在ＡＲＣＨ＆ＧＡＲＣＨ下的金融实例分析.docVIP

在ARCHGARC H下的金融实例分析 、引言 在接触到时间序列数据之前，我们主要利用最小二乘 估计(OLS)来分析横截面数据及面板数据。OLS估计的几 个重要的假设，其中很重要的一点就是：所有的误差项的 条件期望值及条件方差均相同，即：同方差假设。可我们 不禁要问：现实生活中真的是否存在同方差？关于同方差 的假设一般是被应用到横截面数据当中的。可是我们发现 即使在横截面数据中也不一定存在同方差。我们曾经在用 STA TA处理横截面数据的异方差问题时，用到了这样一个 命令：rob uststandar derrors。如果样本数足够多，那么 r obuststand arderrors是可以提供对异方差较好的估计的 但是，如果样本数并不多，或者说很少，用这个方法并不 能达到预期的效果。在横截面数据中尚且如此，那么在时 间序列中，尤其是金融产品领域，异方差是常有的事，如 果仅仅依靠OLS估计，或利用robust standarder rors，并 不能解决根本问题。 如果存在异方差时，仍利用0 LS估计，尽管对系数估 计是无偏的，然而，在对标准误和置信区间估计时则不精 确。也就是说传统的方法在分析异方差时是有缺陷的，而 经济实务中的现实要求，对学术界提出了新的期待。于是， ARCH模型应运而生了。 所谓的ARCH模型就是自回归条件异方差模型，将异方 差视为变量。以及后来又继续发展出来的GARCH模型，甚 至还有 EGAR CH 模型(Nelso n, 1991), TA RCH 模型(Rabe mananjaraZ akoian，199 3)。通过 ARCHG ARCH 模型，一方面 可以弥补OLS估计在衡量异方差时的缺陷，同时还可以用 于预测误差项的方差。而一般情况下，我们把这些方法应 用于金融领域，它们已经被广泛地应用于处理时间序列异 方差模型中，运用这两个模型的目的，就是产生一个用于 预测波动的工具。 在本次的研究中，本人主要将ARCHG ARCH应用于风 险价值的分析中。因此，本文力求在理论上给出一些解释， 并进行相应的反思。 二、数据与模型 首先，对于本次研究对象value-a t-risk,简称V AR， 从经济学角度来说，在一定的持有期程一定的置信区间内， 一个投资组合最大潜在损失是多少，资产在正常的市场条 件下的风险值。VAR要计算的实际上是正常情况下投资组合 的预期价值与在一定置信水平下的最低价值之差。以本次 的例子来说，VAR ( $ 1,0 00, 000，99%)，表明这一投资组 合有99%的可能性损失不超过$1，⑻0,⑻0，换句话说，只 有1%超过$ 1,00 0,000。置信区间很重要，它主要反映一 家银行风险的战略和经营特点。例如，大通银行是％，花 旗银行为％,美洲银行和摩根斯坦利为95%。风险价值方 法是近几年发展起来的用以测量和控制金融风险的量化模 型，已经被全球各主要银行、非银行金融机构、公司和金 融监管机构采用。1 996年，巴塞尔委员会委员规定其成员 银行及金融机构必须采用V AR技术针对交易书中的所有项 目建立内部市场风险模型，用于风险控制、业绩评估、金 融监管。 其次，本例中分析的是金融产品组合(portfoli 0)， 主要包括：50 %纳斯达克(NASD AQ)、30%道琼斯 (Dow Jones )以及 20% 10 年长期国债(10 - year constantma turityTrea surybond)。样本的时间是从 199 0 年3月23日到XX年6月28日，同时还需要产生三个变量: r ate=-dlog( usbyld)nq= dlog(nasda q) ， dj=dlog (djindus), port=*nq+*dj+*rate。在基本创建好相关的变 量后，我们就可以利用数据进行相关的分析。 三、分析 首先，根据表1的相关数据进行分析。 从均值(MEAN )来看，NQ是最大的，而RATE最小 的，均值主要是反映投资的回报的高低。从标准差()来 看，显然，NQ是最大的，也就是说它的波动最大，风险最 高，而RATE是最小的，PORT虽然不是最小，但是可以看出 它比NQ和DJ都来得小，这主要是由于PORT是产品组合， 通过多样化(diversif ication)的投资可以减少风险。同 时这两个数据反映了这么一种关系：报酬越高，风险可能 也就越大。再次，从偏度(Skew ness)来看，都小于0。 也就是它们的实际收益率数据分布并不关于0点对称。如 2所示，本例中的数据均呈现出左偏斜。同时，从该图 中，我们能看到峰度(Kurtosi s)都＞3,这表明实际的收益 率尾部概率比正态分布大，这也被称为“厚尾”现象。 其次，对于该金融产品组合来说，要来检验是否存在 A