日元汇率波动性特征实证研究.docVIP

日元汇率波动性特征实证研究.doc

此“经济”领域文档为创作者个人分享资料,不作为权威性指导和指引,仅供参考
  1. 1、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。。
  2. 2、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  3. 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
  4. 4、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
  5. 5、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们
  6. 6、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
  7. 7、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
日元汇率波动性特征实证研究

日元汇率波动性特征实证研究   【摘要】 本文通过对2006―2015年内的日元兑美元汇率日数据进行时间序列的模型构建与实证分析,确定日元兑美元汇率收益率序列可以成功地用ARMA模型拟合,收益率序列的波动性也可以用ARCH族模型解释和预测。进一步检验发现,2006―2015年日元兑美元汇率收益率表现出非对称性和杠杆效应。表明,日元兑美元汇率收益率的残差序列存在自相关性,日元兑美元汇率收益率序列存在尖峰厚尾特征和波动持续性特征。   【关键词】 日元汇率 模型 实证研究   一、理论分析和模型简介   在外汇市场中,一般用条件异方差模型的统计方法和计量经济模型来对资产收益率的波动率进行建模。对于时间序列的研究,研究者多用ARMA模型拟合数据的生成过程,并通过ACF与PACF等确定时间序列的滞后阶数,从而得到合适的模型。但由于金融市场上时间序列存在非平稳性,即多为随机游走序列,其样本具有明显的异方差特征,此时ARMA模型方差不变的性质便不适用于对金融市场上的资产收益率进行建模拟合。R.Engle提出了自回归条件异方差模型即ARCH模型,这一模型描述了残差项的条件方差依赖于前期残差项平方值的大小。随后,Bollerslev在ARCH模型基础上提出了著名的广义自回归条件异方差模型即GARCH模型,在GARCH模型中除了考虑残差项自身平方外,还加入了残差项条件方差的滞后期项。ARCH与GARCH模型对时间序列的波动特征尤其是对金融资产时间序列的波动性有强大的解释能力。   我们发现GARCH模型在一些研究中能够有效的拟合所采用的样本数据,对于决策者有一定的指导意义和现实意义。本文基于EViews软件,对2006―2015年初的日元兑美元汇率的收益率序列进行分析,以探究2006年之后日元兑美元汇率波动性的特征并检验ARCH族模型的拟合结果。   二、日元兑美元汇率收益率序列波动性的实证分析   1、样本选择和数据来源   本文所有数据来源于CCER数据库,使用2006年1月4日―2015年1月5日的日元兑美元的日汇率作为观测值,不包括没有交易的日期。   本文使用EViews7.2软件,对2006―2015年的数据样本进行拟合分析。分析2006年到最近时期日元兑美元汇率变动的情况,从而验证用ARMA和GARCH类模型对汇率收益序列进行分析和研究的效果,同时了解日元兑美元汇率波动的特征。考虑到本文的目的是对日元兑美元汇率收益率的波动性进行分析,在原始数据处理上,对所有样本数据取自然对数后再进行分析。在EViews中分别设日元兑美元汇率的序列为jpy,取自然对数后的序列为lnjpy。   2、基于ARMA模型的日元汇率收益率序列的实证分析   通过对汇率数据取自然对数后得到的lnjpy序列进行ADF单位根检验,显然不是平稳的时间序列。所以对lnjpy序列进行一次差分处理,得到新的序列dlnjpy,再做ADF单位根检验,检验结果表明,新序列的t统计量的值远小于显著性水平下的临界值,所以dlnjpy序列为平稳的时间序列,以下可以对dlnjpy,即日元对美元汇率的收益率xt=ln(jpyt)-ln(jpyt-1)这个序列进行ARMA建模。   现已得到了关于日元兑美元汇率收益率的平稳序列,下一步要判断ARMA模型合适的滞后阶数p与q,从而选择适合的模型进行拟合,即ARMA模型的识别与定阶。通过多次尝试,最终确定ARIMA(4,3)模型的拟合效果最好。ARIMA(4,3)表达式为xt=1.27xt-1-0.78xt-2-0.012xt-4-   1.27?着t-1+0.71?着t-2+0.14?着t-3。   估计结果显示,AIC的值为-7.111,可决系数R2为0.0198,方程中各项系数的统计量值均以大于95%的置信水平接受了原假设,拟合效果较好。   接下来对成功拟合的模型进行自相关性检验,主要是对收益率表达式的误差项进行相关性检验,即对其残差序列进行白噪声检验。这里我们用伯克斯皮尔斯提出的Q统计量进行检验,Q检验结果表明,所有阶的Q统计量的值小于0.05显著性水平下的临界值的概率都比较大(大于0.05),故不能拒绝原假设,说明残差序列是一个白噪声过程。于是我们可以认为ARMA(4,3)模型很好的模拟了实际数据。   最后进行残差项的ARCH效应检验。从模型的残差图中可以看出,均值方程的残差序列表现出波动聚集性,即大的波动后面常常伴随着较大的波动,较小的波动后面波动也较小,说明此序列可能存在自回归条件异方差现象。总的来说,统计特征显示差分序列不服从正态分布,且峰度大于3,显示出厚尾特征和波动集群性特征。所以接下来我们进行ARCH效应的LM检验,检验结果表明,滞后6阶的LM统计量的p值都很小(小于0.05,接近0

您可能关注的文档

文档评论(0)

bokegood + 关注
实名认证
文档贡献者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档