時間序列在股指波動性建模中的應用——基于MCMC方法的GARCH模型參數估計.pdf

1、信息技術的快速發(fā)展和金融市場日趨全球化的傾向，導致新型金融產品大量涌現，極大地增加了金融投資和銀行業(yè)務的復雜性，而區(qū)域性金融風暴和銀行危機都表明，需要加強對金融產品穩(wěn)定性的研究。對金融業(yè)進行謹慎的管制，除了需要發(fā)展新的更貼近現實的理論模型外，更迫切的任務是，需要以微觀數據為基礎的實證研究。金融資產價格的波動是金融體系風險積累的重要來源之一，幾乎所有的金融危機都與金融資產波動有關。因而，對于波動性的定量計量建模是對金融資產波動性研究的核心

2、內容之一，目前，各種統(tǒng)計建模的方法越來越多的應用于金融領域。大量的實證研究表明，金融數據中存在著波動集聚性和尖峰厚尾性，因此，用一般的時間序列模型來擬合金融數據的波動性顯得不合適。GARCH模型是目前度量金融市場波動性的有力工具之一。參數GARCH模型是最常用的模型，但對于此模型的參數估計和相應的統(tǒng)計推斷一直以來是個難題。傳統(tǒng)的方法是基于極大似然估計(ML)的基礎上運用最優(yōu)化理論來對參數給出估計，然后導出參數的極限分布進行統(tǒng)計推斷，但由

3、于GARCH模型對其參數有一定的約束條件，使得此優(yōu)化算法方法較為復雜且使得基于此方法而衍生出的進一步的統(tǒng)計檢驗，如：LM，Wald，LR，等方法的可靠性受到質疑。本文中，我們運用馬爾科夫蒙特卡羅(MCMC)方法對殘差基于正態(tài)分布的GARCH(1，1)模型進行估計，此方法通過構造收斂于待估計參數分布的隨機過程而克服了運用最優(yōu)化算法估計GARCH模型中參數以及對相應參數進行統(tǒng)計推斷所產生的上述問題。實證分析結果表明：基于馬爾科夫蒙特卡羅(M