基于馬爾科夫狀態(tài)轉換下的高階矩CAPM-GARCH模型的實證研究
發(fā)布時間：2021-10-18 23:07
為了反映資產組合風險在不同狀態(tài)下對收益率的影響,從動態(tài)的角度提出基于馬爾科夫狀態(tài)轉換下的高階矩CAPM-GARCH模型,即高階矩CAPM-MSGARCH模型。以上證180指數(shù)樣本股的10支不同行業(yè)的股票為研究對象,實證分析結果表明:高階矩系統(tǒng)風險對資本資產定價有顯著的影響,并且高階矩CAPM-MSGARCH模型能夠較好地刻畫風險的時變特征,顯著優(yōu)于傳統(tǒng)的高階矩CAPM-GARCH模型。
【文章來源】：重慶理工大學學報(自然科學). 2020,34(06)北大核心
【文章頁數(shù)】：8 頁
【部分圖文】：
上證180指數(shù)的超額收益率圖
科夫狀態(tài)轉換模型中的狀態(tài)變量不能直接觀察到，但可以通過信息集推論任意t時刻狀態(tài)的概率，基于全部觀測值得到的概率為平滑概率。本文以上海機場股票為例，分別繪出股票低、高狀態(tài)的平滑概率。平滑概率刻畫了狀態(tài)間的動態(tài)轉換和跳躍變化情況，通過圖2、圖3可以看出狀態(tài)之間存在頻繁非連續(xù)的轉換，反映了方差方程中ω0、α1、β1發(fā)生轉換的時間和力度。2．5模型的比較分析為了體現(xiàn)高階矩CAPM-MSGAＲCH模型的優(yōu)越性，使之與高階矩CAPM-GAＲCH模型進行比較分析。圖2低狀態(tài)的平滑概率圖3高狀態(tài)的平滑概率模型的方差方程中α1+β1度量了序列波動持久性，其越接近于1，表明整個序列的波動性會越大。高階矩CAPM-GAＲCH模型方差方程的參數(shù)估計結果如表6所示。表6高階矩CAPM-GAＲCH模型方差方程參數(shù)α1、β1估計結果股票上海機場貴州茅臺三江購物農業(yè)銀行中國石化金地集團海通證券航發(fā)動力中國衛(wèi)星張江高科α10．0910．0780．1800．1820．1300．1290．0720．0780．1450．111β10．9080．8960．8020．7980．8700．8250．9270．9010．8380．888段靜靜，等:基于馬爾科夫狀態(tài)轉換下的高階矩CAPM-GAＲCH模型的實證研究922??????????????????????????????????????????????
?611．762．693．012．495．293．132．623．9233．33注:Dur1、Dur2分別表示低波動狀態(tài)和高波動狀態(tài)的持續(xù)時間由表5可見，各股票低波動狀態(tài)持續(xù)時間均大于高波動狀態(tài)持續(xù)時間，表明低波動狀態(tài)相對比較穩(wěn)定，持續(xù)的時間相對久一些。馬爾科夫狀態(tài)轉換模型中的狀態(tài)變量不能直接觀察到，但可以通過信息集推論任意t時刻狀態(tài)的概率，基于全部觀測值得到的概率為平滑概率。本文以上海機場股票為例，分別繪出股票低、高狀態(tài)的平滑概率。平滑概率刻畫了狀態(tài)間的動態(tài)轉換和跳躍變化情況，通過圖2、圖3可以看出狀態(tài)之間存在頻繁非連續(xù)的轉換，反映了方差方程中ω0、α1、β1發(fā)生轉換的時間和力度。2．5模型的比較分析為了體現(xiàn)高階矩CAPM-MSGAＲCH模型的優(yōu)越性，使之與高階矩CAPM-GAＲCH模型進行比較分析。圖2低狀態(tài)的平滑概率圖3高狀態(tài)的平滑概率模型的方差方程中α1+β1度量了序列波動持久性，其越接近于1，表明整個序列的波動性會越大。高階矩CAPM-GAＲCH模型方差方程的參數(shù)估計結果如表6所示。表6高階矩CAPM-GAＲCH模型方差方程參數(shù)α1、β1估計結果股票上海機場貴州茅臺三江購物農業(yè)銀行中國石化金地集團海通證券航發(fā)動力中國衛(wèi)星張江高科α10．0910．0780．1800．1820．1300．1290．0720．0780．1450．111β10．9080．8960．8020．7980．8700．8250．9270．9010．8380．888段靜靜，等:基于馬爾科夫狀態(tài)轉換下的高階矩CAPM-GAＲCH模型的實證研究922??????????????????????????????????????????????
【參考文獻】：
期刊論文
[1]時變資本資產定價狀態(tài)空間模型的構建及實證[J]. 郭志鋼,楊詩惠,唐元琦,李建平. 統(tǒng)計與決策. 2017(10)
[2]傳統(tǒng)能源及碳交易價格與新能源股價——基于VAR和CAPM-GARCH模型的分析[J]. 秦天程. 技術經濟與管理研究. 2014(12)
[3]基于馬爾可夫狀態(tài)轉換模型的滬深股市波動率的估計[J]. 楊繼平,張春會. 中國管理科學. 2013(02)
[4]基于小波多分辨分析的高階矩CAPM[J]. 許啟發(fā),王艷明. 統(tǒng)計研究. 2007(04)
[5]高階矩CAPM模型的建立及實證分析[J]. 王永舵,王建華,魏平. 統(tǒng)計與決策. 2005(04)
碩士論文
[1]探究我國股市高階矩和橫截面收益率之間的關系[D]. 張婷.西南財經大學 2016
[2]廣義CAPM-GARCH模型的構建及其應用[D]. 張袁.南京理工大學 2013
[3]具有馬爾可夫結構轉換機制的波動模型及其應用[D]. 郭名媛.天津大學 2003
本文編號：3443673
【文章來源】：重慶理工大學學報(自然科學). 2020,34(06)北大核心
【文章頁數(shù)】：8 頁
【部分圖文】：
上證180指數(shù)的超額收益率圖
科夫狀態(tài)轉換模型中的狀態(tài)變量不能直接觀察到，但可以通過信息集推論任意t時刻狀態(tài)的概率，基于全部觀測值得到的概率為平滑概率。本文以上海機場股票為例，分別繪出股票低、高狀態(tài)的平滑概率。平滑概率刻畫了狀態(tài)間的動態(tài)轉換和跳躍變化情況，通過圖2、圖3可以看出狀態(tài)之間存在頻繁非連續(xù)的轉換，反映了方差方程中ω0、α1、β1發(fā)生轉換的時間和力度。2．5模型的比較分析為了體現(xiàn)高階矩CAPM-MSGAＲCH模型的優(yōu)越性，使之與高階矩CAPM-GAＲCH模型進行比較分析。圖2低狀態(tài)的平滑概率圖3高狀態(tài)的平滑概率模型的方差方程中α1+β1度量了序列波動持久性，其越接近于1，表明整個序列的波動性會越大。高階矩CAPM-GAＲCH模型方差方程的參數(shù)估計結果如表6所示。表6高階矩CAPM-GAＲCH模型方差方程參數(shù)α1、β1估計結果股票上海機場貴州茅臺三江購物農業(yè)銀行中國石化金地集團海通證券航發(fā)動力中國衛(wèi)星張江高科α10．0910．0780．1800．1820．1300．1290．0720．0780．1450．111β10．9080．8960．8020．7980．8700．8250．9270．9010．8380．888段靜靜，等:基于馬爾科夫狀態(tài)轉換下的高階矩CAPM-GAＲCH模型的實證研究922??????????????????????????????????????????????
?611．762．693．012．495．293．132．623．9233．33注:Dur1、Dur2分別表示低波動狀態(tài)和高波動狀態(tài)的持續(xù)時間由表5可見，各股票低波動狀態(tài)持續(xù)時間均大于高波動狀態(tài)持續(xù)時間，表明低波動狀態(tài)相對比較穩(wěn)定，持續(xù)的時間相對久一些。馬爾科夫狀態(tài)轉換模型中的狀態(tài)變量不能直接觀察到，但可以通過信息集推論任意t時刻狀態(tài)的概率，基于全部觀測值得到的概率為平滑概率。本文以上海機場股票為例，分別繪出股票低、高狀態(tài)的平滑概率。平滑概率刻畫了狀態(tài)間的動態(tài)轉換和跳躍變化情況，通過圖2、圖3可以看出狀態(tài)之間存在頻繁非連續(xù)的轉換，反映了方差方程中ω0、α1、β1發(fā)生轉換的時間和力度。2．5模型的比較分析為了體現(xiàn)高階矩CAPM-MSGAＲCH模型的優(yōu)越性，使之與高階矩CAPM-GAＲCH模型進行比較分析。圖2低狀態(tài)的平滑概率圖3高狀態(tài)的平滑概率模型的方差方程中α1+β1度量了序列波動持久性，其越接近于1，表明整個序列的波動性會越大。高階矩CAPM-GAＲCH模型方差方程的參數(shù)估計結果如表6所示。表6高階矩CAPM-GAＲCH模型方差方程參數(shù)α1、β1估計結果股票上海機場貴州茅臺三江購物農業(yè)銀行中國石化金地集團海通證券航發(fā)動力中國衛(wèi)星張江高科α10．0910．0780．1800．1820．1300．1290．0720．0780．1450．111β10．9080．8960．8020．7980．8700．8250．9270．9010．8380．888段靜靜，等:基于馬爾科夫狀態(tài)轉換下的高階矩CAPM-GAＲCH模型的實證研究922??????????????????????????????????????????????
【參考文獻】：
期刊論文
[1]時變資本資產定價狀態(tài)空間模型的構建及實證[J]. 郭志鋼,楊詩惠,唐元琦,李建平. 統(tǒng)計與決策. 2017(10)
[2]傳統(tǒng)能源及碳交易價格與新能源股價——基于VAR和CAPM-GARCH模型的分析[J]. 秦天程. 技術經濟與管理研究. 2014(12)
[3]基于馬爾可夫狀態(tài)轉換模型的滬深股市波動率的估計[J]. 楊繼平,張春會. 中國管理科學. 2013(02)
[4]基于小波多分辨分析的高階矩CAPM[J]. 許啟發(fā),王艷明. 統(tǒng)計研究. 2007(04)
[5]高階矩CAPM模型的建立及實證分析[J]. 王永舵,王建華,魏平. 統(tǒng)計與決策. 2005(04)
碩士論文
[1]探究我國股市高階矩和橫截面收益率之間的關系[D]. 張婷.西南財經大學 2016
[2]廣義CAPM-GARCH模型的構建及其應用[D]. 張袁.南京理工大學 2013
[3]具有馬爾可夫結構轉換機制的波動模型及其應用[D]. 郭名媛.天津大學 2003
本文編號：3443673
本文鏈接：http://sikaile.net/jingjilunwen/hongguanjingjilunwen/3443673.html
最近更新
教材專著
