风险度量混合GARCH模型及对中国股市实证分析.docVIP

风险度量混合GARCH模型及对中国股市实证分析 　　［作者简介］张琳琳（1979-），女，河南焦作人，吉林大学商学院博士研究生，研究方向：金融学；赵振全（1943-），男，吉林延吉人，吉林大学数量经济研究中心主任，教授，博士生导师，研究方向：金融市场与理财；孙俊岭（1979-），男，内蒙古阿里河人，吉林大学公共卫生学院教师，研究方向：数理统计、应用统计。 　　 　　［摘要］基于GARCH模型的VaR计算方法一直是一个颇受关注的研究领域，但在残差服从正态分布的假设下，有时GARCH模型的“尾”仍不够厚。论文讨论了混合广义自回归条件异方差(MGARCH)模型，它能够更好地刻画金融时间序列的厚尾现象。文章还结合我国股市数据，运用EM算法对收益率序列建立混合GARCH模型，计算市场风险VaR值，并对结果做出分析。 　　［关键词］VaR；MGARCH模型；厚尾现象；EM算法 　　［中图分类号］F830．9 　　［文献标识码］A 　　［文章编号］1002-736X(2007)09-0057-05 　　 　　VaR是目前最主流的基于统计分析的风险度量技术，近年来受到全球各主要金融机构的广泛使用。GARCH族模型用于刻画那些收益率不服从独立同方差且存在明显的“高峰厚尾”特征的时间序列有着得天独厚的优势，因此基于GARCH族模型的VaR的计算十分有意义。Mikosch、Starica(2000)发现残差服从正态分布时的GARCH(1,1)模型的“尾部”比实际数据中的薄，Wong(2000，2001)将混合模型作出推广，分别研究了混合AR模型和混合ARCH模型的一些性质；Zhang (2006)提出混合GARCH模型(简记为MGARCH)，并证明了一些平稳性质。 　　以下结合我国股市数据，运用EM算法对收益率序列建立MGARCH模型，并计算市场风险VaR值，最后用失败频率检验法对这个模型做准确性检验。 　　 　　一、混合GARCH模型 　　 　　（一）混合GARCH模型定义 　　金融时间序列常常表现出收益率分布的“高峰厚尾”特征和波动的集聚性， Engle(1982)提出的ARCH模型和Bollerslev(1996)提出的GARCH模型对这两个性质的刻画最具代表性。一般地，AR(l)GARCH(p,q)模型定义为： 　　 　　Zhang(2002)以及Zhang、Li、Kam(2006)表明，在残差序列服从正态分布的假设下，混合GARCH模型能够刻画比通常的GARCH模型更“厚”的尾部。在混合自回归(MAR)模型和混合自回归条件异方差(MARCH)模型的基础上，Zhang等(2006)给出K元MGARCH模型的表达式，记为MGARCH(K;l,p,q)： 　　 　　模型退化为一般的GARCH模型。 　　本文考虑较简单的MGARCH(2;0,1,1)模型，也就是说，（2）式中X??t和条件方差h??t满足以下条件： 　　 　　（二）尾部性质研究 　　Danielsson.J(1997)曾指出，在极限条件下所有的重尾分布的尾部都可以用幂函数近似。常用的估计收益率分布尾部指数的方法有Hill估计(Hill，1975)、Bootstrap方法等。对于MGARCH(K;1,1)模型来说，用于刻画比较时间序列的“厚尾”情况的尾部指数κ（Zhang、Li、kam，2006）定义为： 　　 　　（三）参数估计 　　在估计混合类模型时，由于直接对不完全数据的对数似然函数进行优化非常困难而对完全数据的对数似然函数优化通常较为容易，因此EM算法是最适合的参数估计方法，它的优点之一就是可以保证似然函数值是单调增加的（Wong、Li，2001）。 　　假设可观察值?? 　　 　　由EM算法得到模型的参数估计值的计算过程分为两部分： 　　E步：给出参数初值θ??0，不可观测随机变量Z就可用参数初值和可观测值?邯?t的条件期望τ??t,k代替（Zhang、Li、Kam，2006）： 　　 　　其中，?迹āぃ┦潜曜颊?态分布的概率密度函数。 　　M步：在E步基础上最大化似然函数（7）式，得到参数估计值θ＾??1，代替E步中的初值进行反复迭代，在两次估计值之间达到一定精度时停止，即得到了参数θ估计值。 　　就笔者主要的研究对象MGARCH(2;0,1,1)模型来说，通过EM算法得到参数估计： 　　 　　其中，σ＾ ??t+1｜t是一步条件方差，表示给定t时刻所有信息的条件下，时间序列在t+1时刻的条件标准差。 　　 　　二、VaR定义及计算方法 　　 　　（一）VaR的定义 　　VaR 是目前最主流的基于统计分析的风险度量技术，具有信息披露、资源配置和绩效评价等功能。P. Jorion 将其定义