本論文梳理了體制轉(zhuǎn)換模型的現(xiàn)有文獻,并在此基礎上,對這一方向的前沿理論進行擴展和創(chuàng)新。具體而言,本論文深入系統(tǒng)地研究了體制轉(zhuǎn)換模型存在的內(nèi)生體制轉(zhuǎn)換問題,進一步提出了狀態(tài)依賴內(nèi)生性的概念,并為狀態(tài)依賴內(nèi)生性提出了一整套可行的建模、檢驗和估計方法。此外,本論文研究了當下計量經(jīng)濟學領域非常熱門的交互效應面板模型,針對其不能對時間維度上可能存在的結構變化建模的缺點,首次將體制轉(zhuǎn)換應用于交互效應面板模型,并為該模型建立了相應的估計方法及數(shù)值算法。在第二章,我們提出了一個狀態(tài)依賴內(nèi)生性體制轉(zhuǎn)換模型（state-varying endogenous regime switching model,SERS模型）,該模型是Chang et al.^[1]提出的內(nèi)生性體制轉(zhuǎn)換模型（endogenous regime switching model,CCP模型）的直接擴展。針對該模型,我們提出了一個極大似然算法來估計模型的未知參數(shù)。蒙特卡羅模擬試驗表明:當存在狀態(tài)依賴內(nèi)生性時,SERS模型的表現(xiàn)顯著優(yōu)于CCP模型的表現(xiàn);當不存在存在狀態(tài)依賴內(nèi)生性時,SERS模型的表現(xiàn)類似于CCP模型的... 

【文章來源】：南開大學天津市 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：47 頁

【學位級別】：碩士

【部分圖文】：

007年9月到2017年4月上證綜指收益率

對數(shù)似然函數(shù)值628.2 628.7 628.7圖2.2為SERS模型與CCP模型估計的轉(zhuǎn)移概率。左圖為低波動狀態(tài)轉(zhuǎn)移到高波動狀態(tài)的轉(zhuǎn)移概率，其中點線為我們SERS模型對轉(zhuǎn)移概率 P(st= 1|st 1=0, ut 1) 的估計，實線為 CCP模型對轉(zhuǎn)移概率 P(st= 1|st 1= 0,ut 1) 的估計。類似的，右圖為保持在高波動狀態(tài)的轉(zhuǎn)移概率。正如上文所言，SERS模型允許體制轉(zhuǎn)換的內(nèi)生性具有狀態(tài)依賴的特征，能夠從時間序列中提取更多的信息，該觀點可從圖2.2得到佐證。我們可以看到SERS模型估計的轉(zhuǎn)移概率比CCP模型估計的轉(zhuǎn)移概率變化的更為劇烈。圖2.2波動率轉(zhuǎn)換模型估計的轉(zhuǎn)移概率19

第二章 狀態(tài)依賴內(nèi)生性體制轉(zhuǎn)換模型當潛在的體制狀態(tài)已知時，我們更可以看出狀態(tài)依賴內(nèi)生性在體制轉(zhuǎn)換中的重要性。圖2.3為2015年6月到2015年7月，中國股票市場處于股災期間從低波動到高波動的轉(zhuǎn)移概率。其中黑色實線表示上證綜指的周波動率，點線表示SERS模型估計的轉(zhuǎn)移概率，虛線表示CCP模型估計的轉(zhuǎn)移概率。圖2.3表明我們的SERS模型較CCP模型而言，能更準確地估計上證綜指的波動率轉(zhuǎn)換過程。陰影區(qū)域表示上證綜指正處于股災期間，在該階段上證綜指的波動率很高可視為上證綜指正處于高波動率狀態(tài)。此時估計的從高波動轉(zhuǎn)移到低波動的轉(zhuǎn)移概率應該很小，但市場從股災期間恢復過來時，該概率應該會增加。我們模型很好的展示了這個特點，然而CCP模型估計的轉(zhuǎn)移概率不符合實際。圖2.3股災期間從高波動轉(zhuǎn)移到波動的轉(zhuǎn)移概率使用式（2.9）、命題2.3


本文編號：3412889