混合正态分布ARMAGARCH模型及其VaR度量.docVIP

混合正态分布ARMAGARCH模型及其VaR度量 　　内容摘要：本文从收益的波动性与分布两方面出发，组建起混合正态分布下的ARMA-GARCH -VaR模型。同时，文章对我国深圳证券综合指数进行实证研究计算其VaR值并进一步对该模型的预测效果进行分析。 　　关键词：VaR ARMA-GARCH模型 混合正态分布 　　 　　VaR的计算方法主要有蒙特卡洛模拟法、历史模拟法、方差-协方差法等，其中比较常用的是利用参数方法计算VaR的方差-协方差法。而这种方法的关键在于收益率分布形式的假定，通常人们假设金融资产价格服从正态分布，但是，大量的文献资料和研究表明，金融收益数据呈现出“尖峰厚尾”特性，不能采用传统的正态分布假定；同时，资产收益序列具有自相关性，波动的集聚性。由于波动具有时变的条件异方差性，用具有条件异方差的广义自回归条件异方差模型（GARCH模型）取代无条件方差来估计VaR，能改进VaR的估计精度。在该模型中，通常假定收益率残差服从条件正态分布，但这并不能刻画收益分布的厚尾特征，而采用混合正态分布刻画厚尾特征，一方面能尽量减少传统的正态分布低估风险价值的误差，另一方面又保持正态分布比较方便的特性。 　　VaR模型 　　VaR是在一定的置信水平下和一定的目标期间内，某金融工具或投资组合可能出现的最大损失（或最坏情况下的损失）。即对于选定的置信水平α，VaR可以表示为： 　　其中ΔP为资产或资产组合在持有期Δt内的损失，VaR为置信水平α下处于风险中的价值。根据定义，如果用r表示资产的日收益率，并假定其分布密度为f (t)，VaR的计算公式可以写作： 　　由此，要计算VaR关键是找到日收益率的分布密度函数f (r)。然而对于日收益率经常出现的异方差特性和集聚性，又不好直接假定它为混合正态分布函数，于是我们通过GARCH模型来解决这一现象，并通过假定并估计该模型的残差序列εt（一个均值为0，方差为1的独立同分布的随机变量序列）的混合正态分布函数的方法计算出εt的VaR值，再由rt和εt在模型中的关系来计算rt的VaR值。 　　GARCH模型 　　GARCH模型实际上是条件异方差模型（ARCH）的推广形式，标准的GARCH（m，s，）形式为： 　　其中rt为对数收益率；φ0为常数，at是白噪声序列，它们构成的第一个方程叫均值方程，实际上是一个ARMA模型。σt为条件方差，εt是一个均值为0，方差为1的独立同分布的随机变量αt≥0，βt≥0，(αt+βt)m,αi=0对js,βj=0），对αi+βi的限制条件保证的无条件方差是有限的，同时它的条件方差σ2t是随时间变化的，通常假定εt服从标准正态分布或标准化的学生-t分布。但是实际数据估计的残差序列εt的分布是尖峰厚尾的并不是正态分布，针对这一现象本文假定εt服从混合正态分布。 　　混合正态分布 　　混合正态分布的概率密度函数是若干个正态分布函数的线性组合，假设εt服从混合正态分布，即 　　其中fi(εt，μt，σt)是均值为μi，标准差为σi的正态分布的密度函数，权重pi满足pi=1，并假定k个正态分布之间是独立的。几个不同的正态分布通常有着不同的均值和方差，它们按各自的权值叠加在一起的密度函数所代表的分布函数通常具有比正态分布更丰富的表达性，并且由于混合正态分布能够很好地刻画尖峰性和厚尾性，所以它在金融领域的信息的获得和处理方面作用很大。 　　实证分析 　　本文选取深圳证券综合指数2009年1月7日到2011年6月15日共591个交易日收盘指数数据作为样本来分析混合正态分布下的GARCH模型在计算风险价值VaR方面的合理性，并估计风险价值。 　　（一）数据的基本特征 　　首先根据选取数据的收盘价计算各交易日的对数收益率，计算方法为rt=100*(lnpt-lnpt-1)。 　　其中pt(t =1,2,…)为各交易日的收盘价。日收益率序列的容量为590，均值为 　　0.109888%，标准差为1.829245%，偏度系数为-0.6957，表明日收益率序列rt是向左偏斜，峰度系数为4.4681，这说明日收益率序列有明显的尖峰厚尾性。J-B统计量99.2541，5%显著水平下的临界值为5.9915，表明日收益率序列rt不服从正态分布。对日收益率序列rt进行零均值化（即ri－均值）后仍记为rt。 　　（二）平稳性和自相关性 　　用Augnented Dikey-Fuller方法对深证综指收益率rt进行单位根检验，深证综指t统计量为-22.43894，小于显著性水平1%的Mackinnon临界值-3.441223，因而拒绝单位根假设，即收益率序列rt是平稳的。计算收益率序列rt的自相关序列ACF和偏自相关序列PACF，收益率序列一阶相关系数的伴