計(jì)量經(jīng)濟(jì)學(xué)模型預(yù)測(cè)檢驗(yàn)及其應(yīng)用.pdf

1、預(yù)測(cè)是關(guān)于未來(lái)的陳述。經(jīng)濟(jì)預(yù)測(cè)的目的是幫助決策者制定經(jīng)濟(jì)政策，好的預(yù)測(cè)有助于實(shí)現(xiàn)好的決策。經(jīng)濟(jì)預(yù)測(cè)模型主要分為兩類:一類根據(jù)現(xiàn)實(shí)經(jīng)濟(jì)現(xiàn)象構(gòu)造經(jīng)濟(jì)理論模型，并用此理論模型來(lái)預(yù)測(cè)經(jīng)濟(jì)的未來(lái)表現(xiàn)，這類模型假定經(jīng)濟(jì)結(jié)構(gòu)將保持相對(duì)穩(wěn)定;另一類模型則采用時(shí)間序列方法（如ARMA和GARCH模型等），它們主要依據(jù)變量本身的數(shù)據(jù)特征來(lái)構(gòu)建統(tǒng)計(jì)預(yù)測(cè)模型。隨著計(jì)算技術(shù)的快速發(fā)展和時(shí)間序列數(shù)據(jù)的日益豐富，新的和更復(fù)雜的預(yù)測(cè)技術(shù)不斷發(fā)展起來(lái)，如采用非線性模型和

2、時(shí)變參數(shù)模型等(Gooijer and Hyndman，2006)，這就使得比較和評(píng)估不同預(yù)測(cè)模型顯得尤為重要，這可以幫助比較不同模型的預(yù)測(cè)績(jī)效并有所新發(fā)現(xiàn)。本文在對(duì)已有密度預(yù)測(cè)評(píng)估文獻(xiàn)分析整理的基礎(chǔ)上，提出了樣本內(nèi)和樣本外密度預(yù)測(cè)評(píng)估的數(shù)據(jù)驅(qū)動(dòng)平滑檢驗(yàn)(data-driven smooth test)方法，并且明確考慮了參數(shù)估計(jì)效應(yīng)對(duì)檢驗(yàn)統(tǒng)計(jì)量的影響，蒙特卡洛模擬結(jié)果顯示本文提出的這兩個(gè)檢驗(yàn)方法具有較好的有限樣本性質(zhì)。此外，本文運(yùn)用V

3、aR模型正確設(shè)定檢驗(yàn)和VaR模型預(yù)測(cè)績(jī)效多元比較的最新研究成果，比較全面地分析了各種VaR模型在中國(guó)股票市場(chǎng)上的預(yù)測(cè)績(jī)效。具體而言，本文的研究可歸納為以下幾方面的內(nèi)容:
　　本文第二章提出了一個(gè)樣本外密度預(yù)測(cè)評(píng)估的數(shù)據(jù)驅(qū)動(dòng)平滑檢驗(yàn)方法，且同時(shí)對(duì)概率積分變換(PIT)序列的獨(dú)立性和均勻分布性質(zhì)進(jìn)行檢驗(yàn)。該章采用West and McCracken(1998)的方法來(lái)糾正參數(shù)估計(jì)對(duì)樣本外密度預(yù)測(cè)評(píng)估檢驗(yàn)統(tǒng)計(jì)量的影響。蒙特卡洛模擬表明樣

4、本外密度預(yù)測(cè)評(píng)估檢驗(yàn)方法具有很好的有限樣本性質(zhì)。在經(jīng)驗(yàn)分析部分，該章考慮了四種股票指數(shù)（德國(guó)DAX30指數(shù)，英國(guó)FT100指數(shù)，日經(jīng)225指數(shù)和標(biāo)準(zhǔn)普爾500指數(shù)），并運(yùn)用該章提出的樣本外密度預(yù)測(cè)評(píng)估方法來(lái)檢驗(yàn)各種最大熵GARCH模型的樣本外預(yù)測(cè)績(jī)效。結(jié)果證實(shí)了最大熵GARCH模型可以用于刻畫金融數(shù)據(jù)中常見的尖峰、厚尾和偏態(tài)等特點(diǎn)，而GARCH模型中考慮了厚尾和偏態(tài)性質(zhì)的PearsonⅣ分布對(duì)于四種股票收益率的樣本外密度預(yù)測(cè)是很重要的。

5、
　　本文第三章提出了一個(gè)樣本內(nèi)密度預(yù)測(cè)評(píng)估的數(shù)據(jù)驅(qū)動(dòng)平滑檢驗(yàn)方法，且同時(shí)對(duì)PIT序列的獨(dú)立性和均勻分布性質(zhì)進(jìn)行檢驗(yàn)。該章采用Newey(1985)和Tauchen(1985)的方法來(lái)糾正參數(shù)估計(jì)效應(yīng)對(duì)樣本內(nèi)密度預(yù)測(cè)評(píng)估檢驗(yàn)統(tǒng)計(jì)量的影響。蒙特卡洛模擬表明樣本內(nèi)密度預(yù)測(cè)評(píng)估檢驗(yàn)方法具有很好的有限樣本性質(zhì)。在實(shí)證部分，作者運(yùn)用該章和第二章提出的樣本內(nèi)和樣本外密度預(yù)測(cè)評(píng)估方法來(lái)檢驗(yàn)各種最大熵GARCH模型在中國(guó)股票市場(chǎng)（上證綜指、香港恒

6、生指數(shù)和臺(tái)灣加權(quán)指數(shù)）的預(yù)測(cè)效果。實(shí)證結(jié)果顯示最大熵GARCH模型可以用來(lái)很好地分析中國(guó)股票指數(shù)的各種典型化事實(shí)，具有較好樣本內(nèi)擬合優(yōu)度和樣本內(nèi)預(yù)測(cè)績(jī)效的模型未必具有很好的樣本外預(yù)測(cè)效果，GARCH模型中考慮了厚尾和偏態(tài)性質(zhì)的PearsonⅣ分布對(duì)于中國(guó)股票收益率的樣本外密度預(yù)測(cè)是很重要的。
　　本文第四章比較全面地比較了香港恒生指數(shù)、上證綜合指數(shù)和臺(tái)灣加權(quán)指數(shù)收益率序列各VaR模型（包括參數(shù)方法、半?yún)?shù)方法和非參數(shù)方法，共22個(gè)

7、模型）的樣本外預(yù)測(cè)績(jī)效，結(jié)論如下:(1) Hansen(2005)的SPA檢驗(yàn)顯示RiskMetrics模型整體表現(xiàn)不好。當(dāng)采用Lopez(1999)的幅度(magnitude)損失函數(shù)時(shí)，在所有的情況（不同的股票指數(shù)和VaR水平）下，SPA檢驗(yàn)在5％的顯著性水平下拒絕了原假設(shè)（即備選模型集合中沒(méi)有模型比基準(zhǔn)模型RiskMetrics的預(yù)測(cè)效果更好）。(2)結(jié)合Hong等(2008)廣義譜檢驗(yàn)和Hansen等(2011a)模型置信集(M