AsymmetricLaplaceAGARCHM模型下股指风险研究.docVIP

Asymmetric-Laplace-AGARCH-M模型下的股指风险研究 　　 【摘要】 本文采用非对称Laplace分布来拟合具有尖峰、厚尾、有偏特征的金融收益率残差序列，利用AGARCH-M模型来描述金融序列波动的“杠杆效应”，提出了准确有效的Asymmetric-Laplace-AGARCH-M模型来度量金融收益序列的ES。通过实证分析表明，Asymmetric-Laplace-AGARCH-M模型能很好地度量金融收益风险。 　　 【关键词】 非对称Laplace分布 AGARCH-M模型 ES后验测试 　　 一、引言 　　 金融风险度量不仅与资产收益的概率分布类型有关，还与资产收益的波动性有关，风险度量的核心就是价格波动性的估计和预测。目前常用的波动性度量模型包括移动平均类模型、GARCH类模型等。GARCH类模型建模时要求收益率时间序列必须（近似）为独立同分布序列，而实务中金融时间序列尤其是股指和外汇，往往表现出自相关性、波动集聚性和杠杆效应，波动率总是在固定范围内以连续方式随时间变化，而其收益率标准残差序列近似具有独立同分布的特征，故对损失的残差序列进行建模比使用损失序列更加科学合理。 　　 由此，本文将能有效拟合金融数据尖峰厚尾有偏特征的非对称Laplace分布与刻画收益波动的聚集性和非对称杠杆效应的AGARCH-M模型有效结合，提出了残差服从非对称Laplace分布的新型Asymmetric-Laplace-AGARCH-M模型，并给出了其ES的计算方法。实证分析中，对股指期货收益率风险进行一步向前预测并采用LR检验统计量做返回检验，对模型下的ES预测精度进行了后验分析，以保证研究的有效性和可靠性。 　　 二、Asymmetric-Laplace-AGARCH-M模型的建立 　　 1、非对称分布及其ES计算模型 　　 期望亏空（ES）考虑了超过VaR水平的损失，为在一个特定水平1-?琢下，最坏100（1-?琢）%情形的投资组合损失的期望。其计算公式为： 　　 ES?琢=ES?琢（X）=-｛E[X｜[X?燮x?琢]]+x?琢（?琢-P[X?燮x?琢]）｝（1） 　　 如果随机变量 ，有如下的分布密度函数： 　　 f（X｜?滋，?滓，p）=exp｛-（I[X?滋]+I[X0，?酌j?叟0，j=1,2,…p。 　　 AGARCH-M（AGARCH-in-mean）模型是Engle、Lilien和Robbins提出的ARCH-M模型的推广，该模型能很好地解决上述波动率的特性，其在AGARCH模型条件均值表达式右边增加一项ht，表达式为： 　　 rt=?滋+ut+?啄ht 　　 ht=?琢0+（?琢i｜ut-i｜+?茁iut-i）2+?酌jht-j （5） 　　 其中，ht服从AGARCH（p，q）模型。若模型旨在解释某一金融资产的回报率，那么增加ht是因为投资者都期望资产回报与其对应风险密切相关，而条件方差ht代表了期望风险的大小，所以AGARCH-M模型就可以更好地描述期望回报与期望风险密切相关的金融资产。 　　 为了更好地度量残差服从非对称Laplace分布的收益风险，本文将非对称Laplace分布与AGARCH-M模型结合起来，得到了一种新的Asymmetric-Laplace-AGARCH-M（p，q）模型，其条件均值与条件方差方程分别为： 　　 rt=ut+?滋r+?啄ht 　　 ht=?琢0+（?琢i｜ut-i｜+?茁iut-i）2+?酌jht-j（6） 　　 这里，rtAL（0，?滓，p），?滋r=（1-2p），E（ut）=0，D（ut）=ht，参数需满足条件：p?叟0，q?叟0，?啄0，?琢00，?酌j?叟0，j=1,2,…p。为简化计算，下文中均使用Asymmetric-Laplace-AGARCH-M（1，1）模型。 　　 用t+1时刻的条件方差ht+1代替（2）、（3）式中的方差?滓，很容易得到此模型下的ES计算公式为： 　　 ES?琢，t+1=VaR?琢+ht+1=-ht+1[（ln-1）-?滋r] （7） 　　 三、实证分析 　　 1、数据选取及模型检验 　　 本文选取了四组股指指数IF000，IF1009，IF1012，IF1014自2011年9月1日前1501个收盘价价格数据。由rt=100（lnpt-lnpt-1）得到1500个百分制日收益率序列，其中，pt表示第 t日的开盘价。表1给出了其收益率序列包括均值、方差、峰度、偏度的四项基本指标，从中可以看出四组rt数据的概率分布呈明显非对称尖峰厚尾性。因正态分布样本的偏度系数与峰度系数近似为0，表1中样本数据峰度均大于10，说明其尾部较正态分布更发散，两侧极端数据更多。正态性检验中，使用J