多變量時間序列模型的參數(shù)估計及其實證檢驗.pdf

1、金融數(shù)據(jù)的“尖峰厚尾”,強烈的自相關(guān)性,長記憶性,波動的聚集性以及微笑效應(yīng)使得它大大有別于其他類型的數(shù)據(jù)。許多經(jīng)濟學(xué)家們不懈努力,孜孜以求,試圖找到一個能夠全面地刻劃金融數(shù)據(jù)這些特性的時間序列模型。從ARMA到ARIMA模型和FARIMA模型,平穩(wěn)線性模型到異方差A(yù)RCH和GARCH模型等,模型逐漸復(fù)雜化,對數(shù)據(jù)的刻劃以及預(yù)測能力也越來越強。 GARCH是一個比較成熟的金融時間序列模型,它能夠比較好的刻劃單變量金融數(shù)據(jù)高峰厚尾異

2、方差特征,而Copula是一個比較新的概念,在分析多維分布的時候很有幫助,那么很自然的,我們會想到利用GARCH模型和Copula共同建模去分析多維時間序列。為了使模型更符合實際情況,即讓風(fēng)險回報與風(fēng)險大小成正比,我們將波動項引入了均值方程,使得波動項和收益率之間呈現(xiàn)線性的關(guān)系,這就是GARCH-M模型。進一步還可以將其拓展為ARMA-GJR-M模型來反映金融中利空與利好消息對波動的不確定性。本文的著眼點主要在于舍棄了經(jīng)典的MLE方法,

3、而是采用貝葉斯方法中的Gibbs抽樣法估計模型的參數(shù)。文章的結(jié)構(gòu)安排如下： 本文首先簡單描述了Copula的定義及其相關(guān)性質(zhì),給出了Copula用于描述相關(guān)性的兩類統(tǒng)計量,對常用的Copula族進行分類,簡述了各個分類下所包含的常用Copula及其相關(guān)性質(zhì)。第三章分析了GARCH模型及GARCH-M模型,指出由GARCH擴展到GARCH-M模型的必要性,并在此基礎(chǔ)上,提出用MCMC算法去估計ARMA-GJR-M模型的參數(shù),因為與