随机波动模型的贝叶斯估计及其在金融市场中的应用管理论文.docVIP

随机波动模型的贝叶斯估计及其在金融市场中的应用管理论文 目录 一、 引言 二、 随机波动模型的贝叶斯MCMC估计 1. 对称随机波动模型的MCMC估计 2. 非对称随机波动模型ASV模拟分析 四、 随机波动模型在金融市场的实证研究 1. 汇率市场的实证结果 2. 证券市场的实证结果 五、 小结 正文 摘要：随机波动模型的贝叶斯估计及其在金融市场中的应用 作者：未知 ：文章对随机波动模型的MCMC估计方法进行了比较研究，通过对SV0模型的四种不同的波动率抽样方式下的MCMC结果的比较发现，单步Gibbs抽样时波动率的自相关性非常大，而有限正态混合逼近和FFBS 关键字：随机波动；杠杆效应；后向滤波前向抽样；马尔科夫链蒙特卡洛 一、 引言 随机波动模型的参数估计在金融计量经济学中十分重要，而SV模型的似然推断严重依赖高维积分，这导致实际中随机波动模型的参数估计面临诸多挑战，本文首先对SV0和ASV 的估计方法进行方法比较分析与模拟，然后针对我们获得的国内外金融数据进行实证分析；最后是小结。 二、 随机波动模型的贝叶斯MCMC估计 本文的参数估计主要借助于蒙特卡洛模拟方法，该方法通过一定策略产生平稳马尔科夫链，该马氏链的平稳分布是我们所感兴趣的分布，这样就可以利用该马氏链来进行参数推断，该方法通常称为马尔科夫链蒙特卡洛（Markov chain Monte Carlo， MCMC）方法，MCMC方法被称为20世纪的十大算法之一，给工程与实践科学带来了巨大影响并推动其向前发展。简单来说：假设p（y|？兹）为抽样概率密度函数，？仔（？兹）是先验概率密度， 其中y是观测向量，？兹=（？兹1，…，？兹d）是未知参数，则后验概率密度为： ？仔（？兹|y）=■？兹∝p（y|？兹）？仔（？兹）（1） 但是在实际问题中，上述后验密度（1）通常是比较复杂未知的形式。所以，利用直接的分析方法或者数值积分的方法甚至是传统的蒙特卡洛方法来对后验分布进行分析，一般来说是不可行的。然而这些困难可以使用MCMC 方法解决。MCMC方法主要是模拟产生一个马氏链：{？兹（0），？兹（1），…，？兹（g），…}.并保证该马氏链的平稳分布就是后验分布（1），那么问题的关键就是如何生成这样的马氏链并保证它能的平稳分布恰好是（1）。构建这样的马氏链的一般方法是Metropolis-Hastings（M-H）方法，M-H方法是其他形式MCMC 抽样方法的基础，比如由Geman和Geman （1984）提出来的Gibbs抽样就是一种特殊的M-H 抽样方法，MCMC方法被广泛的应用到贝叶斯统计和经济计量领域。 1. 对称随机波动模型的MCMC估计。对于对称SV0模型（1），扰动项？缀t和？浊t服从标准正态分布，满足E（？缀t？浊t+h）=0对所有的h，并且对所有的l≠0有E（？缀t？缀t+l）=E（？浊t？浊t+l）=0，其中？滓2是对数波动的波动率，|？准| 　　（2）对于杠杆参数的估计，一个自然直观的方法是基于高频数据的波动率估计，直接计算日收益与日波动之间的相关系数，以此来检验收益和波动的相关性。由于高频数据可视为连续时间模型的良好逼近，高频数据下用非参数方法对非对称的度量已经引起关注，杠杆参数的估计等价于计算收益和波动的相关性主要依赖波动率的定义和计算，Ait-Sahalia等（2013）用这种自然的想法，采用单因子Heston随机波动模型，用非参数的方法估计杠杆参数时发现其接近于零，他们将估计的偏差进行分解得到杠杆参数的估计。Wang和Mykland（2014）考虑金融资产的对数价格过程服连续半鞅过程下的杠杆效应参数的非参数估计方法主要利用资产价格和波动之间的二次协变差作为杠杆效应值的度量，证明了该统计量渐近混合正态。Bandi和Reno（2012）发现了非对称波动的时变性质，将Wang和Mykland（2014） 的结果推广到带跳的时变杠杆非对称SV模型，研究结果表明相当比例的资产收益的跳同时伴随着波动的跳（称为同跳，co-jump），且收益的负跳往往伴随着波动的正跳。Bi等（2013）研究了已实现半方差（V）及其在测度下方风险中的应用，该工具可为进一步研究精确测度波动的非对称奠定了理论基础。 对模型（1），通常杠杆参数？籽 　　我们很容易可以获得以上四种抽样方法下ht的自相关函数对比图、参数的估计对比图和波动率估计对比图，比较发现单步Gibbs抽样方法下波动率的自相关性非常大，而有限正态混合逼近和FFBS方法能够在一定程度上改变其单步Gibbs抽样的缺点。 从对比图可以看到，参数估计结果都比较接近真值，并且潜在的波动率拟合的也比较好，特别是在波动不大的时间范围内结果非常接近，正态混合逼近和FFBS方法下的参数估计结果达到了单步Gibbs抽样的估计精度，同时能显著提高