决波动率的估计问题；针对最后一个问题，我们使用Matlab 7.0来自主地实现本文的全部算法，并在EMM涉及到优化的地方运用工程领域前沿的Cuckoo Search算法完成寻优。 　　本文后续结构安排如下：第二部分介绍SVLJ模型，第三、四部分为方法论，详细介绍了EMM和CSIR方法，第五部分运用SV、SVL和SVLJ三种方法分