时间序列ARIMA模型预测股市波动率实证.docxVIP

时间序列ARIMA模型预测股市波动率实证

一、引言

股市波动率作为衡量市场风险的核心指标，直接影响投资者决策、资产定价模型构建及金融监管政策制定（Engle，1982）。准确预测波动率不仅能帮助投资者优化资产配置、降低交易风险，还能为监管机构评估市场稳定性提供数据支持。在众多时间序列预测方法中，ARIMA（自回归积分移动平均）模型因其对线性时间序列的高效拟合能力，成为波动率预测的经典工具（BoxJenkins，1976）。

现有研究表明，股市波动率常呈现“集群性”（即高波动后伴随高波动，低波动后伴随低波动）和“长记忆性”特征（Bollerslev，1986），这为时间序列模型的应用提供了现实基础。然而，ARIMA模型作为线性模型，能否有效捕捉这些非线性特征？其预测效果在不同市场环境下是否稳定？这些问题亟待实证检验。本文以某股市指数的历史波动率数据为样本，通过完整的模型构建与验证流程，探讨ARIMA模型在股市波动率预测中的适用性与局限性，以期为实际投资与学术研究提供参考。

二、ARIMA模型的理论基础与适用性分析

（一）ARIMA模型的核心逻辑

ARIMA模型由Box和Jenkins于20世纪70年代系统提出，其核心思想是通过差分处理消除序列的非平稳性，再利用自回归（AR）和移动平均（MA）成分拟合平稳序列的线性依赖关系（BoxJenkins，1976）。模型一般形式可表示为