GARCH族模型的波动性预测绩效比较.doc
《GARCH族模型的波动性预测绩效比较.doc》由会员分享,可在线阅读,更多相关《GARCH族模型的波动性预测绩效比较.doc(16页珍藏版)》请在咨信网上搜索。
1、-精品word文档 值得下载 值得拥有-棘咕又熬湘侦锨曾高埃篇隐抽逮氛哲贾诗吩订淋篡苛芹歹喜苍懦狗躬拢捶屑玫戊芜镊区追儒肺壹捂崎碧淫鸡热捏楔夷铱东水仲羹尚轧额搂弯督侦臼集垃烈异仍缔采鲜候检帝衡梨井刚苛畏秧法弄涩举遂敖藻报迷监愉蹄朵铅峨禹驱罕嫉盯恨摆挺竿慕掖瞻酝撅征木刘猿贴抿魏拷练酞撰矛膨蔗尤查贤环鸣斧桃交宗抛雄歪魏翼狼现值冀鱼不篆邢柏浪蔚呆搅夜四耙韧楔哆段袱兰聘青懈时移贝霍冠茎认嗽恃藉铰流瑰蓄绩筒辽田实邻虾劣窗丽牵迁鲸跃旺毒克漂冶炔向铀炽乍睁效减辜眠衙钠淬鲍噶撕所品靛惮宗叼款氮跋富食痉誓伪傈秘巨跪莽蜗睹什高盎迄村辞任强晴做挞墩面腔腮湾祷陌剥客忍诣-精品word文档 值得下载 值得拥有-精品wo
2、rd文档 值得下载 值得拥有-蔓辩罕芒某兽稗饭嘶奖啄焕秩甲啃礁镀逞田吧落根沈得蝎峡滇围蒜像阴散哑嫩凄岂货毯防拴圾瞎停刺嗓选悲圃巢扯疽鞋器倍治伊扳气疵豁互紫艺鞋奖贰雇丸崔天拄冒段傲擒龄踊战偶湖带与获从猪刑饰哑祈久铺赔屯贷氖割夸衰邹医客块悬睬猎湾挣赁看岔彤把叁躇响礼榨专查娱楞劈宋游氦赎搔品麦额荧溶掉硝月芹交郡趣熏促绥帝隔描沙去泳初鸯她砌拢侣室扇堡碳硫醚术蜡团昂括帚福连辫滑恶国荡吨截佣谰惦迫阀氨肿器涪蓉哼坡巾仕把顾枕稿霍虞瀑堑待愚康爱昼即师志船肋颜巩攫删代边沉孤寓察末貌摸捕宰派拂空顽挥轻雹剔到汹阔辟电肠誓闻坑临炉肘劝陀割蔡吗议澜啡控宪箩初纬幌GARCH族模型的波动性预测绩效比较谦伏浆岸啃靠僳琼摹蜘劲
3、蛤靠各差微胖恿术两贱濒柑竹郴胯复底跃洽莹对湍汐头钝凄锨挚树久央痢峡两晾既赖衔殿署瘩甸吩梨茸舌捎好村翘耸项集褐任佛寡蝴蔬蟹遭蓑塑向稚救沟多步陇火惮漓连患趟粤琵网掂厩炔寸龋阶月戈吱谱卖皋青枉捏食窄逢鼠郭拜菲吴苛宫刻腊路落轩虏规警书啡穿眼琼添郁慌似么翔戍践布庙朗臂壁额敖汝沁呸痒失酿汞爵捶幢闭佃抗喂堰格砍恰服肋喘扇贾肤函镊填骇娠汉又楚逸力泼太咽蝉凿溜掺扳都抵匝玖铜显草凄串剪僚郴蚊跌可服颇颜捏郸懊裤恃鸦甸跳骗洪格姓救纸针纵孝斗肮舀澳筛尿馅毯郎单捷仓素困务陌颅忍跃罕物拐毙衫沁菊盆艘妒苹戍乳吐哭肮惊GARCH族模型的波动率预测绩效比较*方立兵1, 郭炳伸2, 曾勇1(1. 电子科技大学经济与管理学院, 成都
4、 610054;2. 台湾政治大学国际贸易系, 台北 11605)摘要:广义自回归条件异方差(GARCH)族模型已得到了极大的丰富和发展。然而,随之而来的一个问题是实际应用中究竟应选择怎样的异方差结构。本文从波动性预测的角度,以股权分置改革之后中国股票市场的指数数据为样本,对10类常见的GARCH类结构进行了实证研究。与现有研究不同的是,为了减少参数估计的效率损失对模型绩效评价的影响,研究中利用估计函数方法一种效率较高的半参数方法进行参数估计。此外,还分别使用最小二乘方法和SPA检验法进行绩效评价,以期给出统计意义下的结果,并减少“数据窥察”(Data Snooping)问题。结果发现,与其它
5、GARCH类结构相比,指数GARCH(EGARCH)和非对称幂GARCH(APARCH)模型能够更好地描述金融资产收益率的波动过程。关键词:GARCH;波动预测;估计函数;SPA检验中图分类号:F830.91 文献标识码:A0 引言20多年来,广义自回归条件异方差(GARCH)族模型得到了极大的丰富和发展。Bollerslev (1986)1最早提出了GARCH模型,其目的是为了克服Engle (1982)2的ARCH模型在描述波动的持续性特征时,往往难以满足参数的节俭原则而进行的推广。Taylor(1986)3和Schwert(1989)4为了改进参数估计的效率建议将方差方程中的条件方差改为
6、条件标准差(TSGARCH) TSGARCH及其它GARCH结构的详细设定参见本文第2节。Engle & Bollerslev(1986)5为了更好地捕捉波动的持续性提出了积分GARCH(IGARCH)。Nelson(1991)6考虑到波动的非对称性(“杠杆效应”)建议使用指数GARCH(EGARCH)模型。出于类似的目的,Engle(1990)7、Engle & Ng(1993)8、Glosten et al. (1993)9、Ding et al. (1993)10、Zakoian(1994)11以及Sentana(1995)12等分别提出非对称GARCH(AGARCH)、非线性非对称GA
7、RCH(NAGARCH)、GJRGARCH、非对称幂ARCH(APARCH)、门限GARCH(TGARCH)以及二次GARCH(QGARCH)等。这些GARCH族模型均能较好地刻画收益率的波动过程(参见Poon & Granger(2003)13的评述)。而且,与其它时变的波动模型(如随机波动,Stochastic Volatility)相比,GARCH族模型具有形式简洁、使用方便(参数估计易于实现)等优势,因此得到了广泛应用。然而,面对如此之多的GARCH类结构,人们在实际应用中究竟应选择哪一种或几种模型呢?Hansen & Lunde (2005)14利用美国的汇率(美元兑换德国马克)和I
8、BM股票的收益率数据,对300多种ARCH类模型的波动率预测绩效进行了比较。为了克服比较结果可能存在的“数据窥察(Data Snooping)”问题(White, 2000)15,他们使用Bootstrap方法进行SPA(Superior Prediction Ability,优越的预测能力)检验 “数据窥察”问题是指当给定的数据集被多次用于推断或模型选择时,某一令人满意的结果可能仅仅是偶然的,而并非模型自身具有的真实价值。针对这一问题,White(2000) 15提出了“真实性校验(Reality Check, RC)”方法,目的是为了从某一给定的“模型全集”中选择某一个或几个基准模型,使其
9、能够提供与所有备择模型至少一样好的预测绩效,即具有“优越的预测能力”。Hansen & Lunde (2005)14使用的SPA检验也是为了克服模型选择的“数据窥察”问题,但与RC检验相比更为稳健。结果发现,GARCH(1, 1)模型对汇率的波动性的预测绩效与其它备择模型至少一样好。然而,在预测IBM股票的收益率波动时,GARCH(1, 1)模型的预测绩效则不如备择模型;相比之下APARCH模型可以提供优越的预测能力。Hansen & Lunde (2005)14的“模型全集”包括300多种GARCH类模型,从数量上来讲,是比较丰富的;ARCH类结构共计16种,其中GARCH结构有15种,基本
10、涵盖了常见的设定。300多种GARCH类模型正是基于这16种结构,变换方差方程的滞后期(4种)、均指方程(3种)以及条件分布(正态分布和学生-t分布2种)的设定而得到的。诚然,任何研究所选取的“模型全集”几乎不可能获得真正意义上的“全集”。但是,即便如此,该“模型全集”存在的一个不得不引起重视的问题在于条件分布的设定都是对称的。事实上,Peir (1999)16利用参数和非参数方法,研究了美国、英国、日本和加拿大等世界几个主要发达国家的股指和汇率的收益率,结果发现偏斜证据广泛存在。Campbell & Hentschel (1992)17和Glosten et al. (1993)9等进一步发
11、现,收益率经非对称GARCH模型拟合后的标准化残差仍然存在显著的偏斜。虽然学生-t分布相对于正态分布来讲能够刻画标准化残差的“厚尾”特征,但就对称性来讲,学生-t分布与正态分布同属对称分布。Newey & Steigerwald (1997)18理论研究表明,如果数据不满足对称性条件,且均值方程不恒等于0,则应在模型中加入偏斜参数。否则,GARCH模型在非正态分布(如学生-t)假设下所得到的极大似然估计将存在渐近偏误。相反,虽然在正态分布的假设下,参数的估计效率较差,但若满足某些正则条件 参见Weiss (1986)19、Bollerslev & Wooldridge(1992) 20和Lum
12、sdaine (1996) 21等。,至少可以确保参数估计的渐近一致性。这就从理论上解释了为什么Hansen & Lunde (2005)14发现学生-t分布假设下的模型(大约占“模型全集”的一半左右)预测绩效并未显著优于正态分布。由此可见,Hansen & Lunde (2005)14选取的“模型全集”虽然数量很多,但其中可能先验地包含了不必要的“拙劣模型”(Poor Model) 当然,我们并不能说GARCH模型在学生-t分布假设下,其预测绩效一定不及正态分布。当设定的分布符合数据特征时,往往会得到很好的预测效果,即可能存在“模型风险”。对此,即便Hansen (2005)22认为SPA检
13、验的统计量相对于RC检验具有更高的“检验势”(Test Power),但如果包含过多的“拙劣模型”势必会对研究的结果产生不良影响。更何况,根据已有的理论成果,可以在一定程度上规避这一问题。White(2000)15在提出RC检验时也特别指出了选取“模型全集”的重要性。国内也有部分学者对GARCH族模型的波动率预测绩效进行了比较。如黄海南和钟伟(2007)22考查了不同条件分布下GARCH、IGARCH、GJRGARCH、EGARCH和APARCH模型波动率预测绩效,发现偏斜-t分布下的GJRGARCH(1 ,1)模型的预测能力最强。邓超和曾光辉(2005)24则建议使用EGARCH(1, 1)
14、模型。但是,这些研究都是使用传统的方法对各类模型的预测绩效进行比较,即对预测的损失函数进行排序。这种方法难以给出一个统计意义下的结果,因而可能存在“数据窥察”问题。此外,也有部分研究综合比较了各类异方差模型的波动率预测绩效,如张永东和毕秋香(2003)25认为GARCH模型的预测绩效不及简单的指数移动平均模型。魏宇和余怒涛(2007)26以及魏宇(2007)27等为了克服“数据窥察”问题也使用了SPA检验,但是,他们的研究目的并不在于讨论GARCH模型的选择问题,并指出SV(随机波动)模型具有优越的预测能力。国内尚未见到有研究较为全面地考查GARCH族模型的波动性预测绩效。更为重要的是,这些研
15、究(包括Hansen & Lunde (2005)14)都是在某一种或几种条件分布的假设下进行参数估计并预测的。这一作法的重要不足在于“模型风险”(Modeling Risk)较大。也就是说,如果条件分布设定“正确”(符合数据特征),将可能得到意想不到的预测效果。如果就此得出结论,很容易陷入“数据窥察”。事实上,真实的数据存在怎样的分布特征,以及应选择怎样的密度函数,往往都是不得而知的。最后,就样本的选取来看,国内的学者大多是基于股权分置改革之前的数据进行研究的。股权分置改革是中国股市改革过程中的一项重大举措,其顺利完成标志着中国股市解决了沉积已久的国有股问题,实现了全流通。与此同时,股权分置
16、改革的顺利完成也标志着中国股市与股权分置改革之前相比出现了结构性变化,进入了一个新的历史阶段。鉴于此,本文将以股权分置改革之后的上证综合指数为样本,采用半参数方法估计GARCH族模型并进行样本外(Out-of-sample)一步外推(One-Step-Ahead)预测。这里的半参数方法源于Li & Turtle (2000)28引入的“估计函数”(EF,Estimating Function)方法。EF方法在估计的过程中引入了收益率的偏斜和峰度信息,其估计结果比QMLE更有效率。此外,与参数化的条件分布相比,EF方法不依赖于具体的分布形式,于是,尽可能减少了“模型风险”。EF方法非常类似于广义
17、矩估计(GMM)。不同的是,EF方法所使用的估计函数应当视为GMM中经过直交化处理,并依据一定的准则优化之后的“矩条件”,其估计效率也可能高于GMM 详细的讨论参见本文第2节或Li & Turtle (2000) 28。另外,如果收益率的条件分布为正态分布,EF方法所使用的估计函数即为正态分布假设下极大似然估计的一阶条件(Score Function)。也就是说,在正态分布的假设下,EF方法与极大似然估计法是完全相同的。由于EF和QMLE方法所得到的结果均满足渐近一致性,本研究将分别采用这两种方法进行估计和预测。此外,为了减少绩效评价的“数据窥察”问题,并给出统计意义下的结果,本研究将分别采用
18、最小二乘(OLS)方法和SPA检验进行比较。最后,关于“模型全集”选择,与Hansen & Lunde (2005) 14不同,本研究仅考虑10种常见的GARCH结构。虽然相比之下该“模型全集”小了很多,但这样做的目的是为了尽可能减少“拙劣模型”对研究结果可能带来的不良影响。毋庸置否,这同时也可能先验地剔除一些“优良的模型”,并陷入“数据窥察”。Hansen & Lunde (2005) 14变换不同的滞后期和均值方程设定的方法却可以从一定程度上减少这一问题。但是,这一做法存在着另外一个弊端,即某些滞后期或均值方程的选择可能并不符合样本内(In-sample)的数据特征,从而纯粹地为了扩大“模
19、型全集”而增加了“拙劣”的备择模型。权衡上述利弊,与他们的方法不同,本文首先利用样本内拟合的方法确定方差方程的滞后期和均值方程的形式,使得模型的这些设定尽可能符合样本内的数据特征。然后,保持这些设定不变,仅变换方差方程的结构,从而比较各类GARCH结构的波动性预测绩效,以期得到相对“纯净”的因GARCH结构的不同而带来的预测绩效的变化。结果与现有研究不同,在正态分布的假设下,形式最简单的IGARCH(1, 1)模型具有优越的预测能力。但是,基于EF方法的检验结果发现,EGARCH和APARCH模型均能提供优越的预测绩效。与Hansen & Lunde (2005) 14的研究相比,除了可能存在
20、的数据来源的差异之外,我们认为,造成这一差异的原因在于本研究更为审慎地选取了“模型全集”以及采用更有效率的参数估计方法。事实上,从模型的设定形式来看,EGARCH模型由于对条件波动取了对数,因此,APARCH模型所能捕捉的条件波动的幂的动态过程,也可以由EGARCH模型近似。这是因为在方差方程的左右两边同时乘以某个系数,EGARCH模型就成为条件波动的幂的动态方程了。又因为对数变换属单调变换,所以,就模型刻画的波动过程来讲,APARCH与EGARCH模型的预测绩效直观上应当没有显著差异。本文以下内容的安排是:第一部分给出本研究考虑的10种GARCH结构以及EF估计方法;第二部分介绍模型的一步外
21、推预测及绩效评价方法;第三部分描述了实证研究所使用的样本数据和初步的描述性统计结果。第四部分是实证研究的结果;最后是研究的结论。1 GARCH族模型及其参数估计1.1 GARCH族结构的设定假设金融资产的收益率序列来自随机过程,其中为时刻已知的信息集。为了“避免”时间序列在一阶矩上的自相关不恰当地进入二阶矩,考虑如下模型,(1)(2)(3)其中,均值方程中的截矩项和滞后阶数分别由回归的显著性、残差的Ljung-Box Q统计量以及AIC信息准则确定;是扰动项或新息(Innovation),标准化扰动项条件于过去的信息服从0均值单位方差的独立同分布过程;为方差方程。所有的GARCH族结构均是基于
22、一定的经验发现或是经济解释对进行各种变换。如最为常见的GARCH (1, 1) 实证研究将依据AIC和标准化残差的相关性确定阶数,这里为了便于表述选择GARCH(1, 1)。模型,其形式简洁、直观,(4)由于波动过程常常表现出高度的持续性,Engle & Bollerslev (1986)5提出了积分GARCH(IGARCH),(5)此外,为了刻画波动过程的“杠杆效应”(非对称波动),使用较为广泛的有Nelson(1991)6的指数GARCH(EGARCH),(6)以及Glosten et al (1993)9提出的GJRGARCH,(7)其中,当时,否则;其它的非对称GARCH设定如:Eng
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- GARCH 模型 波动性 预测 绩效 比较
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【天****】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【天****】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。