股票時(shí)間序列波動(dòng)模型的半?yún)?shù)估計(jì)方法研究.pdf

1、當(dāng)前，金融風(fēng)險(xiǎn)的防范已成為國(guó)際金融市場(chǎng)發(fā)展中的首要問(wèn)題，采用科學(xué)的方法和工具度量金融波動(dòng)，對(duì)于認(rèn)識(shí)和掌握金融市場(chǎng)波動(dòng)的規(guī)律和結(jié)構(gòu)具有重要意義。本文立足我國(guó)股票市場(chǎng)，對(duì)波動(dòng)長(zhǎng)記憶特征的檢驗(yàn)和波動(dòng)的長(zhǎng)記憶時(shí)間序列建模等相關(guān)問(wèn)題進(jìn)行了較為深入的研究，主要內(nèi)容如下： (1)以我國(guó)滬深股市日指數(shù)為研究對(duì)象，對(duì)股指收益本身和波動(dòng)的長(zhǎng)記憶性分別進(jìn)行了檢驗(yàn)。為了避免單一方法檢驗(yàn)結(jié)論不夠穩(wěn)健的缺陷，共采用了R/S分析、修正R/S分析、ADF/PP

2、-KPSS檢驗(yàn)和LM檢驗(yàn)四種方法進(jìn)行聯(lián)合檢驗(yàn)，使得到的結(jié)論更加有說(shuō)服力。 (2)針對(duì)參數(shù)估計(jì)方法對(duì)短記憶行為敏感的缺陷，提出了基于LMSV模型的半?yún)?shù)方法，實(shí)現(xiàn)了對(duì)波動(dòng)長(zhǎng)記憶參數(shù)的精確估計(jì)。半?yún)?shù)估計(jì)主要有局部Whittle(LW)估計(jì)和對(duì)數(shù)周期圖(LP)回歸兩種。通過(guò)實(shí)證研究表明，LW估計(jì)的效果要好于LP回歸，我國(guó)股市波動(dòng)具有顯著的長(zhǎng)記憶性。 (3)從兩個(gè)方面研究了波動(dòng)的聚合問(wèn)題：一方面，首先對(duì)股指收益序列進(jìn)行聚合，再

3、考慮聚合序列波動(dòng)的長(zhǎng)記憶性；另一方面，首先將股指收益轉(zhuǎn)換為波動(dòng)序列，再考慮波動(dòng)序列聚合后的長(zhǎng)記憶性。從我國(guó)股市實(shí)際出發(fā)，并綜合兩個(gè)方面考慮，實(shí)證了波動(dòng)長(zhǎng)記憶性聚合不變性的存在。 (4)研究了多元LMSV(MLMSV)模型的半?yún)?shù)估計(jì)方法。首先，對(duì)MLMSV模型的相關(guān)性質(zhì)進(jìn)行描述；接著，借助譜展開(kāi)定理，建立了MLMSV模型的譜表示；隨后，根據(jù)半?yún)?shù)估計(jì)的思想，在原點(diǎn)附近對(duì)得到的譜表達(dá)式進(jìn)行約簡(jiǎn)，使其成為波動(dòng)長(zhǎng)記憶性參數(shù)的直接函數(shù)；

4、最后，將其代入多變量局部Whittle似然的目標(biāo)函數(shù)，求解得到最終的估計(jì)值。通過(guò)滬深股市數(shù)據(jù)，驗(yàn)證了該方法的實(shí)際效果。 (5)研究了不同股票市場(chǎng)波動(dòng)序列的協(xié)整建模問(wèn)題。首先，建立基于二元LMSV模型的分?jǐn)?shù)協(xié)整系統(tǒng)；接著，考慮協(xié)整參數(shù)為零的情況，此時(shí)分?jǐn)?shù)協(xié)整系統(tǒng)退化為普通的二元LMSV模型；進(jìn)而，考慮協(xié)整參數(shù)不為零的情況，對(duì)相應(yīng)的譜表達(dá)式進(jìn)行推廣，使其成為波動(dòng)長(zhǎng)記憶性參數(shù)和協(xié)整參數(shù)的共同函數(shù)；最后，將共同的譜函數(shù)代入到多變量局部W