现代金融专题研究.pptxVIP

现代金融研究专题GARCH模型1、金融时间序列的特点尖峰厚尾（Leptokurtosis）：金融回报序列普遍表现出厚尾（fat tails）和在均值处出现过度的峰度（excess peakedness），偏离正态分布波动丛集性（volatility clustering）和波动集中性（ volatility pooling），波动是自相关的正负冲击的非对称性：好消息和坏消息对投资者的影响以上的这些特点，传统计量经济学的线性回归模型是无法解决的。回归的结果可能是错误的1、金融时间序列的特点实证结果表明：金融资产的回报率并不完全满足正态分布由于大多数的金融资产具有明显的重尾性，可以采用两种方法进行改进条件分布：ARCH和GARCH寻找其他分布形式来描述，主要有t分布，GED分布和gh分布2 ARCH模型ARCH，autoregressive conditionally heteroscedastic，自回归条件异方差模型条件：在时间序列中，给出不同的时点的样本（对于不同时点的观测值），得到残差的方差是不同的，故方差随时间给出的条件而变化，即异方差自回归：残差平方服从AR(p)过程若线性回归模型的误差实际上是异方差，却被假定为同方差，这就意味着标准误差的估计值是错误的。此时，参数的估计量的方差是有偏估计（或者不收敛，是时变的），统计检验和置性区间就不正确！普通最小二乘估计（OSL）：回归直线要使得残差平方和最小。异方差存在时，普通最小二乘估计法给误差方差大的观测值以较大的权重，给误差方差小的观测值以较小的权重。回归结果：使得残差平方和最小，故产生一个后果，只要方差大的那部分数据得到很好的拟合，这样普通最小二乘不再是有效的——参数估计量的方差不再是最小的方差。这样由OSL估计得到的参数估计量的方差是“伪方差”，无法证明回归参数与真实值的关系。单指数模型的伪回归：中国银行单指数模型的伪回归：中国银行单指数模型的伪回归：中国银行2.1 条件矩条件均值对于时间序列x的每个值都存在一个时间序列y的条件分布理解：条件期望是关于随机变量X的值的函数，对于X不同的取值，条件期望也是不同，即E(y|x)为随机变量。回归与条件均值所谓条件期望值函数，也就是因变量对自变量的回归。在本例中，也就是y对x的回归条件均值是x的函数，若X是一个分布，则条件均值也是一个分布。2.1 条件矩迭代期望定理若将E(y|x)视为关于x的随机变量，则有2.1 条件矩条件方差回归与无条件方差ESS误差平方和，RSS回归平方和，TSS总偏差平方和无条件方差由此得到方差分解公式：现实中，金融时间序列存在着波动聚集性，而波动的来源是残差，假设较大的波动出现往往随后会出现较大的波动，即波动是相关的，也就是波动自回归的。2.2 ARCH模型的导出注意：ut是一个白噪声，其无条件方差是一个常数。但是ut的条件方差随时间而变化，假设 服从AR(1)过程（模型的名称来源）回忆：条件期望值等价于回归Chou，Korner（1992）正态-ARCH（q）或者或者2.3 ARCH（1）模型的参数约束在这里我们还要考察残差序列的平稳性问题！随机过程的平稳性平稳性：若随机过程的随机特征（如均值，方差）不随时间发生变化，则称该过程是平稳。区别：条件方差是时变的，故其为一个分布，但是该分布却是平稳的，即平稳随机过程的随机性质不随时间而变。平稳性的优点：（1）可用系数方程将时间序列的模型化；（2）方程的系数可以利用序列的过去数据来估计得到随机过程的平稳性定义：平稳随机过程为其联合分布和条件分布均不随者时间而变化的过程。则若yt是平稳的，则对于任意的t，k和M，都有其联合分布满足回忆：任意的一个时间序列yt都可以被认为是由一组联合分布的随机变量生成，也称其为f(y)的一个实现。只有平稳的随机过程，其数字特征才是可测的。2.3 ARCH（1）模型的参数约束由残差序列的平稳性可知2.3 ARCH（1）模型的参数约束以上考察的是一阶矩和二阶矩对参数的约束，下面考察高阶矩对参数的约束条件标准差的4次方无条件的4阶中心矩ARCH的参数的约束平稳性ARCH的参数的约束在给出无条件4阶矩和2阶矩的基础上，则残差序列ut的无条件峰度K该ARCH模型估计的残差序列的无条件分布具有尖峰重尾性，进一步ARCH与重尾性参看均值方程的情形，若假设某资产的回报率满足由于均值方程中只有残差是随机过程，则有以上表明，利用ARCH可以描述回报序列的重尾性！实证：中石化ARCH（1）ARCH的缺陷ARCH模型对参数的限制非常严格。ARCH（1）对于参数给出的非常严格的限制，并且随着ARCH阶数的增加，其限制将更为复杂，在实际的回归过程中，可能很难满足这样的条件。ARCH（1）描述金融时间序列是不够的，ARCH（P