第五讲波动率.pptVIP

指数加权移动平均模型 （EWMA） 要避免由于简单移动平均导致的缺陷，最简单的方法是对近期的数据赋予更高的权重。这是指数加权移动平均法（EWMA）背后的基本思想 在指数加权移动平均模型中， u2 的权重αi 随着回望时间加长而按指数速度递减 许多风险管理者在计算日收益波动率时使用λ=0.94，而在计算月波动率时则使用λ=0.97。JP摩根在1996年公布的RiskMetricsTM技术文档中就是把这两个λ值作为研究成果用于实证检验 EWMA的诱人之处 需要的数据相对较少 仅需记忆对当前波动率的估计以及市场变量的最新观察值 对波动率进行跟踪监测 RiskMetrics 采用λ=0.94来更新每天波动率的估计 CWMA与GARCH 运用EWMA估计的市场波动率并不是常数，这正是广义自回归条件异方差模型（GARCH模型）族的核心思想。 EWMA属于GARCH模型的一个特例。GARCH模型族假设收益率的条件方差不是常数，因此在不同的时间段里，资产收益率的波动性可能会更高或者更低（即波动聚集性）。εi是在时刻i的预测误差，即估计值和实际值之间的差距（因此，估计条件方差同样要求估计一个条件均值，条件均值是通过自回归模型AR(1)推导出来的yt+1=α+ρyt+ε式中,yt+1和yt分别代表在t+1和t时刻上的资产收益率；α和ρ是需要通过回归进行估计的常数；ε是回归方程的误差项。并且有α0、α1,α2,…,αp≥0。从上式可知：显著的预测误差会导致所估计的方差变大；当然，同时还受到α参数值大小的影响。博勒斯洛夫通过将时刻t的条件方差用t-1，t-2，…，t-n时刻的方差来表示，将恩格尔的ARCH模型进行了扩展。 EWMA虽然是GARCH的一个特例，但两者计算的结果其实并不相同。 GARCH（1，1）模型 在GARCH（1，1）中，我们赋予长期平均方差一定的权重 因为权重之和为1，故有 令 w = gVL ，可以将GARCH（1,1）模型写成 例10.8 假设 每天长期平均方差为0.0002，对应的波动率为1.4% 假设对应于n-1天的日波动率估算值为1.6%，n-1天市场价格降低1% 则第n天的方差为 日波动率的最新估计为每天1.53% GARCH（p，q） 其它模型 许多其它的GARCH模型已被提出 比如，我们可以设计一个GARCH模型，使其赋予 ui2 的权重依赖于 ui 的正负值 方差目标 一种估计GARCH（1，1）参数的很好方法是所谓的方差目标 将长期平均方差设定为由数据计算出的抽样方差 模型只需要估计两个参数 最大似然估计法 选择合适的参数使得数据发生的几率达到最大 例 随机抽取某一天10只股票的价格，我们发现一只股票价格在这一天价格下降了，而其它9只股票的价格有所增加或至少没有下跌，将任意股票价格下降的概率计为 p 。那么，一只股票价格下降的概率的最好估计为多少？ 概率为：p(1-p)9 使上式取最大值，观察其最大似然估计：p=0.1 例 估计一个变量服从均值为0的正态分布的方差 GARCH（1，1）的应用 选择参数，最大化下式 日元汇率数据的计算 第i天 Si ui vi =si2 -lnvi - ui2/vi 1 0.007728 2 0.007779 0.006599 3 0.007746 -0.004242 09.6283 4 0.007816 0.009037 08.1329 5 0.007837 0.002687 09.8568 …. 2423 0.008495 0.000144 09.3824 22,063.5833 1988~1997年日元日波动率 未来波动率的预测 经过一系列的代数过程，可得 估计一个期限为T天的期权的波动率，我们必须对即时方差求从0到T的积分 对于一个期限为T的期权，其年波动率为 其中 波动率期限结构 GARCH（1，1）模型允许我们预测波动率期限结构的改变 当σ(0)的变化量为Δσ(0)，GARCH（1，1）预测的σ(T)的相应变化量为 作业 10.9 11 21 * 第五讲 波动率 波动率的定义 某个变量的波动率σ定义为这一变量在单位时间内连续复利收益率的标准差 定义Si 为变量在时间 i 的值，则日波动率为ln(Si /Si-1) 的标准差 如果我们假设，每日收益率相互独立且具有相同的方差，则T天回报的方差为T乘以每日收益率的积。这意味着，T天收益率的标准差是日收益率标准差的 倍 这和“不确定性随时间长度的平方根增长”这一法则是一致的 交易天数与日历天数 研究表明，交易所开盘交易时的波动率比关闭时的波动率要大很多，因此，当由历史数据估计波动率时，